Professional Documents
Culture Documents
RESUMEN: El presente artculo trata la clasificacin de las cubiertas del suelo en una zona quemada por el
incendio del Solsons (1998), a partir de imgenes obtenidas con UAV y un sensor con una resolucin
espectral centrada en el visible (RGB). A travs de la realizacin de diferentes vuelos, el procesamiento de las
imgenes capturadas y su correspondiente anlisis, se ha realizado una clasificacin de las cubiertas del suelo
con una resolucin de 25 cm de pxel corregistrada respecto a la ortofoto vigente a 25 cm de la cartografa
oficial (ICGC) y una clasificacin con diferenciacin de especies vegetales de una resolucin de 2.5 cm de
pxel y un acierto del ndice Kappa del 0.9 como resultado final. El objetivo global del artculo consiste en
proponer un protocolo solvente que marque el camino a seguir des de la adquisicin de las imgenes hasta la
generacin de las clasificaciones de cubiertas del suelo, con tal de poder comparar las clasificaciones en aos
sucesivos y cuantificar la evolucin de la regeneracin post-incendio en la zona quemada por el incendio del
1998.
PALABRAS CLAVE: UAV, fotogrametra, RGB, correccin geomtrica, Modelos Digitales de Superficies,
clasificacin mixta.
2010), (Lelong et al, 2008). En general, la mayora
1. INTRODUCCIN de autores que realizan clasificaciones mediante
UAV han utilizado aparatos de tipo profesional
La utilizacin de plataformas UAV en el marco
como por ejemplo el ABS-Aerolight (Dunford et
metodolgico de la teledeteccin es
al, 2009), Multi-rotor UAVs (Turner et al, 2014) i
manifiestamente emergente, tal como apunta
(Hung et al, 2014), MLB BAT3 UAV (Laliberte et
Whitehead en su recuento de artculos acadmicos
al, 2010). El hecho de utilizar UAV de un coste
relacionados con esta tecnologa publicados entre
superior al nuestro les permite obtener imgenes
el ao 2000 y el 2013 (Whitehead et al, 2014). Las
con menos error posicional (x-y-z). Los factores
principales virtudes de los UAV respecto a las
que marcan la diferencia son el sensor utilizado y el
plataformas utilizadas en la teledeteccin,
GPS de a bordo. En su caso, estamos hablando de
tpicamente aviones tripulados y satlites, caen en
sensores como: Canon 550D Digital Single Lens
la resolucin espacial (menor a 2.5 cm) y la
Reflex (Turner et al, 2009), Sony NEX 7 (Hung et
resolucin temporal (a la carta) que pueden
al, 2014). Las caractersticas de la cmara utilizada
ofrecer. En cambio, los principales inconvenientes
en el artculo de Calvin Hung son (tabla 1):
se encuentran en la autonoma del vuelo y la
resolucin espectral, ya que las plataformas clsicas
Tabla 1: Caractersticas tcnicas sensor Sony NEX
tienen una capacidad de carga muy superior a las
7.
de los UAV y por tanto pueden transportar
Modelo Sony NEX 7
sensores mucho ms complejos. En cuanto al
coste econmico, las plataformas tradicionales Columnas y filas CCD 6000 x 4000
cobren mucha ms superficie y por tanto el precio Longitud focal (mm) 16
por hectrea levantada es ms reducido; no Campo de visin angular () 76 x 55
obstante, los UAV tienen un coste de mercado Huella a 20 m (m) 30 x 2
asumible y eso los hace muy populares. Resolucin a20m (mm/pxel) 5
Fuente: (Hung et al, 2014).
Delante de las pocas experiencias que existen en la
Para la adquisicin y la planificacin del vuelo cada
generacin de clasificaciones empleando
autor, utiliza, en funcin de la plataforma escogida,
nicamente el espectro visible, una de las
un software que pertenece al fabricante de la
aportaciones del artculo que tenis en manos
plataforma y con ste planifican el vuelo. Cada
consiste en utilizar las regiones espectrales situadas
plataforma trae incorporado un GPS de precisin
entre los 0.4 micrmetros y los 0.7 micrmetros
que ayudar a mosaicar las imgenes y a
(RGB). La gran mayora de estudios previos
corregistrarlas.
recurren a sensores capaces de registrar datos en el
espectro infrarrojo (Feng et al, 2015), (Hung et al, Como el/la lector/a tendr ocasin de observar en
2014), (Remondino et al, 2011), (Laliberte et al, el apartado material i mtodos, las diferencias
Anlisis de imgenes procedentes de UAV para la obtencin de aplicaciones en el seguimiento de la biodiversidad
2
Anlisis de imgenes procedentes de UAV para la obtencin de aplicaciones en el seguimiento de la biodiversidad
El rea de estudio es una parte de la zona quemada subsp. fagnea) con algn grupo de pinaza (Pnus
en el incendio del Solsons (1998). ste, afect un ngra subsp. salzmnnii); la vegetacin del
total de 26280 ha, de las cuales 15408 ha fueron sotobosque est formada brollas y matojos de
bosques densos (Padr, 2014). La superficie media montaa. Una temperatura media anual de
estudiada ocupa 3 ha y se focaliza en un bosque 13C y una pluviosidad anual 700 mm (Ninyerola et
situado en el municipio de Riner. Cabe remarcar al, 2000) favorecen el establecimiento de estos
que el rea de estudio es meramente experimental, bosques. Destaca la presencia de poblaciones de
ya que el propsito de este artculo es mostrar un pinaza por encima de los rebrotes del roble.
protocolo donde se definan los pasos a seguir en el
tratamiento de imgenes obtenidas mediante UAV. Geomorfolgicamente, se encuentra justo sobre la
Por tanto, no se analiza el mbito de objeto de divisoria de aguas de las concas del Cardener y el
estudio en s mismo, sino que se utiliza como Segre, que en este tramo coincide con la carretera
muestra con la intencin de poder repetir el mismo LV-3002. La altura del terreno se sita entre los
proceso en cualquier otro mbito de caractersticas 836 m y los 870 m (ICGC, full 374-642 LIDAR).
similares. Geolgicamente forma parte de la Depresin del
Ebro, concretamente la Formacin Solsona,
Figura 1: Protocolo de trabajo general que se sigue compuesta por materiales sedimentarios del
en el presente artculo. oligoceno (Mata-Perell, 2013).
