Herramienta de segmentación automática de masas forestales a partir de sensores remotos: LiDAR y Sentinel 2

  1. Bezares, F. 1
  2. Bravo, F. 1
  3. Tomé Morán, J.L. 2
  1. 1 Universidad de Valladolid
    info

    Universidad de Valladolid

    Valladolid, España

    ROR https://ror.org/01fvbaw18

  2. 2 Agresta S. Coop.
Revista:
Cuadernos de la Sociedad Española de Ciencias Forestales

ISSN: 1575-2410,  2386-8368

Año de publicación: 2020

Número: 46

Páginas: 211-230

Tipo: Artículo

DOI: 10.31167/CSECFV5I46.19904 DIALNET GOOGLE SCHOLAR lock_openDialnet editor

Otras publicaciones en: Cuadernos de la Sociedad Española de Ciencias Forestales

Resumen

La delineación de rodales tradicionalmente se ha basado en cartografía y criterio experto de profesionales forestales. La aparición de sensores remotos permite disponer de información que puede ser utilizada para rodalizar de forma semiautomática. Este estudio busca desarrollar una herramienta para automatizar los procesos de segmentación requeridos en la gestión forestal. Para ello, la herramienta se desarrolla en Python 3 y emplea como fuentes de datos, información de LIDAR aéreo e imágenes de Sentinel 2. La metodología empleada, comienza con el procesado de información LIDAR usando el software de FUSION para obtener información de la estructura de la vegetación. A continuación, se combina un índice de vegetación normalizado, generado a partir de la información satelital, con las imágenes de las variables LiDAR. Como resultado, se obtiene un raster multibanda normalizado. Finalmente, el algoritmo de segmentación de Orfeo Tools recibe el raster multibanda, junto con una serie de parámetros de entrada. El resultado del software es un mapa regiones homogéneas del bosque, que no debe ser considerado como una solución definitiva, sino como un apoyo que el gestor puede emplear para determinar unidades de gestión. Para conseguir mejores resultados de segmentación, cada proyecto y tipo de masa requiere una combinación diferente de parámetros, que ha de ser determinada, para cada tipo de masa. Además del archivo de segmentación, las variables raster y otros sus productos se presentan como resultados. Como conclusión, la herramienta que se presenta es una solución moderna, gratuita, rápida, fiable y basada en datos abiertos que combina algoritmos para automatizar las etapas iniciales de un plan de gestión forestal

Referencias bibliográficas

  • A Wulder, M., W Bater, C., C Coops, N., Hilker, T., & C White, J., 2008. The role of LiDAR in sustainable forest management. The Forestry Chronicle, 84(6), 807-826. Retrieved from http://pubs.cif-ifc.org/doi/abs/10.5558/tfc84807-6. https://doi.org/10.5558/tfc84807-6
  • Bundala, D., Bergenheim, W., & Metz, M., 2007. GRASS: v.generalize. Retrieved from https://grass.osgeo.org/grass77/manuals/v.generalize.html
  • Cantero Fauquier, F. J., 2016. Generación de herramientas de localización de árboles individuales con el módulo de procesado de QGIS a partir de información LiDAR y ortofotografía aérea.Tesis de Fin de Máster. Universidad Politécnica de Madrid
  • Conrad, O., Bechtel, B., Bock, M., Dietrich, H., Fischer, E., Gerlitz, L., Böhner, J., 2015. System for Automated Geoscientific Analyses (SAGA). Geosci. Model Dev., 8, 1991-2007. https://doi.org/10.5194/gmd-8-1991-2015
  • Crespo Rodrigo, A., y Díez Rabanos, F. J., 2018. SilviLIDAR: Herramienta de manejo de datos LiDAR para la gestión forestal. Montes, 134, 23-26.
  • European Spatial Agency (ESA), 2015. Overview / Copernicus / Observing the Earth / Our Activities / ESA. Retrieved February 18, 2019, from https://www.esa.int/Our_Activities/Observing_the_Earth/Copernicus/Overview3
  • European Spatial Agency (ESA)., 2019. Sentinel-2 - Data Products - Sentinel Handbook. Retrieved February 19, 2019, from https://sentinel.esa.int/web/sentinel/missions/sentinel-2/data-products
  • GDAL Development Team., 2017. GDAL - Geospatial Data Abstraction Library. Open Source Geospatial Foundation.
  • GRASS Development Team., 2017. Geographic Resources Analysis Support System (GRASS). Open Source Geospatial Foundation.
  • McGaughey, R. J., 2018. FUSION/LDV: Software for LIDAR Data Analysis and Visualization. 214 p Seattle: U.S. Department of Agriculture, Forest Service, Pacific Northwest Research Station, University of Washington.
  • Næsset, E., & Økland, T., 2002. Estimating tree height and tree crown properties using airborne scanning laser in a boreal nature reserve. Remote Sensing of Environment, 79(1), 105-115. https://doi.org/10.1016/S0034-4257(01)00243-7
  • OTB-Team., 2018. Segmentation - Segmentation. Retrieved from https://www.orfeo-toolbox.org/CookBook/Applications/app_Segmentation.html
  • QGIS Development Team., 2018. QGIS Geographic Information System. Open Source Geospatial Foundation Project. Retrieved from http://qgis.osgeo.org".
  • QGIS Development Team., 2019. Clip raster by extent. Retrieved from https://docs.qgis.org/2.8/en/docs/user_manual/processing_algs/gdalogr/gdal_extraction/cliprasterbyextent.html
  • Warmerdam, F., Rouault, E., & Others, A., 2019. GDAL: gdal_merge.py. Retrieved from https://gdal.org/gdal_merge.html
  • White, J. C., Coops, N. C., Wulder, M. A., Vastaranta, M., Hilker, T., Tompalski, P., 2016. Remote Sensing Technologies for Enhancing Forest Inventories: A Review. Canadian Journal of Remote Sensing, 42(5), 619-641. https://doi.org/10.1080/07038992.2016.1207484
  • World Economic Forum., 2018. The Future of Jobs Report. Executive Summary (Vol. 5). https://doi.org/10.1177/1946756712473437
  • Youssefi, D., 2018. LSMSSegmentation - Exact Large-Scale Mean-Shift segmentation, step 2. OTB CookBook. Retrieved from https://www.orfeo-toolbox.org/CookBook/Applications/app_LSMSSegmentation.html
Fuente de los datos: Dialnet