ANLISIS DE IMGENES PROCEDENTES DE VEHCULOS AREOS NO

TRIPULADOS (UAV) PARA LA OBTENCIN DE APLICACIONES EN EL

SEGUIMIENTO DE LA BIODIVERSIDAD.

AUTORES: JOAN-CRISTIAN PADRO GARCIA (joancristian.padro@gmail.com) y JOAN TORRES

BATLL (mdtb2302@hotmail.com).
DIRECTORES: Dr. LLUIS BROTONS (lluis.botons@ctfc.es) y MAGDA PLA (magda.pla@ctfc.es).

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
cualitativas entre el tipo de plataformas y sensores
utilizados por los autores de referencia y los
utilizados en el artculo aqu introducido son
considerables (tablas 3 i 4).
La mayora de autores utilizan Agisoft PhotoScan Pro
1.0.0 como el software apropiado para el
procesamiento de las imgenes y la generacin de
ortofotos (Muoz, 2014). Concluyen que calidad-
precio es un programario muy asequible y da
buenos resultados (Muoz, 2014). Laliberte
(Laliberte et al, 2008) utiliza como programa de
fotogrametra digital eCognition. El factor
determinante entre los autores de los artculos
citados y este estudio est en las herramientas
utilizadas (plataformas y sensores) y en el GPS-
diferencial que llevan incorporados los UAV,
hecho que les permite tener georreferenciadas las
imgenes. Tambin hay autores como Turner
(Turner et al, 2008), Lelong (Lelong et al, 2008),
Dandois (Dandois et al, 2013), Remondino
(Remondino et al, 2011) y Zahawi (Zahawi et al,
2014) que utilizan GCP (puntos de control sobre el
terreno) mediante GPS diferenciales, hecho que les
permite obtener errores menores a la medida del
pxel cuando mosaican las imgenes y corregistran
las ortofotos. En este caso (Zahawi et al, 2014),
utiliza un GPS-diferencial (Trimble GeoXT
2008).El error de este GPS es menor a 5 cm,
hecho que permite obtener un MDE de muy
buena calidad y una ortofoto georeferenciada.
Otros autores (Remondino et al, 2011) y (Muoz,
2014), exportan la nube de puntos y hacen una
interpolacin mediante ArcGIS.
Las ortofotos generadas son verdaderas, es decir
utilizan un Modelo Digital de Superficies.
Tericamente, este MDS puede ser comparado
con MDS generados en posteriores vuelos para
analizar las diferencias y extraer conclusiones sobre
el crecimiento de la vegetacin, as como analizar
las diferencias con un MDE de detalle y estimar la
cantidad de biomasa existente dentro del rea de
estudio.
En cuanto a la clasificacin en s, Laliberte
(Laliberte et al, 2008) realiza una clasificacin
jerrquica en funcin de las diferentes respuestas
espectrales de los objetos/cubiertas que
conforman su zona de estudio. El primer paso
consiste en la separacin de dos zonas: con
sombras y sin sombras utilizando un Modelo
Digital de Sombras. El segundo paso consiste en la
diferenciacin de diferentes sub-zonas dentro de la
zona de no-sombra: vegetacin y suelo desnudo.
El tercer paso consiste en clasificar los diferentes
tipos de vegetacin, apoyndose en la creacin de
variables de textura que ayuden a discriminar
cubiertas con respuesta espectral similar. El autor
introduce las siguientes variables (tabla 2):
2
Tabla 2: Variables utilizadas en la clasificacin.
RGB
RATIOS (RGB)
NDVI (RG,GB,BR)
DESV_EST(R,G,B)
VARIABLES
(HSI)
AREA
DENSITY
ROUGHNESS
Fuente: (Laliberte et al, 2008).
Una vez generadas estas variables el autor calcula
la matriz de correlaciones para observar qu
relacin tienen entre ellas y discrimina todas
aquellas superiores al 0.9 por medio del programa
CART. Acaba seleccionando un total de 10
variables de las cuales 6 son espectrales (NDVI,
RG, Desviacin Estndar G, Saturacin y Ratio B,
relacin con R y Desviacin Estndar B), 3 son
espaciales (rea, Densidad y Curvatura) y 1 es
caracterstica contextual (diferencia de medianas de
vecindad). Una vez realizada toda la clasificacin
evala la precisin mediante reas de test y el
ndice Kappa, extrado de la matriz de
confusiones. El resultado del ndice Kappa para
toda la zona de estudio fue de 0.61, con el que el
autor se muestra satisfecho.
El Centro Tecnolgico y Forestal de Catalua
(CTFC) ha impulsado este proyecto en el cual se
quiere evaluar qu posibilidades pueden ofrecer, en
el mbito de las aplicaciones ecolgicas y
forestales, la explotacin de imgenes RGB
procedentes de vehculos areos no tripulados
(UAV). Una de las principales lneas de
investigacin del CTFC es el estudio de la
regeneracin post-incendio (Valor et al, 2015),
(Tusell et al, 2014), (Castellnou et al, 2009), (Piqu et
al, 2007), (Plana, 2007). El Trabajo pretende
detectar las posibilidades de estas imgenes para el
anlisis de los procesos de regeneracin forestal a
partir de tcnicas de fotogrametra y de la
clasificacin de cubiertas del suelo.
Se define como objetivo general de este articulo el
establecimiento de un protocolo que defina el
camino a seguir des de la adquisicin de las
imgenes con UAV hasta la generacin de
clasificaciones de cubiertas del suelo y tipos de
vegetacin (figura 1) y que sea de utilidad en el
CTFC. Un objetivo especfico es contrastar cuales
son los lmites del espectro visible, hasta donde se
puede llegar utilizando nicamente esta Fuente de
datos para la realizacin de clasificaciones. Gracias
al bajo coste del material utilizado, se pretende dar
continuidad a los productos generados, realizando
vuelos en aos sucesivos para poder cuantificar (a
travs de un SIG) los cambios en los mapas de
cubiertas del suelo generados. De este modo se
espera conseguir informacin objetiva sobre la
evolucin de la regeneracin post-incendio.
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
en el incendio del Solsons (1998). ste, afect un
total de 26280 ha, de las cuales 15408 ha fueron
bosques densos (Padr, 2014). La superficie
estudiada ocupa 3 ha y se focaliza en un bosque
situado en el municipio de Riner. Cabe remarcar
que el rea de estudio es meramente experimental,
ya que el propsito de este artculo es mostrar un
protocolo donde se definan los pasos a seguir en el
tratamiento de imgenes obtenidas mediante UAV.
Por tanto, no se analiza el mbito de objeto de
estudio en s mismo, sino que se utiliza como
muestra con la intencin de poder repetir el mismo
proceso en cualquier otro mbito de caractersticas
similares.
Figura 1: Protocolo de trabajo general que se sigue
en el presente artculo.
Planificacin de los vuelos
Adquisicin de las imgenes
Procesamiento de las imgenes.
Generacin de ortofotos
Corregistro entre vuelos y cartografa oficial
Generacin y validacin del MDS
Generacin de variables y clasificacin de cubiertas
Fuente: Elaboracin propia.
En este trabajo, tanto la plataforma como el sensor
son muy bsicos (premisa del estudio), recurriendo
a material de bajo coste para comprobar hasta qu
punto puede explotarse y cul es el mximo de
provecho que se puede obtener.
2. REA DE ESTUDIO
El rea de estudio se localiza dentro de la comarca
del Solsons (Catalunya Central) situada entre la
Depresin Central y el Prepirineo. Concretamente
se trabaja en una zona del municipio de Riner, en
el quilmetro 3 de la carretera LV-3002 (long: 1
29' 55.48506'' lat: 41 55' 22.92654'') y abasta un
total de 3.3 ha (figura 2).
La vegetacin del estrato arbreo que se encuentra
en la zona de estudio, al igual que en gran parte del
sud del Solsons, est constituida mayoritariamente
por bosques de roble valenciano (Quercus fagnea
3
subsp. fagnea) con algn grupo de pinaza (Pnus
ngra subsp. salzmnnii); la vegetacin del
sotobosque est formada brollas y matojos de
media montaa. Una temperatura media anual de
13C y una pluviosidad anual 700 mm (Ninyerola et
al, 2000) favorecen el establecimiento de estos
bosques. Destaca la presencia de poblaciones de
pinaza por encima de los rebrotes del roble.
Geomorfolgicamente, se encuentra justo sobre la
divisoria de aguas de las concas del Cardener y el
Segre, que en este tramo coincide con la carretera
LV-3002. La altura del terreno se sita entre los
836 m y los 870 m (ICGC, full 374-642 LIDAR).
Geolgicamente forma parte de la Depresin del
Ebro, concretamente la Formacin Solsona,
compuesta por materiales sedimentarios del
oligoceno (Mata-Perell, 2013).
Figura 2: Localizacin y mbito de la zona de
estudio.
Fuente: Ortofoto 25cm. ICGC y polgono de
elaboracin propia con MiraMon.
3. MATERIAL Y MTODOS
El flujo de Trabajo general ha estado (figura 3):
a) Recopilacin de la bibliografa con especial
atencin a los materiales y tipos de clasificaciones
utilizados.
b) Trabajo de campo basado en la planificacin y
realizacin de 4 vuelos, as como el inventario de
especies vegetales presentes en la zona de estudio.
La zona de estudio se ha visitado varias veces para
observar los cambios biolgicos que se producen
debidos a la dinmica de los procesos naturales, as
como las diferentes tonalidades que obtiene cada
especie en funcin de la poca y su
comportamiento fenolgico. La informacin
recogida ha sido de mucha ayuda en el proceso de
la clasificacin (seccin 3.3.4), aportando un
criterio subjetivo que permite debatir los resultados
(automticos y objetivos) que el ordenador genera.
c) Trabajo de estudio en el cual se procesan las
imgenes obtenidas, se generan las ortofotos y los
Anlisis de imgenes procedentes de UAV para la obtencin de aplicaciones en el seguimiento de la biodiversidad