Generacin de ortofotos
MDT, se corregistran entre ellas y con la -Sensor: El sensor utilizado es la cmara DJI FC
cartografa oficial, para finalmente realizar 200. Sus caractersticas tcnicas son (tabla 4):
clasificaciones de las cubiertas del suelo.
Tabla 4: Especificaciones tcnicas del sensor.
Figura 3: Flujo del trabajo general. Modelo Longitud Columnas Dimen- Medida
focal y filas de siones de del pxel
Recopilacin bibliografa existente (mm) la CCD la CCD CCD (m)
(pxels) (mm)
Phantom
4384 x
Vision 5 9 x 6.75 2.05292
Trabajo de campo(generacin del vuelo, 3288
FC200
observacin de la zona de estudio, etc)
Intervalos Tempera-
Profundi- Tiempo
entre tura de
dad de FOV () de exposi-
disparos trabajo
Trabajo de estudio(tratamiento de imgenes) bits (b) cin (s)
(s) (C)
W: 110
24 3 - 60 1/281 0 - 40
Fuente: Elaboracin propia. N: 85
Fuente: DJI.
3.1 Material
- Imgenes utilizadas: Se han utilizado imgenes
Figura 4: Plataforma (DJI Phantom Vision 2 +) y de 4 vuelos y la ortofoto oficial de 25 cm de
sensor (DJI FC 200) utilizados. resolucin obtenida del ICGC. Las caractersticas
generales de los vuelos son las siguientes (tabla 5):
4
Anlisis de imgenes procedentes de UAV para la obtencin de aplicaciones en el seguimiento de la biodiversidad
cm (focal de 5 mm, escala 1:10000, medida de pxel Figura 5: Localizacin de la captura de las 48
en la CCD de 2.05 m). imgenes y estimaciones del error del vuelo 1:
Cabe destacar que el recorrido de la plataforma
sigue en grandes rasgos las indicaciones
establecidas a priori, pero no es una reproduccin
exacta, con la cual cosa la localizacin (x-y-z) del
UAV en la captura de cada imagen se ha de
obtener a partir del GPS de a bordo. Adems, la
muy variable actitud de la plataforma (cabeceo (),
guiada () y balanceo ()) complica la geometra
de captacin de cada imagen. Como se ha visto en
la introduccin, estas variables se pueden saber
con precisin utilizando tecnologas de precisin.
Fuente: AGISOFT.
6
Anlisis de imgenes procedentes de UAV para la obtencin de aplicaciones en el seguimiento de la biodiversidad
8
Anlisis de imgenes procedentes de UAV para la obtencin de aplicaciones en el seguimiento de la biodiversidad
Por lo que refiere al mtodo de interpolacin para Figura 12: Manca de corregistro entre dos
asignar el valor del pxel al hacer el cambio de ortofotos.
proyeccin, hay 3 opciones: Vecino ms cercano,
bilineal (4 vecinos) o bicbica (16 vecinos). En este
caso se ha decidido utilizar el mtodo de vecino
ms cercano, ya que la interpolacin bicbica
genera valores irreales en los contornos de los
objetos (figura 10), como por ejemplo una rama y
el fondo sotobosque; en el mismo sentido, los
valores NODATA en la imagen original que tienen
Fuente: Elaboracin propia a partir de los vuelos 2
algn vecino con valor vlido, adquieren un nuevo
y 4.
valor, hecho no deseable. Como puede observarse,
estos efectos no suceden con el mtodo escogido Corregistro (I): Se corregistran todos los vuelos
(figura 11). respecto a la ortofoto del vuelo que presenta una
mejor geometra. Se toma el vuelo 3 como
Figura 10: Imagen original (izquierda) vs. Imagen
referncia y se busca el mismo pxel en las otras
georeferenciada con mtodo bicbico (derecha).
imgenes. Bsicamente encontramos puntos en
zonas geomtricamente invariantes como las
carreteras y sus lneas pintadas. Sern puntos de
ajuste a los que se les asignar las coordenadas del
pxel del vuelo 3. Se reserva un conjunto de puntos
para evaluar la precisin del ajuste. Se utilizan el
siguiente nmero de puntos de ajuste y de test,
obteniendo los siguientes RMSxy (tabla 11):
9
Anlisis de imgenes procedentes de UAV para la obtencin de aplicaciones en el seguimiento de la biodiversidad
las carreteras. Adems, cuantitativamente el clculo ahora tomando como referncia la ortofoto del
del RMSxy da unos resultados mejores (tabla 11). ICGC a 25 cm de resolucin. Se aconseja ajustar
Con tal de acotar el rea de estudio, se recorta cada primero la imagen utilizada como referncia (vuelo
ortofoto con un marco, delimitando un mbito 3 en nuestro caso), y una vez ajustada aplicar los
general que excluya zonas perifricas. El marco mismos coeficientes de la funcin de ajuste a las
con el cual se trabaja a partir de ahora tiene unas otras imgenes, en nuestro caso el vuelo 4.
dimensiones de 175 x 175 metros (figura 13). Con tal de escoger entre el uso de la funcin de 1er
Una vez corregistradas entre ellas, se pueden o 2 grado, y realizando las pruebas pertinentes se
densificar las ortofotos de 2.5 cm a diferentes llega a la conclusin que en este caso se ajusta
lados de pxel (5 cm, 10 cm, 25 cm), aunque el mejor la funcin de 1er grado (figura 14);
artculo solo presenta las de 2.5 cm y las de 25 cm. basndonos en el criterio visual, se puede observar
La srie a 5 cm permitira ofrecer un producto con como las carreteras tienen mejor continuidad en la
imgenes ms manejables sin sacrificar demasiada correccin con la funcin de 1er grado que con la
resolucin espacial (tabla 12), mientras que la srie de 2o grado (figura 15).
a 25 cm tiene la finalidad de corregistrarla con la
ortofoto del ICGC. As, aunque perdiendo Figura 14: Ajuste visual de la correccin
resolucin espacial, las densificaciones de pxel geomtrica del vuelo 3 respecto la ortofoto oficial
tienen un inters concreto segn los objetivos utilizando una funcin de 1er grado.
definidos.
