Individualización de copas en encinares (quercus ilexl.) mediante el empleo de técnicas de segmentación de imágenes y clasificación por objetos

  1. Agustín Jiménez Fernández Palacios 1
  2. Francisco Javier Vázquez Piqué 2
  3. Anabel Calzado Carretero 2
  1. 1 epartamento de Ciencias Agroforestales, Universidad de Huelva
  2. 2 Departamento de Ciencias Agroforestales, Universidad de Huelva
Revista:
Geofocus: Revista Internacional de Ciencia y Tecnología de la Información Geográfica

ISSN: 1578-5157

Año de publicación: 2022

Número: 29

Páginas: 131-144

Tipo: Artículo

DIALNET GOOGLE SCHOLAR lock_openDialnet editor

Otras publicaciones en: Geofocus: Revista Internacional de Ciencia y Tecnología de la Información Geográfica

Resumen

A la hora de caracterizar una masa forestal, se hace imprescindible conocer la densidad, lo que puede hacerse a través de la individualización de las copas de cada árbol o pie. En el presente artículo se muestra el flujo de trabajo desarrollado para la individualización de copas en encinaresmediante el empleo de técnicas de segmentación y clasificación basada en objetos (OBIA), analizando su efectividad en cuatro formaciones caracterizadas por alta/baja densidad y presencia/ausencia de estrato arbustivo. Para ello se combinaron los productos del Plan Nacional de Ortofotografía Aérea correspondientes a ortofotografía NIR y primera cobertura lidar. El estudio se llevó a cabo en cuatro áreas de entre 23.20 y 50.09ha localizadas en la hoja Calañas-Huelva H50-0959, cada una de ellas representativa de una formación. Como entrada en el proceso de segmentación se emplearon las cuatro bandas espectrales de la ortofotografía NIR y un modelo digital de vegetación (MDV) obtenido mediante la nube de puntos lidar. El flujo de segmentación se desarrolló de forma iterativa mediante el software eCognition Developer. Se realizaron sucesivas segmentaciones y clasificaciones de objeto, de tal manera que los objetos que cumplieron una serie de criterios mínimos de individualización salieron del flujo y quedaron caracterizados comoindividuos. Los resultados de la metodología propuesta mostraron una alta capacidad de individualización de copas de entre el 81.23% y el 96.86% de acierto según el tipo de masa estudiado, posibilitando la individualización en encinares con tangencia decopas y adyacentes a matorral