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):

Tabla 5: Caractersticas bsicas de cada vuelo

realizado.
Vuelo Fecha Hora N imgenes totales
local del vuelo
1 01/03/2015 14:24 84
2 03/03/2015 10:10 77
3 21/05/2015 10:00 134
30 cm 4 25/06/2015 11:19 132
Fuente: Elaboracin propia. Fuente: Elaboracin propia. Todas las imgenes
obtenidas son en formato JPEG.
-Plataforma: El UAV utilizado como plataforma
para realizar los vuelos ha estado el DJI Phantom -Cartografa oficial: Hoja 273-100 de la Ortofoto
Vision 2 + (figura 4). Sus caractersticas tcnicas de Catalunya 1:2500 (OF-25C) v3.3, vuelo
son las siguientes (tabla 3): realizado en Junio de 2014 y disponible en el sitio
web del Instituto Cartogrfico y Geolgico de
Tabla 3: Especificaciones tcnicas de la Catalua (www.icgc.cat).
plataforma utilizada. Hoja 374-642 de la capa de puntos LIDAR
Peso con Sensibilidad del Mxima velocidad disponible en el sitio web del Instituto
batera (gr) planeamiento (m) de giro horizontal Cartogrfico y Geolgico de Catalua
(/s) (www.icgc.cat).
1000 Vertical: 0.8 200
Horizontal: 2.5 -Software fotogrametra digital: El programario
Mxima Mxima velocidad Mxima longitud
utilizado para realizar el tratamiento de las
velocidad de de vuelo (m/s) (mm)
ascenso (m/s) imgenes una vez obtenidas despus del vuelo ha
6 10 350 sido Agisoft PhotoScan. Las caractersticas del
Tiempo de Mximo peso de Temperatura de programa se encuentran en
vuelo mximo despegue (Kg) trabajo (C) http://www.agisoft.com/ y en el manual del
(min) usuario (Agisoft, 2014).
25 1.3 -5 a 50
Batera Peso de la batera Corriente de carga -Softwares GIS: Los programas utilizados para la
(gr) (A) realizacin del tratamiento de las ortofotos
5200mAh Lipo 340 4 realizadas con Agisoft han sido MiraMon, ArcGIS,
Frecuencia de Distancia de Sensibilidad del ENVI e IDRISI.
operacin comunicacin (m) receptor
(Ghz) (1%PER) (dBm)
2.4 1000 -97
Alimentacin Consumo de
potencia
4 Bateras AA 100mA 6V
Fuente: DJI.