De hecho es una conslusin esperable, ya que solo Figura 18: Detalle de la correccin geomtrica por
se trata de trasladar la ortofoto des de una posicin interpolacin bicbica del vuelo 3 (25 cm).
errnea a una posicin correcta, no hace falta
deformarla porque la proyeccin a UTM ya est
hecha. Una vez se georeferencia la ortofoto del
vuelo 3 se puede aplicar la misma funcin al vuelo
4. En los dos casos se han empleado los mismos
16 puntos de control y el RMSxy ha estado de
28.99381 cm. La correccin de los vuelos 3 y 4 a
25 cm con la cartografa de referncia presenta un
buen ajuste, ya que las ortofotos de los vuelos 3 y 4
estaban corregistradas con un error de 9.9 cm
(tabla 11) y al aumentar el lado de pxel a 25 cm el Fuente:Zoom a la ortofoto del vuelo 3
error es menor a una celda en el 95% de los casos corregistrada con la ortofoto oficial con
(figura 16). interpolacin bicbica.
Figura 16: Detalle del ajuste visual entre la
ortofoto a 25 cm vigente y el vuelo 3. 3.3.3. Generacin de Modelos Digitales del
Terreno (MDT)
puntos emitido por Agisoft, y por lo tanto, ver si Figura 19: Seccin de la hoja 374-642 LIDAR del
puede utilizarse con un error aceptable. La ICGC y marco del rea de estudio.
evaluacin se lleva a cabo internamente mediante
la validacin cruzada como externamente mediante
la comparacin con un MDS de referencia. Todos
los MDS presentados se han calculado a partir de
la interpolacin de la nube de puntos emitida por
Agisoft, excepto el MDS de referencia que se ha
calculado a partir de la nube de puntos LIDAR
descargada del ICGC.
Un correcto ajuste del MDS generado a partir de la
nube de puntos de Agisoft, tendra que permitir
obtener los siguientes productos:
-Estimacin de la biomasa presente: restando un
MDE de referencia con el MDS generado en un
vuelo, tericamente se puede calcular la altura de la
vegetacin sobre el terreno y por tanto derivar su
volumen de biomasa. Fuente: Hoja 374-642 LIDAR del ICGC.
-Estimacin del crecimiento de la vegetacin: Figura 20: MDS a partir de los puntos LIDAR
restando el MDS de un vuelo y el MDS de otro mediante interpolacin por mtodo IDW.
vuelo se podra estimar el aumento de biomasa y la
localizacin espacial de la misma.
-Clculo del Modelo Digital de Iluminaciones: a
partir de la posicin solar en el momento de la
captura de las imgenes, se puede asignar a cada
pxel un valor que cuantifique el ngulo de
incidencia de la luz solar respecto la superficie,
informacin til para poder corregir los efectos de
la iluminacin en una hipottica correccin
radiomtrica si finalmente se conoce la funcin
lineal que convierte los DN en radincias.
-Clculo del Modelo Digital de Sombras: a partir
de la posicin solar en el momento de la captura
de las imgenes, se puede deducir la sombra
proyectada por los objetos de la superficie (en este
caso la vegetacin) y corregir as efectos
Fuente: Elaboracin propia a partir de la hoja 374-
radiomtricos y topogrficos no deseados como las
642 LIDAR del ICGC.
zonas con sombras.
Figura 21: MDS a partir de los puntos LIDAR
-Soporte a la clasificacin: complementar con estos
mediante interpolacin por mtodo de esplines.
modelos las variables utilizadas para la clasificacin
de las cubiertas del suelo.
Generacin del MDS de referencia:
Para obtener un Modelo Digital de Superficies de
referencia, nos valemos de la base de puntos de
LIDAR descargable en el sitio web del ICGC.
Utilizaremos la hoja 374-642, la cual supera el
mbito deseado y por lo tanto recortaremos (figura
19); detectamos en este trabajo algunos problemas
anmalos, ya que sabemos a priori que las alturas
estn alrededor de los 800 y 900 m.s.n.m. y hay
algn punto con valor 275, 600as que se depura
el fichero con estos puntos anmalos (puntos
(Z)<800) y se realizan dos MDS: uno mediante el
mtodo de interpolacin inversa a la distancia
(figura 20), con un exponente de 2 y una distancia
mxima de 5 metros para agilizar los clculos, y
otro MDS mediante el mtodo esplines (figura 21), Fuente: Elaboracin propia a partir de la hoja 374-
con una tensin de 50 y una desviacin de 0 y un 642 LIDAR del ICGC.
lado del blog de anlisis de 5 metros.
12
Anlisis de imgenes procedentes de UAV para la obtencin de aplicaciones en el seguimiento de la biodiversidad
Comparando los dos MDS (IDW y SPLINES), Figura 24: MDS a partir de la nube de puntos del
encontramos ms til para nuestros propsitos el vuelo 3 mediante interpolacin con el mtodo
calculado mediante el mtodo de inverso a la IDW a25cm.
distancia, ya que es un mtodo exacto y no supera
el rango de valores de la nube de puntos (aunque
SPLINES tambin puede ser exacto sin
desviacin).
Generacin del MDS de los vuelos 3 y 4:
Disponemos de dos nubes de puntos derivados de
los vuelos con mejor geometra, los vuelos 3
(figura 22) y 4 (figura 25). La intencin es
experimentar como reproducen la superficie y
compararlos entre ellos como el generado a partir
de puntos LIDAR. Se realizan diversas pruebas
con el mtodo de inverso a la distancia y esplines,
especificando el lado del blog de anlisis para
agilizar el proceso. Se generan dos MDS por vuelo:
inverso a la distancia con un lado de 2.5 cm
(figuras 23 y 26), inverso a la distancia con un lado
de 25 cm (figuras 24 y 27). Fuente: Elaboracin propia a partir de la nube de
puntos emitida por Agisoft.