Referencias bibliográficas

  • Agresta S. Coop. (2017). Manual para la cuantificación de existencias de biomasa en masas forestales de matorral mediante metodología LiDAR. [Consulta: 08-03-2021]. Disponible en http://enerbioscrub.ciemat.es/documents/210922/222403/Manual+Lidar/82b0b5a5-1f52-4007-a7f5-7d4ce2d6429e
  • Amiri, N. (2014). Assessment of marker-controllled watershed segmentation algorithm for individual tree top detection and Crown delineation (Master thesis). University of Twenty. Twenty.
  • Blaschke, T. (2010). Object based image analysis for remote sensing. ISPRS Journal of Photogrammetry and Remote Sensing, 65, 2–16. https://doi.org/10.1016/j.isprsjprs.2009.06.004
  • Bork, E.W., Su, J.G. (2007). Integrating LIDAR data and multispectral imagery for enhanced classification of rangeland vegetation: A meta analysis, Remote Sensing of Environment, 111:1, 11-24.
  • Borlaf-Mena, I., Tanase, M., Gómez-Sal, A. (2019). Methods for tree cover extraction from high resolution orthophotos and airborne LiDAR scanning in Spanish dehesas. Revista de Teledetección, 53, 17-32. https://doi.org/10.4995/raet.2019.11320
  • Cantero Fauquier, F., Tomé Morán, J., Bravo Fernández, J., Fernández-Landa, A. (2017). Herramientas de localización de árboles individuales con el módulo de procesado de QGIS a partir de información LiDAR y ortofotografía aérea en 7º Congreso Forestal Español "Gestión del monte: servicios ambientales y bioeconomía". Plasencia, Sociedad Española de Ciencias Forestales.
  • Castillejo-González, I.L., Medina Guerrero, J.M., García-Ferrer Porras, A., Mesas-Carrascosa, F.J., Sánchez de la Orden, M. (2010). Utilización de imágenes de satélite de alta resolución espacial en la determinación de la fracción de cabida cubierta en sistemas adehesados en XIV Congreso Nacional de las Tecnologías de la Información Geográfica: La Información Geográfica al servicio de los ciudadanos. Sevilla, Secretariado de Publicaciones de la Universidad de Sevilla, pp. 62-71.
  • Definiens (2018). Definiens Developer Reference Book. Munich, Definens AG.
  • Fragoso-Campón, L., Quirós Rosado, E., Gutiérrez Gallego, J.A. (2020). Clasificación supervisada de imágenes PNOA-NIR y fusión con datos LiDAR-PNOA como apoyo en el inventario forestal. Caso de estudio: Dehesas. Cuadernos de la Sociedad Española de Ciencias Forestales. 45:3, 77-96. https://doi.org/10.31167/csecfv0i45.19882
  • González-Ferreiro, E., Diéguez-Aranda, U., Miranda, D. (2012). Estimation of stand variables in Pinus radiata D. Don plantations using different LiDAR pulse densities. Forestry: An International Journal of Forest Research, 85:2, 281–292. https://doi.org/10.1093/forestry/cps002
  • González-Jaramillo, V., Buján, S., González-Ferreiro, E., Barreiro-Fernandez, L., Dieguez-Aranda, U., Miranda, D. (2013). Caso de estudio: estimación de volumen a partir de datos LiDAR para pino radiata en el municipio de Guitiriz. Geoespacial. 10, 45-57.
  • Hu, Y., Dong, Y., Batunacun. (2018). An automatic approach for land-change detection and land updates based on integrated NDVI timing analysis and the CVAPS method with GEE support. ISPRS Journal of Photogrammetry and Remote Sensing, 146, 347-359. https://doi.org/10.1016/j.isprsjprs.2018.10.008
  • Hyyppä, J., Inkinen, M. (1999). Detecting and estimating attributes for single trees using laser scanner. Photogramm J Finl. The photogrammetric journal of Finland. 16, 27-42.
  • Kucharczyk, M., Hay, G.J., Ghaffarian, S., Hugenholtz, C.H. (2020). Geographic Object-Based Image Analysis: A Primer and Future Directions. Remote Sensing. Multidisciplinary Digital Publishing Institute. 12, 2012. https://doi.org/10.3390/rs12122012
  • Kumar, S., Gautam, G., Saha, S.K. (2015). Hyperspectral remote sensing data derived spectral indices in characterizing salt-affected soils: a case study of Indo-Gangetic plains of India. Environ Earth Sci 73, 3299-3308. https://doi.org/10.1007/s12665-014-3613-y
  • Lavado, J.F., Jariego, A., Schnabel, S., Gómez, A. (2012). Análisis de la evolución histórica del arbolado de la dehesa mediante fotointerpretación y análisis OBIA en XV Congreso Nacional de Tecnologías de la Información Geográfica: Tecnologías de Información Geográfica en el contexto de Cambio Global. Madrid, Instituto de Economía, Geografía y Demografía, pp. 92-100.
  • Liu, Y., Guo, Q., Kelly, M. (2008). A framework of region-based spatial relations for non-overlapping features and its application in object based image analysis. ISPRS Journal of Photogrammetry & Remote Sensing, 63, 461–475. https://doi.org/10.1016/j.isprsjprs.2008.01.007
  • Lu, D., Weng, Q. (2007). A survey of image classification methods and techniques for improving
  • classification performance. International Journal of Remote Sensing, 28, 823-870. https://doi.org/10.1080/01431160600746456
  • Mcgaughey, R.J. (2015). Fusion/LDV: Software for LiDAR Data Analysis and Visualization. Portland, USDA Forest Service, Pacific Northwest Research Station.
  • MITMA (2020). Plan Nacional de Ortofotografía Aérea (PNOA). Madrid, Ministerio de Transporte, Movilidad y Agenda Urbana. [Consulta: 03-12-2020]. Disponible en https://pnoa.ign.es/presentacion-y-objetivo
  • Platt, R., Rapoza, L. (2008). An Evaluation of an Object-Oriented Paradigm for Land Use/Land Cover Classification. The Proffesional Geographer, 60, 87-100. https://doi.org/10.1080/00330120701724152
  • Ramírez Cisneros, J., Blanco Martínez, J., Cerrillo Cuenca, A., Marqués Rodriguez, G., Valcarce Diñeiro, R., Llordén Pozo, J.M. (2013). Generación de cartografía de modelos de combustibles a partir de datos LiDAR y análisis de imágenes orientado a objetos para su integración en Wildfire Analyst en VI Congreso Forestal Español. Vitoria-Gasteiz, Sociedad Española de Ciencias Forestales.
  • Rodríguez-Galiano, V.F, Ghimire, B., Rogan, J., Chica-Olmo, M., Rigol-Sanchez, J.P. (2011). An assessment of the effectiveness of a random forest classifier for land-cover classification. ISPRS Journal of Photogrammetry and Remote Sensing, 67, 93-104. https://doi.org/10.1016/j.isprsjprs.2011.11.002
  • Sebem, E., González Rivera, C., García Rodríguez. R., De La Vega Panizo, R., Valverde Gonzalo, A. (2005). Aportación del NDVI y los sistemas expertos en la mejora de la clasificación temática de imágenes multiespectrales en Anais XII Simpósio Brasileiro de Sensoriamento Remoto. Goiânia, INPE, pp. 2763-2771.
  • Vásconez, N.L., Sevilla, H.C. (2018). Uso De Los Sensores Remotos En Mediciones Forestales. European Scientific Journal, 14:15, 58-77. https://doi.org/10.19044/esj.2018.v14n15p58
  • Weber, C., Petropoulou, C., Hirsch, J. (2005). Urban development in the Athens metropolitan area using remote sensing data with supervised analysis and GIS. International Journal of Remote Sensing, 26:4, 785-796. https://doi.org/10.1080/01431160512331316856
Fuente de los datos: Dialnet