4
Anlisis de imgenes procedentes de UAV para la obtencin de aplicaciones en el seguimiento de la biodiversidad
3.3. Metodologa. Protocolo seguido
Notas previas sobre las imgenes utilizadas y los
resultados obtenidos:
* El aspecto geomtrico: Teniendo en cuenta el
que el material disponible no incluye GNSS
Diferenciales o GNSS RTK que determinen la
posicin exacta de ciertos puntos de control sobre
el terreno con una precisin menor al lado de pxel
ms pequeo utilizado (2.5 cm), el mosaicado de
las imgenes con las cuales se generar la ortofoto
de cada vuelo se realiza de manera semi-automtica
con el programario de Agisoft. ste, sita las
imgenes individuales en el espacio basndose en
la coordenada que el GPS de a bordo ha registrado
en cada captura. No obstante, el GPS no tiene una
precisin suficiente y una vez las imgenes
mosaicadas y generada la ortofoto, sta se
encuentra desplazada respecto a la cartografa de
referencia. La labor de corregistrar las imgenes
entre ellas es complicada y no est libre de errores,
ya que se fundamenta en el correcto
posicionamiento de puntos de control digitalizados
manualmente. Primero se han georreferenciado las
ortofotos de alta resolucin (2.5 cm) entre ellas
tomando la del vuelo 3 como referencia; el inters
cae en aprovechar al mximo la resolucin que
ofrecen los UAV. En segundo lugar, una vez
densificadas a 25 cm, han sido todas
georreferenciadas respecto la ortofoto oficial
vigente a 25 cm, cartografa disponible en el sitio
web del Instituto Cartogrfico de Catalua
(www.ICGC.cat); el inters de la densificacin cae
en la obtencin de ortofotos comparables con las
oficiales en el espacio temporal que han entre
vuelos del ICGC (tpicamente 1 ao),
aprovechando el bajo coste y la versatilidad
temporal de los UAV.
* El aspecto radiomtrico: Cabe destacar que se
trabaja con nmeros digitales (DN), ya que se
desconoce la funcin lineal que convierte los
valores registrados por la CCD (sensor) de la
cmara del UAV en radiancias; este hecho impide
calcular la reflectividad de las cubiertas y las
imgenes no son plenamente comparables; en
definitiva, no se miden magnitudes fsicas.
* Evaluacin de la precisin: Para calcular la
precisin en la georreferenciacin de las imgenes,
la interpolacin de la nube de puntos y el resultado
final de las clasificaciones se han empleado los
siguientes mtodos:
Para determinar la precisin en la correccin
geomtrica de las imgenes, se han introducido
puntos de test y se ha calculado la raz cuadrada de
la mediana de los errores (RMS) entre la posicin
conocida (a priori de la correccin) y la posicin de
destino (a posteriori de la correccin) de cada
5
punto. Se estima un error en la determinacin de
las X, las Y y el conjunto de X-Y. Una vez hecho
el proceso de la correccin geomtrica y
determinado el RMSxv, ste muestra un dato
equivalente a la desviacin tpica. Este dato no ha
de ser entendido como el error mximo que ha
habido sino como un indicador del error global:
asumiendo una distribucin normal de los errores,
el 68.27% de los errores se encuentran por debajo
del RMS indicado, un 95.45% por debajo de 2
veces el RMS y un 99.76% por debajo de 3 veces el
RMS. Generalmente y, para que este error sea
aceptado, ha de estar por debajo de la medida del
pxel (2 * RMS < medida pxel).
En la evaluacin de los Modelos Digitales de
Superficies generados a partir de la interpolacin
de puntos, se ha utilizado la validacin cruzada.
Este mtodo, tambin conocido como jackknife
(Manly, 1986), realiza iterativamente la
interpolacin sin utilizar un punto (cambiante en
cada iteracin), midiendo la diferencia entre el
valor conocido y el valor interpolado; la raz
cuadrada de la mediana de los errores al cuadrado,
es el valor sinttico de estimacin del error en
altitud (RMSz).
Respecto a la evaluacin de los resultados
vinculados con la clasificacin temtica se utiliza el
ndice Kappa. Este ndice evala la concordancia
de medidas categricas. En la interpretacin del
ndice Kappa (matriz de confusiones) se ha de
tener en cuenta que este ndice depende del
acuerdo observado, pero tambin de la simetra del
total estudiado. A travs de la matriz de
confusiones se recoge un acierto total de la
clasificacin y se ponderan los aciertos por el
nombre de casos en cada categora. La matriz de
confusiones aporta informacin sobre errores de
omisin y de comisin en cada categora, y la
exactitud del usuario y del productor. La exactitud
del usuario cuantifica el porcentaje de celdas de
test asignadas a una determinada categora que
realmente son de esta categora, mientras que la
exactitud del productor cuantifica el porcentaje de
celdas de test iniciales de una determinada
categora y que han estado clasificadas
correctamente como tales.
3.3.1. Adquisicin de las imgenes
La planificacin del vuelo se ha realizado con el
soporte del mismo programario que PHANTOM
(DJI,2014) pone a disposicin del usuario, en el
cual se indica interactivamente el recorrido del
vuelo deseado, la altura del vuelo deseado, la altura
mediana respecto al terreno y el intervalo de
disparos. Los parmetros escogidos han sido 5 m
sobre el terreno y 3 segundos de intervalo entre
captura y captura de imagen. Tambin se ha
probado un vuelo a 100 m pero ha sido descartado
para mantener la serie a 50 m de todos los vuelos,
que genera un tamao de pxel terico de unos 2
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.

3.3.2. Mosaicado de imgenes y generado de

ortofotos.

Agisoft genera un informe con el resumen de las

localizaciones del UAV en la captura de cada
imagen segn la posicin del GPS de a bordo. Este
dato sirve para obtener unas localizaciones Fuente: AGISOFT.
orientativas que el programa utiliza para ordenar
las imgenes en el espacio. A partir de aqu, Agisoft Figura 6: Localizacin de la captura de las 45
orienta las fotos y busca puntos geomtrica y imgenes y estimaciones del error del vuelo 2:
radiomtricamente parecidos que utiliza como
puntos de enlace entre fotos individuales vecinas.
A continuacin se muestran las posiciones de
captura de cada fotografa utilizada para hacer las
ortofotos de los vuelos 1, 2, 3 y 4. stas, se han
confeccionado con las fotografas centrales del
rea recubierta, ya que las ms perifricas tenan
muchas distorsiones, seleccionando por cada vuelo
el nmero de imgenes pertinentes (tabla 6).

Tabla 6: nmero de imgenes capturadas y

orientadas para generar la ortofoto de cada vuelo.
Vuelo N de imgenes N de imgenes
totales del vuelo finalmente utilizadas
1 84 48
2 77 45
3 134 74 Fuente: AGISOFT.
4 132 85
Fuente: Elaboracin propia. Todas las imgenes Figura 7: Localizacin de la captura de las 74
obtenidas son en formato JPEG. imgenes y estimaciones del error del vuelo 3:

En el informe que emite Agisoft figura la

evaluacin del error entre la localizacin que ha
registrado el GPS de a bordo y la localizacin
estimada que se utiliza para hacer el mosaico. En
los siguientes grficos, los errores en Z se
representan con el color de la elipse, los errores en
X-Y por la forma de la elipse (figuras 5 a 8).

Fuente: AGISOFT.

6
Anlisis de imgenes procedentes de UAV para la obtencin de aplicaciones en el seguimiento de la biodiversidad

Figura 8: Localizacin de la captura de las 74 Tabla 8: Caractersticas fotogramtricas vuelo 2.

imgenes y estimaciones del error del vuelo 4: Nmer Altura Resoluci rea Puntos de
o de de n sobre el levantad enlace
imgene vuelo terreno a (ha.) establecid
s median (m./pxel os por
a sobre ) Agisoft
el
terreno
(m.)
0.021087
45 51.359 2.81753 59362
1
Fuente: AGISOFT. Escala 1:10272 (focal 5 mm)

Tabla 9: Caractersticas fotogramtricas vuelo 3.