Figura 22: Nube de puntos con coordenadas XYZ
del vuelo 3 y marco del rea de estudio. Figura 25: Nube de puntos con coordenadas
XYZ del vuelo 4 y marco del rea de estudio.
Fuente: Elaboracin propia a partir de la nube de Fuente: Elaboracin propia a partir de la nube de
puntos emitida por Agisoft. puntos emitida por Agisoft.
13
Anlisis de imgenes procedentes de UAV para la obtencin de aplicaciones en el seguimiento de la biodiversidad
Figura 27: MDS a partir de la nube de puntos del altura mnima del MDS generado a partir de los
vuelo 4 mediante interpolacin con mtodo IDW a puntos LIDAR, constante que para el MDS del
25 cm. vuelo 3 es de 908.1806 m; se obtiene as una altura
razonable aproximada a la del LIDAR, en m.s.n.m.
Para el vuelo 4 se realiza el mismo clculo pero el
valor mnimo de la nube de puntos es de
68.4341408 m siendo la constante de 904.8298 m.
LIDAR 15097 836.380 869.6 33.22 Tambin se observan fuertes diferencias alrededor
de los rboles, tendencia que puede deberse a la
3 111113 -71.583868 -32.707085 38.876783 diferente posicin de los puntos de origen de la
interpolacin y el mtodo de interpolacin, ya que
4 100010 -68.434141 -19.432608 49.001533 el inverso a la distancia expande radialmente y si
Fuente: Elaboracin propia con MiraMon. los puntos no estn situados en el mismo lugar
pueden dar paso a importantes diferencias en la
En el caso del vuelo 3, la nube de puntos tiene un coordenada Z.
rango de valores entre [-71.5839 i -32.7071. Para
aproximar estas alturas a las absolutas (sobre el
nivel del mar), una vez generado el MDS con
MiraMon en alturas relativas, sumamos una
constante a cada celda rster. Esta constante es el
resultado de la suma del valor absoluto de la altura
mnima de la nube de puntos (71.5839 m) y la
14
Anlisis de imgenes procedentes de UAV para la obtencin de aplicaciones en el seguimiento de la biodiversidad
HSI (o tono/saturacin/intensidad)
En el Diccionario terminolgico de Teledeteccin
(Pons y Arcals, 2012; entr. 1419-1421) se define
una parte del inters que puede tener la
transformacin de color RGB en el espacio de
color HSI, asignando la banda con ms detalle
espacial a la componente de intensidad, y
formando el tono y la saturacin a partir de las
Fuente: Elaboracin propia con MiraMon. bandas con ms riqueza cromtica (figura 30).
Comparacin del MDS (vuelo 3) y el MDS
LIDAR: Figura 30: ndices HSI calculados para el vuelo 3.
Tambin se comparan el MDS del vuelo 3 y el
MDS generado a partir de la nube de puntos
LIDAR del ICGC. Idealmente, elementos H S
invariables como la carretera tendran que tener
una diferencia 0 m, mientras que la vegetacin en
su crecimiento-, tendra que tener un valor
ligeramente positivo (figura 29).
En este rster, las diferencias son menores, pero
hay importantes cerca las zonas arboladas. En los
puntos LIDAR se aprecian los rboles ms altos
I H
(Pnus ngra subsp. salzmnnii) situados a lo largo de
la carretera grande y la diferencia es positiva a su S
favor. No se aprecia una alineacin de errores I
positivos a favor del vuelo 3, as que en este caso
consideramos la georreferenciacin aceptable. No
obstante, se trata de dos interpolaciones y por
tanto ninguna de las dos superficies se puede Fuente: Elaboracin propia con MiraMon.
considerar verdadero terreno. A pesar de los
errores en RMSz, se considera que ndices inspirados en el NDVI:
cualitativamente la modelizacin de la superficie en
los MDS producidos en ambos vuelos es muy Estos clculos entre bandas RGB servirn para
coherente con el MDS de referencia. extraer un ndice de verdor, de azulejo y un ndice
Figura 29: Diferencia de alturas entre el MDS del azul/verde (figura 31). Se utiliza la misma frmula
vuelo 3 y el MDS elaborat a partir de los puntos que en el conocido NDVI (NDVI=(IRp-
LIDAR: R)/(IRp+R)) pero substituyendo la banda del IRp
por la banda del Verde (G) y la del Azul (B).
(Laliberte et al. 2011) y a (Lelong et al, 2008).
ndices de verdor/azulejo/azul-verde:
GNDVI=(G-R)/(G+R); G= VERDE; R= ROJO
BNDVI=(B-R)/(B+R); B= AZUL; R= ROJO
B-VNDVI(G-B)/(G+B); B= AZUL; G= VERDE
15
Anlisis de imgenes procedentes de UAV para la obtencin de aplicaciones en el seguimiento de la biodiversidad
Figura 31: ndices derivados del RGB del vuelo 3. obteniendo 12 variables ms a partir de las bandas
verde, verdor, saturacin y ratio de azul.
Ind. Verdor Ind. Blavor
4 medianas (5x5): Filtro de suavizacin apto para
cualquier tipo de tratamiento (Ayuda MM).
4 Desviacin tpica (5x5): Determina el grado de
dispersin de los valores en el entorno de cada
pxel. No es adecuado para rsters categricos
(Ayuda MM).
Ind. Blau-Verd V-B-BV
4 Variabilidad (5x5): Mide el porcentaje de pxels
de valor diferente a la moda. Adecuado para rsters
categricos, puede ser un indicador indirecto de
autocorrelacion y un filtro detector de lmites
(Ayuda MM).
Fuente: Elaboracin propia con MiraMon. Por ltimo lado se ha analizado la correlacin
presente entre las diferentes variables obtenidas de
Peso de cada banda (RGB) en el total ( una ortofoto (4rto vuelo). El objetivo de este
RGB): proceso ha consistido en reducir el nmero de
variables y la discriminacin de aquellas variables
A partir de los 3 RGB que disponemos podemos que no aportan informacin nueva respecto la
generar nuevas capas (figura 32) que muestran el variable con la que se calcula la covarianza.
peso de cada banda en cada celda concreta (DN)
respecto el total de DN de esa celda ( DN RGB). Mediante el programario de IDRISI SELVA se ha
(Laliberte et al., 2011) i a (Dunford, 2015). analizado la correlacin entre todas las variables
generadas y se ha determinado cuales son las
Ratio de rojo/verde/azul: variables que utilizaremos para la clasificacin
final. Se ha confeccionado una matriz de
RATIO R=R/(R+G+B) correlaciones donde aparecen todas las variables
RATIO G=G/(R+G+B) generadas y se han discriminado aquellas variables
RATIO B=B/(R+G+B) que contienen ms informacin (tala 15).
Figura 32: Ratios de cada banda RGB para el Tabla 15: 10 variables escogidas de la matriz de
vuelo 3. correlaciones y que utilizamos para las
clasificaciones.
RGB ndices Ratios HSI Texturas
R To
G Ratio-G G-Desvest
B BNDVI Ratio-B Intensidad B-
Variabilidad
Ratio-B Ratio-R Fuente: elaboracin propia.
16
Anlisis de imgenes procedentes de UAV para la obtencin de aplicaciones en el seguimiento de la biodiversidad
Figura 33: reas de entrenamiento y de test El producto principal es la clasificacin del vuelo 4
utilizadas para las clasificaciones de los vuelos 3 y por dos motivos:
4. - el primero es que la hora y el da de captura (21
de Junio a las 11:19 hora local) el sol estaba muy
elevado y las sombras eran escasas, tratndose de
una imagen que podemos calificar como limpia.
-el segundo es que el mosaicado no presenta
errores ni artefactos.
Las categoras de la clasificacin del vuelo 4 a 25
cm son pocas pero claras (figura 33b): cultivo,
suelo desnudo, matojos y rboles. Considerando
que es habitual encontrarse sombras en las
imgenes, se ha realizado una clasificacin mixta
sobre la imagen del vuelo 3, la cual contiene
muchas y se necesita discriminarlas. Se han
utilizado las mismas reas de entrenamiento y de
test que en el vuelo 4, pero en este caso aadiendo
reas de polgonos definidos como sombras,
trabajando con 5 categoras (figura 33a).
Se presentan 3 clasificaciones:
Clasificacin del vuelo 3 a resolucin de 25 cm
con 5 categoras.
Clasificacin del vuelo 4 a resolucin de 25 cm
con 4 categoras.
Clasificacin del vuelo 4 a resolucin de 2.5 cm
con 8 categoras.
Clasificaciones de imgenes a 25 cm:
El lado de pxel de 25 cm se ha realizado para Fuente: Elaboracin propia con MiraMon.
poder comparar los resultados con la clasificacin
hecha con las mismas reas de entrenamiento en la En la clasificacin del vuelo 3 (figura 34) hay
cartografa oficial, no nicamente con la vigente confusiones entre cultivos y los rboles, ya que
sino con anteriores y posteriores. radiomtricamente el sembrado en crecimiento y la
hoja nueva de los caducifolios son muy similares
17
Anlisis de imgenes procedentes de UAV para la obtencin de aplicaciones en el seguimiento de la biodiversidad
en el momento del vuelo. La deteccin de sombras El principal problema en las imgenes a mxima
es considerablemente buena con la clasificacin resolucin es la heterogeneidad, ya que hay muchas
mixta (~90%) tal y como muestra la matriz de sombras internas dentro de los elementos: el los
confusiones (tabla 16). Se observa que es una cultivos de aprecian las sombras entre hileras, o en
manera efectiva de capturar las diferentes los rboles hay sombras en las copas. Es un efecto
tonalidades que obtiene la sombra, ya que si casi perverso de la alta resolucin, ya que en vez de
siempre suele presentar valores bajos en las 3 mejorar la clasificacin la perjudica, y pretendemos
bandas de RGB, es posible que en alguna escena corregirlo introduciendo la categora sombras
haya masas de agua que tambin tienen este (figura 36).
comportamiento radiomtrico. Una vez localizadas
las sombras, se ha de realizar una mscara y repetir Figura 36: Detalle de diferentes respuestas
el proceso de la clasificacin mixta. espectrales en combinacin RGB de las categoras
definidas.
En cambio, en el vuelo 4 (figura 34b) los campos
ya se han segado y tienen una radiometra muy
diferenciada, discriminndose muy bien las dos
categoras. A dems, las sombras son escasas y no
afectan al proceso de asignacin de pxeles a su
categora correspondiente. El acierto global de la
clasificacin del vuelo 4 es ms elevado que el
obtenido en el vuelo 3 (tabla 17).
Clasificacin de la imagen a 2.5 cm:
La clasificacin del vuelo 4 a 2.5 cm pretende Fuente: Captura de pantalla de la clasificacin del
explotar al mximo la resolucin espacial que vuelo 4 a 2.5 cm.
ofrece el material utilizado, a pesar de que el
corregistro con posteriores clasificaciones en el Figura 37: Resultado de la clasificacin de
tiempo sea muy difcil sin material de precisin. En cubiertas del suelo del vuelo 4 (2.5 cm de
esta clasificacin se han establecido 8 categoras: resolucin).
cultivos, suelo desnudo, matojos, hierba, Quercus
fagnea, Pinus nigra, Ulex parviflorus y sombras.