Nmer Altura Resoluci rea Puntos de
o de de n sobre el levantad enlace
imgene vuelo terreno a (ha.) establecid
s median (m./pxel os por
Fuente: AGISOFT. a sobre ) Agisoft
el
Los mosaicos de los dos primeros vuelos tienen terreno
importantes defectos de forma. La altitud del (m.)
primer vuelo no ha sido la deseada (tabla 7), 0.021433
74 52.203 5.63247 150069
mientras que en el segundo vuelo el nombre de 9
imgenes capturadas y tiles ha sido insuficiente Fuente: AGISOFT. Escala 1:10441 (focal 5 mm)
para realizar un buen mosaicado (tabla 8). Tabla 10: Caractersticas fotogramtricas vuelo 4.
Nmer Altura Resoluci rea Puntos de
El vuelo 3 ha servido para realizar la mayora de las o de de n sobre el levantad enlace
experimentaciones debido a la suficiente cantidad imgene vuelo terreno a (ha.) establecid
de imgenes (tabla 9). No obstante, cuando se ha s median (m./pxel os por
hecho el vuelo 4, se ha determinado como el ms a sobre ) Agisoft
completo y til para las finalidades de este trabajo el
(tabla 10). terreno
(m.)
Este ltimo vuelo no solo presenta un nmero de 0.022099
85 53.824 6.08589 111234
imgenes suficiente, sino que ha sido realizado en 4
un da y hora en el cual la posicin solar estaba Fuente: AGISOFT. Escala 1:10765 (focal 5 mm)
muy cercana al zenit (tabla 5) y las sombras son
prcticamente nulas, pudiendo calificar la imagen Mscaras: Una vez obtenidas todas las imgenes
de limpia. individuales seleccionadas, se aplica una mscara
rectangular enmarcando la zona central de cada
Tabla 7: Caractersticas fotogramtricas vuelo 1. foto para eliminar las distorsiones de las zonas
Nmer Altura Resoluci rea Puntos de exteriores. Una mscara demasiado ancha reduce el
o de de n sobre el levantad enlace solapamiento entre imgenes y entorpece la
imgene vuelo terreno a (ha.) establecid bsqueda automtica de puntos de paso entre
s median (m./pxel os por imgenes. Una mscara demasiado delgada no
a sobre ) Agisoft elimina las distorsiones de manera efectiva. La
el mscara utilizada ocupa 350 pxels en cada lado, es
terreno decir, se reduce prcticamente un 16% de los
(m.) laterales (recubrimiento transversal) y un 21% de
0.017959 los mrgenes superior e inferior (recubrimiento
48 43.741 5.04906 85638 longitudinal); es por este motivo que el intervalo
4
Fuente: AGISOFT. Escala 1:8748 (long. focal 5 entre capturas es el mnimo posible, 3 segundos.
mm)
Orientar fotos: Agisoft coloca las imgenes en el
espacio siguiendo los datos registrados por el GPS
del UAV en cada imagen en el momento de la
captura, en el SRH lat/long y datum WGS84. Una
vez situadas, automticamente las orienta en
funcin de los pxeles radiomtrica y
geomtricamente homlogos que encuentra en las
imgenes adyacentes. Este proceso es costoso en
tiempo de procesamiento (>1hora). Una vez
7
Anlisis de imgenes procedentes de UAV para la obtencin de aplicaciones en el seguimiento de la biodiversidad

orientadas, Agisoft proporciona un valor de ajuste

entre fotos. En funcin de este valor y de un
correcto recubrimiento del rea a levantar, se
seleccionan las imgenes ms idneas y vuelven a
orientarse. Este paso es necesario para depurar las
imgenes mal capturadas. Si hace falta, se repite el
proceso varias veces.

Exportar ortofoto: Se utiliza el formato TIFF para

conservar la georreferenciacin que ha realizado
Agisfot. Aunque puede modificarse la dimensin
del pxel de salida, se deja el pxel por defecto y des
de MiraMon se controla el mtodo de
interpolacin en el remuestreo. Se ha de ir con
cuidado porque Agisoft no contempla que la CCD
de DJI sea rectangular (como la utilizada en este
trabajo), as que el lado definido en X tendr que
copiarse al de Y; en caso contrario el pxel de salida
ser rectangular.

Importar ortofoto: Se visualiza la imagen con

ENVI y se guarda en formato GeoTIFF con los
datos intercalados por bandas (BSQ). As,
MiraMon es capaz de importarlo mejor al formato
propio IMG, manteniendo la resolucin
radiomtrica de 32 bits (8 x 3 bandas). Se utiliza
siempre el valor 0 como a NODATA.

Proyeccin cartogrfica: Se reciben los ficheros

con el SRH lat/long y datum WGS84, con el lado
de celda por defecto (figuras 16 a 19). Estas sern
las imgenes origen de los sucesivos procesos.
Para facilitar los clculos se opta por trabajar con
un sistema de referencia horizontal UTM y datum
ETRS89, as que se hace la proyeccin. Con el
motivo de homogeneizar el lado de pxel, se
trabajar con 2.5 cm (figura 9), ya que tiene la
virtud de ser mltiple de los diferentes lados de
pxel que queremos tratar posteriormente: 5 cm y
25 cm.

Figura 9: Resultado de las ortofotos generadas

por cada vuelo (2.5 cm de resolucin).

Fuente: AGISOFT. Visualizacin con MiraMon.

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
asignar el valor del pxel al hacer el cambio de
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
algn vecino con valor vlido, adquieren un nuevo
valor, hecho no deseable. Como puede observarse,
estos efectos no suceden con el mtodo escogido
(figura 11).
Figura 10: Imagen original (izquierda) vs. Imagen
georeferenciada con mtodo bicbico (derecha).
Fuente: Vuelo 3. Visualizacin con MiraMon. 2.5
cm/p
Figura 11: Imagen original (izquierda) vs. Imagen
georreferenciada con vecino ms cercano
(derecha).
Fuente: Vuelo 3. Visualizacin con MiraMon. 2.5
cm/p
Se ha de tener en cuenta, que aunque los RGB
estn en el mismo SRH y lado de pxel, las
imgenes no estn corregistradas. La poca
precisin del GPS de a bordo y la manca de puntos
de control precisos sobre el terreno, hacen que
haya un desplazamiento entre imgenes (figura 12).
9
Figura 12: Manca de corregistro entre dos
ortofotos.
Fuente: Elaboracin propia a partir de los vuelos 2
y 4.
Corregistro (I): Se corregistran todos los vuelos
respecto a la ortofoto del vuelo que presenta una
mejor geometra. Se toma el vuelo 3 como
referncia y se busca el mismo pxel en las otras
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):
Tabla 11: Puntos de ajuste, de test i RMSxy de la
correccin geomtrica de la ortofoto de los vuelos
1, 2 y 4 respecto el vuelo 3.
Vuelo Puntos Puntos RMSxy RMSxy
ajuste de test (1er grado) (2on
(m) grado) (m)
1 18 4 0.319440 0.1374
2 21 5 1.904840 0.507221
4 18 5 0.297586 0.099935
Fuente: Elaboracin propia y MiraMon.
La funcin utilizada para asignar a cada pxel
orgen una celda destino puede ser de 1er o 2
grado. Se comparan los resultados de la
georeferenciacin mediante puntos de control,
utilizando por un lado la funcin de 1er grado y
por otro lado una funcin de 2 grado. La funcin
de 1er grado nicamente hace inclinacin, rotacin
y traslacin mientras que la de 2 grado adems de
inclinar, mover y girar la imagen, tambin realiza
cambios en la perspectiva. Es de esperar que la
funcin de segundo grado ajuste mejor la imagen.
FUNCIN DE 1ER GRADO:
X=A+Bx+Cy
Y=A+Bx+Cy
FUNCIN DE 2O GRADO:
X=A+Bx+Cy+Dx2+Ey2+Fxy
Y=A+Bx+Cy+ Dx2+Ey2+Fxy
Corrigiendo las imgenes con una ecuacin de 1er
grado se aprecia que en algunas zonas de la imagen
el ajuste es excelente, pero en otras es peor. En
cambio, con la ecuacin de 2 grado el ajuste es
visualmente mejor fijndonos en la alineacin de
Anlisis de imgenes procedentes de UAV para la obtencin de aplicaciones en el seguimiento de la biodiversidad
las carreteras. Adems, cuantitativamente el clculo
del RMSxy da unos resultados mejores (tabla 11).
Con tal de acotar el rea de estudio, se recorta cada
ortofoto con un marco, delimitando un mbito
general que excluya zonas perifricas. El marco
con el cual se trabaja a partir de ahora tiene unas
dimensiones de 175 x 175 metros (figura 13).
Una vez corregistradas entre ellas, se pueden
densificar las ortofotos de 2.5 cm a diferentes
lados de pxel (5 cm, 10 cm, 25 cm), aunque el
artculo solo presenta las de 2.5 cm y las de 25 cm.
La srie a 5 cm permitira ofrecer un producto con
imgenes ms manejables sin sacrificar demasiada
resolucin espacial (tabla 12), mientras que la srie
a 25 cm tiene la finalidad de corregistrarla con la
ortofoto del ICGC. As, aunque perdiendo
resolucin espacial, las densificaciones de pxel
tienen un inters concreto segn los objetivos
definidos.
Figura 13: Recorte donde se focaliza el mbito de
estudio.
Fuente: Elaboracin propia con la orto del vuelo 2.
Tabla 12: Tamao de cada fichero .IMG de las
ortofotos (RGB) segn el lado de celda.
Lado de celda Filas y Tamao
(cm) columnas (Kbytes)
2.5 7000
5 3500
25 700
Fuente: Ortofotos recortadas por el marco
comentado (175 x 175 metros) y tipo de dato Byte.
Corregistro (II): En cuanto a las imgenes de 25
cm, ha de recordarse que las imgenes generadas
hasta ahora no estan corregistradas con la
cartografa de referncia del ICGC. Por lo tanto, se
ha de volver a realizar el proceso de
georeferenciacin con puntos de control pero
ahora tomando como referncia la ortofoto del
ICGC a 25 cm de resolucin. Se aconseja ajustar
primero la imagen utilizada como referncia (vuelo
3 en nuestro caso), y una vez ajustada aplicar los
mismos coeficientes de la funcin de ajuste a las
otras imgenes, en nuestro caso el vuelo 4.
Con tal de escoger entre el uso de la funcin de 1er
o 2 grado, y realizando las pruebas pertinentes se
llega a la conclusin que en este caso se ajusta
mejor la funcin de 1er grado (figura 14);
basndonos en el criterio visual, se puede observar
como las carreteras tienen mejor continuidad en la
correccin con la funcin de 1er grado que con la
de 2o grado (figura 15).
Figura 14: Ajuste visual de la correccin
geomtrica del vuelo 3 respecto la ortofoto oficial
utilizando una funcin de 1er grado.
Fuente: Vuelo 3 y ortofoto 25 cm ICGC.
Figura 15: Ajuste visual de la correccin
geomtrica del vuelo 3 respecto la ortofoto oficial
utilizando una funcin de 2o grado.
47.852
11.957
519
Fuente: Vuelo 3 y ortofoto 25 cm ICGC.
10
Anlisis de imgenes procedentes de UAV para la obtencin de aplicaciones en el seguimiento de la biodiversidad
De hecho es una conslusin esperable, ya que solo
se trata de trasladar la ortofoto des de una posicin
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
error es menor a una celda en el 95% de los casos
(figura 16).
Figura 16: Detalle del ajuste visual entre la
ortofoto a 25 cm vigente y el vuelo 3.
Fuente: Elabrotacin propia a partir de la ortofoto
vigente a 25 cm ICGC y la ortofoto del vuelo 3
georeferenciada con puntos de control.
En cuanto al mtodo de interpolacin, visualmente
llegamos a la conclusin que el mtodo del vecino
ms cercano es el ms apropiado, ya que mantiene
ms los contrastes (figura 17). En cambio, las
interpolaciones lineal y bicbica dan unos
resultados ms borrosos (figura 18). En el caso de
un rster con valores continuos como el del MDS,
es preferible el mtodo bicbico para dar
continuidad a la variable, pero tratndose de celdas
que contienen valors RGB creemos que hace falta
mantener la radiometria, aunque se trate de DNs
(no de radiancias). Conviene tener presente que
hasta este punto se han realizado dos procesos de
interpolacin (1 canvio de resolucin +
1georeferenciacin).
Figura 17: Detalle de la correccin geomtrica por
vecino ms cercano del vuelo 3 (25 cm).
Fuente: Zoom a la ortofoto del vuelo 3
corregistrada con la ortofoto oficial por vecino
ms cercano.
11
Figura 18: Detalle de la correccin geomtrica por
interpolacin bicbica del vuelo 3 (25 cm).
Fuente:Zoom a la ortofoto del vuelo 3
corregistrada con la ortofoto oficial con
interpolacin bicbica.
3.3.3. Generacin de Modelos Digitales del
Terreno (MDT)
Notas previas sobre los MDT, el objetivo de este
apartado y los resultados obtenidos:
Delante de la habitual confusin en el uso de la
terminologa empleada en este apartado, utilizamos
los trminos fundamentales tal como se definen en
el Diccionari terminolgic de teledetecci (Pons
y Arcals, 2012; entr. 1922, 1926 i 1927). En
resumen:
Modelo Digital del Terreno (MDT): Estructura
numrica de datos que describe la distribucin
espacial de una variable cuantitativa continua.
Modelo Digital de Elevaciones (MDE):
Modelo Digital del Terreno que recoge los datos
topogrficos i/o batimtricos. Las alturas recogidas
son ortomtricas, no elipsoidales. Si no se dice lo
contrario, se supone que los datos son sobre el
suelo desnudo, sin vegetacin ni construcciones
humanas.
Modelo Digital de Superficies (MDS): Modelo
Digital del Terreno en que la variable cuantitativa
continua es la altura de la superficie, de manera
que considera la vegetacin, edificios, puentes, etc.
Agisoft genera una ortofoto verdadera, razn por
la cual necesita un MDS. Este modelo de alturas lo
genera automticamente mediante trigonometra y
paralaxi, con los mismos mtodos que utiliza la
estereoscopa (Agisoft, 2014), pero tiene una
resolucin entorno a los 30 cm y no se puede
dominar el mtodo de interpolacin. Las alturas
son relativas a la altura del vuelo, ni elipsoidales ni
ortomtricas. Es importante remarcar que aunque
Agisoft denomina DEM a su modelo, se trata de
un Modelo Digital de Superficies (MDS), es decir,
no reproduce la altura del suelo sino de los
elementos que contiene (rboles, edificaciones).
Siguiendo el artculo de Muoz (Muoz, 2014) se
exporta la nube de puntos (ASCII (XYZ)) y se
calcula un nuevo MDS con MiraMon.
El objetivo de ese apartado consiste en evaluar la
precisin del MDS generado a partir de la nube de
Anlisis de imgenes procedentes de UAV para la obtencin de aplicaciones en el seguimiento de la biodiversidad

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

puntos emitida por Agisoft. Fuente: Elaboracin propia a partir de la nube de
puntos emitida por Agisoft.
Figura 23: MDS a partir de la nube de puntos del
vuelo 3 mediante la interpolacin con el mtodo Figura 26: MDE a partir de la nube de puntos del
IDW a 2.5 cm. vuelo 4 mediante interpolacin con mtodo IDW a
2.5 cm:

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
vuelo 4 mediante interpolacin con mtodo IDW a
25 cm.
altura mnima del MDS generado a partir de los
puntos LIDAR, constante que para el MDS del
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.