La eleccin de estas categoras est pensada para
evaluar la capacidad del clasificador para detectar
especies en el campo que se muestran
espectralmente diferentes. El razonamiento es que
si nuestros ojos (sensores RGB) son capaces de
discriminar tonalidades diferentes segn la especie
(figura 35), el sensor utilizado tambin tendra que
poder hacerlo. Queremos hacer notar
especialmente la presencia de la categora Ulex
parviflorus o Gatosa (abulaga, ardeviejas,..), que en el
momento de la captura de las imgenes estaba en
plena floracin y mostraba un potente color
amarillo. Por otro lado, es de gran inters para la
evolucin de la regeneracin post-incendio la
deteccin de Pinus nigra subsp. Salzmnii y Quercus
fagnea subsp. fagnea a fin de tener un dato sobre la
Fuente: Elaboracin propia con MiraMon.
superficie foliar total que ocupan.
Visualmente los resultados son satisfactorios
Figura 35: Detalle de diferentes respuestas
(figura 37), a pesar de que se visualizan algunas
espectrales en combinacin RGB de las categoras
confusiones en los conreos, donde se observan
definidas.
enclavamientos clasificados como gatosa y que
evidentemente no lo son. Tambin se observa un
error en la carretera que va direccin SE-NW,
categorizndose como matojo un trozo de asfalto.
No obstante, cuantitativamente los resultados son
excelentes tal como muestra la matriz de
confusiones (figura 56).
18
Anlisis de imgenes procedentes de UAV para la obtencin de aplicaciones en el seguimiento de la biodiversidad
Exactitud del
el terreno que mejoraran estos resultados.
comisin
Sombras
Error de
desnudo
Quercus
Cultivos
Matojos
Hierbas
usuario
Los Modelos Digitales de Superficie generados a
Pinus
Suelo
Total
Ulex
partir de las nubes de puntos importados de
ND 7 0 40 0 0 3 1 0 51
Agisoft- extrados de la ortofoto- tienen unos
errores considerables en relacin a los generados a Cultivos 8210 31 42 0 1 1 5 0 8290 1 99
partir de los puntos LIDAR de la cartografa Suelo 3 25530 476 0 0 0 0 0 26009 1.8 98.2
oficial, hecho que impide realizar un uso desnudo
cuantitativo de rigor. No obstante, reproducen el Matojos 6 6 2586 7 1 8 16 0 2630 1.7 98.3
relieve con fidelidad y no generan artefactos hierba 0 0 116 1667 0 170 6 0 1959 14.9 85.1
extraos. Los Modelos de Superficie se han Quercus 0 0 0 3 1707 258 6 0 1974 13.5 86.5
elaborado mediante el mtodo de inverso de la
Pinus 0 0 199 67 203 1151 0 7 1627 29.3 70.7
distancia. A partir de cada MDS se pueden generar
los Modelos Digitales de Sombras en el momento Ulex 0 0 25 0 36 31 339 0 431 21.3 78.7
del vuelo, los Modelos Digitales de Iluminaciones, Sombras 2 0 10 0 38 4 4 634 692 8.4 91.6
Modelos Digitales de Pendientes y de
Total 8228 25567 3494 1744 1986 1626 377 641 43663
Orientaciones. Se ha de seguir investigando en esta
lnea ya que el margen de mejora es muy elevado y Error de 0.2 0.1 26 4.4 14 29.2 10.1 1.1
omisin
su inters por el seguimiento de la biodiversidad es Exactitud 99.8 99.9 74 95.6 86 70.8 89.9 98.9
evidente, especialmente en el clculo de biomasa produc-
tor
existente y el seguimiento de su crecimiento. Los
errores obtenidos en la comparacin del MDS del Los resultados de la matriz de confusiones de la
vuelo 3 y el MDS del vuelo LIDAR son clasificacin del vuelo 4 a 25 cm son excelentes y
manifiestamente excesivos como para continuar nos han sorprendido gratamente, ya que en los
con los objetivos propuestos en este apartado. vuelos anteriores no haban sido tan buenas. Se
Honestamente, no se considera rigurosa la manifiestan dos factores clave para esta mejora:
estimacin de biomasa presente ni la estimacin de 1.-Realizar el vuelo en unas condiciones de
crecimiento. Tampoco se muestran fiables los Iluminacin en que las sombras sean mnimas, es
Modelos Digitales de Iluminaciones y de Sombras, decir, cuando el sol est cerca del zenit.
as que no se utilizarn como variables accesorias 2.-Realizar el vuelo cuando la fenologa de las
en la clasificacin de cubiertas del suelo. El artculo especies diferencien su comportamiento
aborda esta lnea de experimentacin, a pesar de radiomtrico en el espectro visible.
que los resultados no han sido satisfactorios.
Tabla 17: Matriz de confusiones resultado del
En referencia a las variables utilizadas para la cruzamiento de las reas de test con la clasificacin
clasificacin se han utilizado 10, aunque se han del vuelo 4 (25 cm).
generado un total de 24; la eleccin se ha realizado Cultivo Suelo Matojo rboles Total Error de Exactitu
desnud comisin d del
en base a la matriz de correlacione entre ellas, o usuario
escogiendo las menos relacionadas. A parte del ND
1 4 44 11 60
RGB se han calculado 3 ndices inspirados en el Cultivo
NDVI combinando los tres colores principales 775 0 25 4 804 3.6 96.4
Suelo
respecto el total del color de cada celda, el tono- desnudo 0 443 3 0 446 0.7 99.3
saturacin-intensidad de cada ortofoto, y Matojo
3 0 314 6 323 2.8 97.2
finalmente se han extrado las texturas de mediana, rboles
desviacin tpica y variabilidad de las bandas G, 3 0 3 636 642 0.9 99.1
Total
ratio-B, ndice de verde y saturacin. Las 10 ms 782 447 389 657 2275
favorables en nuestro caso de estudio han sido las Error de
omisin 0.9 0.9 19.3 3.2
variables RGB, ndice de azul, ratio-B y ratio-G, Exactitud
tono, intensidad y las texturas de desviacin tpica productor 99.1 99.1 80.7 96.8
de G y la variabilidad de B. Fuente: Elaboracin propia con MiraMon.