La validacin de la exactitud en la interpolacin de

cada nube de puntos se realiza mediante la
validacin cruzada (ver pgina 5), emite los
siguientes valores (tabla 14).

Tabla 14: Datos bsicos de los MDS para los

vuelos 3, 4 y LIDAR (ICGC) a partir de las nubes
de puntos.
Vuelo Resoluci RMSz Valor Valor Mtodo
n (cm) (m) mnimo mximo
(m) (m)
LIDAR 25 1.72647 836.39569 869.27417 IDW
7 1 0
Fuente: Elaboracin propia a partir de la nube de LIDAR 25 0.49663 811.01107 888.28531 SPLIN
puntos emitida por Agisoft. 5 0 9 E
3 2.5 1.56633 836.66573 875.54251 IDW
Se obtienen, para el mismo mbito, los MDS 2 0 5
3 25 1.56445 836.41356 873.46951 IDW
directamente corregistrados con los vuelos n3 y 9 7 3
n4. Pero las alturas son relativas a la altura del 4 2.5 2.91017 836.43049 885.38284 IDW
vuelo del UAV sobre el terreno (tabla 13), hecho 5 3 4
que se corrige mediante el MDS de referencia 4 25 2.90642 837.76492 875.65849 IDW
(LIDAR). La principal utilidad del MDS de 3 8 1
referencia cae en encontrar la altura mnima de la Fuente: Elaboracin propia con MiraMon.
zona y sumarla al MDS realizado a partir de la
nube de puntos obtenida con Agisoft para cada Comparacin del MDS de los vuelos 3 y 4:
vuelo, y de este modo aproximarlo a alturas
absolutas. Para aproximar los MDS de cada vuelo a Aplicando la misma funcin de 2 grado utilizada
la altura sobre el nivel del mar, nos valemos del para corregistrar la imagen del vuelo 4 respecto el
MDS generado a partir de la cartografa de vuelo 3, se corregistra el MDS del vuelo 4 respecto
referencia (LIDAR) para encontrar la altura el MDS del vuelo 3. Se obtiene el mismo RMSxy,
mnima de la zona: 836.3957m. Tambin se le 0.099935 m. Adaptando los 2 rsters, se pueden
suma la altura mnima del vuelo para adecuar el hacer operaciones aritmticas, como la resta (figura
valor de la altura relativa al vuelo a la terica cota 28) para comparar los MDS de los dos vuelos y
del terreno. localizar donde se encuentran las diferencias. La
simple resta de los dos MDS a 25 cm da un rster
Tabla 13: Dadas bsicas de las nubes de puntos a con elevadas diferencias en el cuadrante norte-
partir de las cuales se generaran los MDS del vuelo oriental, mientras que en el cuadrante sud-
LIDAR, el vuelo 3 y el vuelo 4. occidental las diferencias son escasas; este
Vuelo N de Valor Valor Rango de comportamiento hace pensar que hay una
puntos mnimo mximo valores desviacin debido a errores en el corregistro.

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

Figura 28: Diferencia de alturas entre el MDS del

vuelo 3 y el MDS del vuelo 4. 3.3.4 Clasificaciones de cubiertas del suelo.

Pasos previos: Generacin de variables.

Una vez corregistradas las imgenes referentes a

los 4 vuelos se pueden extraer variables derivadas
de estas capas con tal de conformar el espacio
estadstico multi-dimensional que definir cada
pxel y permitir su clasificacin en categoras.

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).

Se ha utilizado la calculadora de MiraMon y se han

escalado los resultados entre 1 y 255 con tal de
optimizar todo el rango de valores disponible. Las
frmulas introducidas para los diferentes ndices
son:

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.
Ind. Verdor Ind. Blavor
Ind. Blau-Verd V-B-BV
Fuente: Elaboracin propia con MiraMon.
Peso de cada banda (RGB) en el total (
RGB):
A partir de los 3 RGB que disponemos podemos
generar nuevas capas (figura 32) que muestran el
peso de cada banda en cada celda concreta (DN)
respecto el total de DN de esa celda ( DN RGB).
(Laliberte et al., 2011) i a (Dunford, 2015).
Ratio de rojo/verde/azul:
RATIO R=R/(R+G+B)
RATIO G=G/(R+G+B)
RATIO B=B/(R+G+B)
Figura 32: Ratios de cada banda RGB para el
vuelo 3.
Ratio-B Ratio-R
Ratio-G Ratio-RGB
Fuente: Elaboracin propia con MiraMon.
Anlisis de vecindad. Texturas:
Las texturas sern obtenidas a travs de las
estadsticas derivadas de la matriz de concurrencia
de los DN presentes en las celdas vecinas a una
celda diana (Haralick et al, 1974).
Dado que las posibilidades son muchas, siguiendo
el artculo de Feng (Feng et al, 2015) utilizamos las
bandas anteriormente comentadas con una ventana
de 5 celdas de lado. Las texturas calculadas sern la
mediana, la desviacin tpica y la variabilidad,
16
obteniendo 12 variables ms a partir de las bandas
verde, verdor, saturacin y ratio de azul.
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).
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).
Por ltimo lado se ha analizado la correlacin
presente entre las diferentes variables obtenidas de
una ortofoto (4rto vuelo). El objetivo de este
proceso ha consistido en reducir el nmero de
variables y la discriminacin de aquellas variables
que no aportan informacin nueva respecto la
variable con la que se calcula la covarianza.
Mediante el programario de IDRISI SELVA se ha
analizado la correlacin entre todas las variables
generadas y se ha determinado cuales son las
variables que utilizaremos para la clasificacin
final. Se ha confeccionado una matriz de
correlaciones donde aparecen todas las variables
generadas y se han discriminado aquellas variables
que contienen ms informacin (tala 15).
Tabla 15: 10 variables escogidas de la matriz de
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
Fuente: elaboracin propia.
Clasificaciones de cubiertas del suelo.
El mtodo utilizado es una clasificacin mixta.
Primero se aplica una clasificacin no supervisada
con el mdulo IsoMM de MiraMon, el cual
clasifica los pxeles en categoras espectralmente
similares (considerando todas las variables
introducidas). Posteriormente se aplican las reas
de entrenamiento digitalizadas manualmente y se
agrupan los clsteres de pxeles de caractersticas
estadsticamente similares. Esta tcnica permite
englobar en una misma categora pxeles que
tienen respuestas muy diferentes, como es el caso
de las imgenes aqu tratadas. La validacin se lleva
a cabo con reas de test (figura 33) y la generacin
de matrices de confusin (figura 16, 17 i 19).
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
utilizadas para las clasificaciones de los vuelos 3 y
4.
El producto principal es la clasificacin del vuelo 4
por dos motivos:
- 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).

Figura 34: Resultado de la clasificacin de

cubiertas del suelo de los vuelos 3 y 4 (25 cm de
resolucin).

Fuente: elaboracin propia a partir de MiraMon.

Imgenes a 25 cm de resolucin.

La principal aportacin cuantitativa de estas

clasificaciones consiste en medir la superficie que
ocupa cada cubierta en el momento del vuelo.
Todas las cubiertas tienen su inters, pero el
estrato arbreo es el ms relacionado con la
dinmica de regeneracin post-incendio. As, se
mide la superficie foliar total y su localizacin.

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).

Fuente: Captura de pantalla del vuelo 4 a 2.5 cm.

18
Anlisis de imgenes procedentes de UAV para la obtencin de aplicaciones en el seguimiento de la biodiversidad

4. RESULTADOS I DISCUSIN La exploracin de las clasificaciones a 25 cm de

El corregistro de las ortofotos entre ellas y la
georreferenciacin con la cartografa oficial
(resolucin a 25 cm) han estado efectuadas con
xito, pero sacrificando resolucin espacial. De los
2.5 cm de lado de celda de los que se parta, se ha
conseguido un corregistro entre 2 vuelos con un
RMS de ~10 cm. (~20 cm de error mximo en el
95% de las celdas).El mtodo seguido ha sido la
digitalizacin manual de puntos de control, pero
hace falta remarcar que con un GPS diferencial se
podran obtener puntos de control precisos sobre
resolucin nos lleva a buenos resultados,
especialmente en el vuelo 4 (tabla 17). En el vuelo
3 destaca la buena clasificacin de las sombras
(tabla 16), con las que conviene hacer una mscara
y eliminarlas de los clculos en clasificaciones
posteriores.
Tabla 16: Matriz de confusiones resultado del
cruzamiento de las reas de test con la clasificacin
del vuelo 3 (25 cm).
Fuente: Elaboracin propia con MiraMon.

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).

El ndice Kappa es de 0.9 en ambos casos, pero su

varianza interna es menor en el caso de la ltima
clasificacin, mostrndose todava ms consistente.
Hay que tener presente la varianza ya que mide la
distancia entre las medidas de las poblaciones de
cada categora, es decir, el nmero de pxeles que
cada categora tiene en sus reas de test. Como
puede observarse, las diferencias son mayores en la
clasificacin a mxima resolucin y aun as los
resultados son mejores.

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

Variancia Kappa: 1.2E-4 3.56E-5 2.39E-6

Fuente: Elaboracin propia con MiraMon.
5. CONCLUSIONES
Una vez finalizado el trabajo puede afirmarse que
los resultados obtenidos satisfacen el objetivo
principal planteado, es decir, el establecimiento de
un protocolo que defina el camino a seguir des de
la adquisicin de las imgenes con UAV hasta la
generacin de clasificaciones de cubiertas del suelo
y tipos de vegetacin (figura 38) y que sea de
utilidad en el CTFC.
Tambin satisface el objetivo especfico de
contrastar cuales son los lmites del espectro
visible, hasta donde se puede llegar utilizando
nicamente esta fuente de datos para la realizacin
de clasificaciones, ya que se han clasificado los
pxeles de las imgenes en categoras temticas con
un acierto global muy elevado (0.9 ndice Kappa).
En el caso de este estudio se ha querido utilizar un
material muy bsico y aun as los resultados han
sido ms que aceptables, lo que permite darle
continuidad y hacer un seguimiento de la
evolucin de la regeneracin post- incendio
cuantificando los cambios en los mapas mediante
SIG.
De este modo, una lnea principal de inversin
tendra que ser la adquisicin de un GPS
diferencial con tal de obtener puntos fiables sobre
el terreno que aseguren una correcta superposicin
de imgenes en el futuro, y as aprovechar toda la
resolucin espacial que ofrecen las imgenes. Por
otro lado, se ha podido contrastar que explotando
a fondo el RGB se pueden obtener buenos
resultados en la clasificacin de cubiertas del suelo
y la vegetacin, hiptesis inicial del trabajo.
En referencia a los MDT se considera, no
obstante, que el margen de mejora es muy grande y
en posteriores estudios se ha de profundizar ms
en esta lnea de investigacin.
Son de especial inters los resultados obtenidos a
una resolucin de 25 cm, ya que permiten una
comparacin ptima con la cartografa oficial.
Siempre pensando en mbitos pequeos, el
protocolo propuesto en este artculo es de utilidad
para cartografiar zonas concretas en el intervalo
temporal que hay entre publicaciones de
cartografa oficial, emergiendo as como alternativa
a las imgenes obtenidas mediante aviones
tripulados.
La clasificacin a mxima resolucin (2.5 cm) es
posible y permite diferenciar con un error menor al
15% dos especies arbreas como el Pnus ngra
subsp. salzmnii y el Qurcus fagnea subsp. fagnea.
Se puede cuantificar la superficie que ocupan

21
Anlisis de imgenes procedentes de UAV para la obtencin de aplicaciones en el seguimiento de la biodiversidad

midiendo la superficie foliar total, informacin que

se puede combinar mediante SIG con los aos
siguientes y de este modo inferir la tendencia en la
regeneracin post-incendio.
La solvencia de este protocolo (figura 38) en la
generacin de cartografa temtica de cubiertas del
suelo ha estado comprobada con xito. No
obstante, los Modelos Digitales de Superficies no
son en este momento lo suficientemente rigurosos
como para ser utilizados en el clculo de
volmenes de biomasa, aunque incidiendo en su
investigacin pueden obtenerse buenos resultados
en un futuro prximo.
En conclusin, el artculo confirma que se pueden
obtener productos tiles para la obtencin de
aplicaciones en el seguimiento de la biodiversidad a
partir de las imgenes procedentes de UAV con
materiales de bajo coste.

AGRADECIMIENTOS

Agradecer principalmente a los profesores que han

tutorizado este trabajo: Magda Pla i Dr. Llus
Brotons. Tambin a los profesores del CREAF
que han estado siempre a nuestra disposicin
cuando hemos tenido alguna duda: Dr. Xavier
Pons, Alaitz Zabala, Cristina Domingo y Cristina
Cea.
Muy especialmente queremos agradecer el soporte
incondicional del Sr. scar Gonzlez. Agradecer
tambin los consejos que nos dio el Sr. Jordi
Santacana (CATUAV) en la fase inicial del
proyecto, y el Sr. Efrn Muoz en las dudas
surgidas con el uso del programario de Agisoft.
Como no, agradecer tambin el soporte de
nuestras familias que en los momentos de bloqueo
nos han dado nimos para tirar adelante con el
proyecto. Gracias a todos.