19
Anlisis de imgenes procedentes de UAV para la obtencin de aplicaciones en el seguimiento de la biodiversidad
Cuantitativamente esta clasificacin aporta Tabla 19: Matriz de confusiones resultado del
informacin til para los objetivos del trabajo, cruzamiento de las reas de test con la clasificacin
especialmente en la superficie ocupada por cada del vuelo 4 (2.5 cm).
cubierta. As, se puede establecer un precedente Cultivo Suelo Matojo rbole Sombr Total Error Exacti-
del rea foliar del estrato arbreo (tabla 18). desnud s as comi- tud
o sin usuario
ND
Tabla 18: Tabla con la superficie (m2) ocupada por 17 0 33 5 3 58
cada cubierta del suelo en el vuelo 4 a 25 cm. Cultivo
697 9 124 406 3 1239 43.7 56.3
Cultivos Suelo Matojo rboles Suelo
desnudo desnudo 0 436 3 0 0 439 0.7 99.3
Matojo
8406.3 2430.3 5995.9 10916.3 4 1 213 3 2 223 4.5 95.5
Fuente: Elaboracin propia con MiraMon. rboles
62 0 6 204 40 312 34.6 65.4
Sombras
Estas estadsticas se pueden comparar con las de 2 1 10 39 435 487 10.7 89.3
sucesivos vuelos en aos posteriores mediante Total
una combinacin analtica con SIG-, con tal de 782 447 389 657 483 2758
Error
evaluar los cambios. omisin 10.9 2.5 45.2 68.9 9.9
Ex.
Produc-
En relacin a la clasificacin del vuelo 4 a mxima tor 89.1 97.5 54.8 31.1 90.1
resolucin (2.5 cm), los resultados son Fuente: Elaboracin propia con MiraMon.
cuantitativamente y cualitativamente excelentes y
por su inters son los que ms se comentarn. Se El rea foliar del estrato arbreo est medida por
han establecido 8 categoras, de las cuales 5 son cada una de sus especies ms comunes, dando un
poblaciones vegetales diferentes. resultado agregado menor a la clasificacin a 25
Todas las categoras se encuentran por encima del cm, debido principalmente a la mayor resolucin
70% de acierto tanto en la exactitud del usuario espacial y por tanto fragmentacin (tabla 20).
como en la exactitud del productor (tabla 19). Las
confusiones entre especies arbreas (Pnus ngra Tabla 20: Tabla con la superficie (m2) ocupada
subsp. salzmnii i Qurcus fagnea subsp. fagnea) son por cada cubierta de suelo desnudo en el vuelo 4 a
menores al 15%, mientras que la confusin de Ulex 2.5 cm.
parviflorius con la resta de matojos es menor al 6%. Tipo de cubierta Superficie (m2)
Los errores de comisin se encuentran Cultivos 7299.3
especialmente en los pinos y la gatosa, es decir, hay Suelo desnudo 3165.6
representada como tales cierta superficie que no les
Matojos 5103.0
corresponde. Los errores de omisin se
Hierba 3085.6
concentran en los pinos, robles y matojos, es decir,
Quercus 4850.7
por otro lado hay celdas que tendran que estar
representados como tales y no lo estn. Las Pinus 2537.9
sombras tienen un acierto cercano al 90% y Ulex 361.5
ocupan ms superficie que en la clasificacin a 25 Sombras 2055.6
cm. Fuente: Elaboracin propia con MiraMon.
Este hecho es esperable debido a la densificacin,
ya que muchas celdas que a 2.5 cm son sombras Se obtiene un resumen estadstico de las
internes, estn envueltas de celdas que no lo son y clasificaciones efectuadas, donde sobresale el
al aumentar el lado de celda con el vecino ms elevado acierto del vuelo 4. Destacar que el acierto
cercano, la celda resultante elimina dicha sombra. es ligeramente superior en la clasificacin a
mxima resolucin, aunque el nmero de
categoras es el doble, y el nombre de pxeles
analizados es 20 veces superior (tabla 21).
20
Anlisis de imgenes procedentes de UAV para la obtencin de aplicaciones en el seguimiento de la biodiversidad
Tabla 21: Descriptores resultado del cruzamiento Se ha observado que estos resultados dependen
de las reas de test con la clasificacin. ntegramente de la calidad de los vuelos, es decir,
25 cm 2.5 cm de la planificacin de estos y su correcta ejecucin.
VUEL VUEL VUELO 4 En especial, se hace nfasis en la posicin solar
O3 O4 durante el vuelo, ya que cuanto ms cercana al
Nmero total de pxels 2758 2275 43663 cenit se encuentra menores son las sombras y
de la capa verdad terreno mayor es el rea til de las Imgenes a clasificar.
que podran usarse para Tambin se hace hincapi en la fenologa de las
la evaluacin (A).)
especies vegetales presentes en el rea de estudio,
Nmero de pxels de la 2700 2215 43612
imagen verdad terreno ya que si visualmente presentan contrastes
realmente usados para la radiomtricos elevados, su clasificacin es mejor
evaluacin (no sobre que si son semejantes.
ND).
Nmero de aciertos 1985 2168 41824 Uno de los factores que ha faltado ha sido la
disponibilidad de GPS diferenciales, ya que stos
Acierto global (C/A) 72.00% 95.30% 95.80% permiten obtener una georreferenciacin con un
error menor al tamao del pxel y mejoran la tarea
Acierto global (solo los 73.50% 97.90% 95.90% de corregir las imgenes geomtricamente. Si se
clasificados) (C/B)
quiere trabajar con rigor, la precisin y la
Acierto global ponderado 61.00% 95.90% 96.60%
a partir de la superficie de
resolucin espacial se puede mantener, ya que el
la capa a evaluar. error asociado a los corregistros debe ser inferior al
Acierto global ponderado 61.40% 97.80% 96.70% tamao del pxel.
a partir de la superficie de
la capa a evaluar (solo los Trabajando con los materiales disponibles en este
clasificados). artculo, se ha llegado a obtener un corregistro con
Acierto global ponderado 65.10% 97.40% 98.00% un error de 10 cm. Este es el tamao de lado de
a partir de la superficie de celda que no convendra superar, cuando la
las reas de verdad mxima resolucin que ofrecan las Imgenes era
terreno. de 2.5 cm.
Kappa 0.6 0.9 0.9
21
Anlisis de imgenes procedentes de UAV para la obtencin de aplicaciones en el seguimiento de la biodiversidad
AGRADECIMIENTOS
22
Anlisis de imgenes procedentes de UAV para la obtencin de aplicaciones en el seguimiento de la biodiversidad
Longitud focal.
Anlisis de las especificaciones Columnas y filas CCD y dimensiones fsicas de la CCD, medida
tcnicas del sensor. del pxel en la CCD.
Intervalo de disparos.
Velocidad.
Anlisis de las especificaciones Autonoma.
tcnicas de la plataforma. Peso que soporta.
23
Anlisis de imgenes procedentes de UAV para la obtencin de aplicaciones en el seguimiento de la biodiversidad
AGISOFT. (2014). Agisoft PhotoScan users MANLY, B.F.J. (1986). Multivariate statistical
manual: Professional Edition, 1.1. methods. London: Chapman and Hall.
http://downloads.agisoft.ru/pdf/photoscan-
pro_0_9_0_en.pdf MATA-PERELLO, J.M. (2013). Recorregut de
recerca geolgica i minera per les comarques del
CASTELLNOU, M.; PIQU, M.; Solsons, La Segarra i La Noguera: Des de Solsona
MIRALLES, M.; PAGS, J. (2009). Integraci a Sant Climen, Sanaja i a Vilanova de lAguda.
del risc dincendi en la planificaci forestal: rgim
dincendis i incendis tipus a Catalunya. Silvicultura, MUOZ, E. (2014) Aplicacin de fotogrametria
60: 5-8. digital automatitzada en geomorfologia: dinmica
morfo-sedimentaria en ros y gravas. Projecte de
DANDOIS, J.; ELLIS, E. (2013). High spatial final de Master en SIG i Teledetecci. Universidad
resolution three-dimensional mapping of de Zaragoza.
vegetation spectral Dynamics using computer
vision. Remote Sensing Environtment, 136, 259-276. NINYEROLA, M.; PONS, X.; ROURE, J.M.
(2000). "A methodological approach of
DJI (2015). Phantom 2 Vision Plus User Manual climatological modelling of air temperature and
v1.8 en V2. http://download.dji- precipitation through GIS techniques", International
innovations.com/downloads/phantom-2- Journal of Climatology, 20, 1823-1841.
vision/en/Phantom_2_Vision_User_Manual_v1.8
_en.pdf PADR, J.C. (2014). Anlisi dels canvis de les
cobertes del sl durant el perode 1956-2009 en
DUNFORD, R.; MICHEL, K.; GAGNAGE, dues finques afectades per lincendi de 1998 a la
M.; PIGAY, H.; TRMELO, M.L. (2015). Catalunya Central. Treball de fi de grau. UAB:
Potential and constraints of Unmanned Aerial Dipsit Digital de Documents.
Vehicle Technology for the characterization of
Mediterranean riparian forest. International Journal PIQU, M.; ROM, J.; VERICAT, P.
of Remote Sensing, 30:19, 4915-4935. (2007). Caracterizacin de las masas de robles
submediterrneos (Quercus humilis e hbridos afines)
FENG, Q.; JIANTAO, L.; GONG, J. (2015). como base para la definicin de propuestas de
UAV Remote sensing for urban vegetation gestin en el prepirineo cataln. Cuadernos de la
mapping using random forest and texture Sociedad Espaola de Ciencias Forestales, 21, 67-74.
analysis. Remote Sensing, 7, 1074-1094.
PLANA, E. (Ed.) (2007). Gesti del risc
HUNG, C.; XU, Z.; SUKKARIEH, S. (2014). dincendi, ecologia del foc i restauraci de zones
Feature learning based aprroach for weed cremades. Solsona: Xarxa ALINFO.
classification using high resolution aerial images
from digital cmera mounted on a UAV. Remote PONS, X.; ARCALS, A. (2012). Diccionari
Sensing, 6, 12037-12054 terminolgic de Teledetecci. Barcelona: Institut
Cartogrfic de Catalunya.
HARALICK, R.; SHANMUGAM, K.;
DINSTEIN, I. (1974). Textural features for PONS, X. (1996). "Estimacin de la Radiacin
Imagen classification. IEEE, 6 (3), 610-621. Solar a partir de modelos digitales de elevaciones.
Propuesta metodolgica". A: VII Coloquio de
LALIBERTE, A.; HERRICK, J.; RANGO, A.; Geografa Cuantitativa, Sistemas de Informacin
WINTERS, C. (2010). Acwuisition, Geogrfica y Teledeteccin. Juaristi, J. i Moro, I.
orthorectification, and Object-Based Classification (eds.) Vitoria-Gasteiz.
of UAV imagery for rangeland monitoring.
Photogrammetric Engineering & Remote Sensing, 76 (6), REMONDINO, F.; BAZZARETTI, L.; NEX,
661-672. F.; SCAIONI, M.; SARAZZI, D. (2011). UAV
photogrammetry for mapping and 3D modelling
LALIBERTE, A.; RANGO, A. (2011). Imagen current status and future perspectives. International
processin and classification procedures for analisys Archieves of the Photogrammetry, Remote Sensing and
of sub-decimeter imagery acquired with an UAV Spatial Informations Sciences. 38 (1)
over arid rangelands. GIScience & Remote
Sensing, 48 (1), 4-12.
TURNER, D.; LUCIEER, A.; MALENWSK,
LELONG, C.; BURGER, PH.; JUBELIN, G.; Z.; KING, D.H.; ROBINSON, S.A. (2014).
ROUX, B.; LABB, S.; BARET, F. (2008). Spatial co-registration of ultra-high resolution
Assesment of UAV imagery for quantitative visible, multiespectral and thermal images acquired
24
Anlisis de imgenes procedentes de UAV para la obtencin de aplicaciones en el seguimiento de la biodiversidad
25