22
Anlisis de imgenes procedentes de UAV para la obtencin de aplicaciones en el seguimiento de la biodiversidad
Figura 38: Protocolo propuesto:
Anlisis de las especificaciones
tcnicas del sensor.
Anlisis de las especificaciones
tcnicas de la plataforma.
Anlisis de las especificaciones
tcnicas del terreno.
Adquisicin de las imgenes.
Procesamiento de imgenes.
Generacin de ortofotos.
Corregistro entre vuelos y cartografa
oficial.
Generacin y validacin de los MDS
Generacin de variables y
clasificacin de cubiertas
Fuente: Elaboracin propia.
Longitud focal.
Columnas y filas CCD y dimensiones fsicas de la CCD, medida
del pxel en la CCD.
Intervalo de disparos.
Velocidad.
Autonoma.
Peso que soporta.
Observacin de variables que conforman el terreno: pendientes,
morfologa, desniveles, alturas mximas y mnimas.
Tipo de vegetacin y fenologa de las especies.
Realizar vuelo en posicin solar cercana al znit.
Realizar el vuelo con el mnimo de viento para evitar
distorsiones.
Volar cuando la fenologa de la vegetacin sea diferenciada
Guardar en formato JPEG.
Utilizar un programario de fotogrametra digital.
Eliminar fotos del despegue y aterrizaje (distorsin).
Generar mscara que enmarque el centro de la imgen (parte
menos distorsionada).
Utilizar programario de fotogrametra digital.
Eliminar imgenes con altos errores (RMS).
Alinear imgenes escogidas.
Generar ortofoto en formato TIFF.
A poder ser, utilizar GPS diferencial en la toma de imgenes.
En caso contrari, georeferenciar imgenes mediante puntos de
control y puntos test.
En la georeferenciaci, bajar el error de pxel (RMS).
Generar MDS a partir de la nube de puntos(ASCII ->DBF).
Interpolacin manual de la nube de puntos. ("jackknife").
Corregistro entre MDS para la comparativa entre fechas.
Generacin de variables (a partir del RGB, ndices, ratios,
texturas (5x5).
Generaci de una matriz de correlaciones y de componentes
principales para ver la correlacin entre elles.
Generacin de reas test y reas de entrenamiento para la
clasificacin.
Clasificacin no supervisada con variables escogidas.
Clasificacin mixta con las reas de entrenamiento.
Validacin mediante reas de test y toma de decisiones a
partir de la matriz de confusiones.
23
Anlisis de imgenes procedentes de UAV para la obtencin de aplicaciones en el seguimiento de la biodiversidad
BIBLIOGRAFA
AGISOFT. (2014). Agisoft PhotoScan users
manual: Professional Edition, 1.1.
http://downloads.agisoft.ru/pdf/photoscan-
pro_0_9_0_en.pdf
CASTELLNOU, M.; PIQU, M.;
MIRALLES, M.; PAGS, J. (2009). Integraci
del risc dincendi en la planificaci forestal: rgim
dincendis i incendis tipus a Catalunya. Silvicultura,
60: 5-8.
DANDOIS, J.; ELLIS, E. (2013). High spatial
resolution three-dimensional mapping of
vegetation spectral Dynamics using computer
vision. Remote Sensing Environtment, 136, 259-276.
DJI (2015). Phantom 2 Vision Plus User Manual
v1.8 en V2. http://download.dji-
innovations.com/downloads/phantom-2-
vision/en/Phantom_2_Vision_User_Manual_v1.8
_en.pdf
DUNFORD, R.; MICHEL, K.; GAGNAGE,
M.; PIGAY, H.; TRMELO, M.L. (2015).
Potential and constraints of Unmanned Aerial
Vehicle Technology for the characterization of
Mediterranean riparian forest. International Journal
of Remote Sensing, 30:19, 4915-4935.
FENG, Q.; JIANTAO, L.; GONG, J. (2015).
UAV Remote sensing for urban vegetation
mapping using random forest and texture
analysis. Remote Sensing, 7, 1074-1094.
HUNG, C.; XU, Z.; SUKKARIEH, S. (2014).
Feature learning based aprroach for weed
classification using high resolution aerial images
from digital cmera mounted on a UAV. Remote
Sensing, 6, 12037-12054
HARALICK, R.; SHANMUGAM, K.;
DINSTEIN, I. (1974). Textural features for
Imagen classification. IEEE, 6 (3), 610-621.
LALIBERTE, A.; HERRICK, J.; RANGO, A.;
WINTERS, C. (2010). Acwuisition,
orthorectification, and Object-Based Classification
of UAV imagery for rangeland monitoring.
Photogrammetric Engineering & Remote Sensing, 76 (6),
661-672.
LALIBERTE, A.; RANGO, A. (2011). Imagen
processin and classification procedures for analisys
of sub-decimeter imagery acquired with an UAV
over arid rangelands. GIScience & Remote
Sensing, 48 (1), 4-12.
LELONG, C.; BURGER, PH.; JUBELIN, G.;
ROUX, B.; LABB, S.; BARET, F. (2008).
Assesment of UAV imagery for quantitative
24
monitoring of wheat crop in small plots. Sensors,
8, 3557-3585.
MANLY, B.F.J. (1986). Multivariate statistical
methods. London: Chapman and Hall.
MATA-PERELLO, J.M. (2013). Recorregut de
recerca geolgica i minera per les comarques del
Solsons, La Segarra i La Noguera: Des de Solsona
a Sant Climen, Sanaja i a Vilanova de lAguda.
MUOZ, E. (2014) Aplicacin de fotogrametria
digital automatitzada en geomorfologia: dinmica
morfo-sedimentaria en ros y gravas. Projecte de
final de Master en SIG i Teledetecci. Universidad
de Zaragoza.
NINYEROLA, M.; PONS, X.; ROURE, J.M.
(2000). "A methodological approach of
climatological modelling of air temperature and
precipitation through GIS techniques", International
Journal of Climatology, 20, 1823-1841.
PADR, J.C. (2014). Anlisi dels canvis de les
cobertes del sl durant el perode 1956-2009 en
dues finques afectades per lincendi de 1998 a la
Catalunya Central. Treball de fi de grau. UAB:
Dipsit Digital de Documents.
PIQU, M.; ROM, J.; VERICAT, P.
(2007). Caracterizacin de las masas de robles
submediterrneos (Quercus humilis e hbridos afines)
como base para la definicin de propuestas de
gestin en el prepirineo cataln. Cuadernos de la
Sociedad Espaola de Ciencias Forestales, 21, 67-74.
PLANA, E. (Ed.) (2007). Gesti del risc
dincendi, ecologia del foc i restauraci de zones
cremades. Solsona: Xarxa ALINFO.
PONS, X.; ARCALS, A. (2012). Diccionari
terminolgic de Teledetecci. Barcelona: Institut
Cartogrfic de Catalunya.
PONS, X. (1996). "Estimacin de la Radiacin
Solar a partir de modelos digitales de elevaciones.
Propuesta metodolgica". A: VII Coloquio de
Geografa Cuantitativa, Sistemas de Informacin
Geogrfica y Teledeteccin. Juaristi, J. i Moro, I.
(eds.) Vitoria-Gasteiz.
REMONDINO, F.; BAZZARETTI, L.; NEX,
F.; SCAIONI, M.; SARAZZI, D. (2011). UAV
photogrammetry for mapping and 3D modelling
current status and future perspectives. International
Archieves of the Photogrammetry, Remote Sensing and
Spatial Informations Sciences. 38 (1)
TURNER, D.; LUCIEER, A.; MALENWSK,
Z.; KING, D.H.; ROBINSON, S.A. (2014).
Spatial co-registration of ultra-high resolution
visible, multiespectral and thermal images acquired
Anlisis de imgenes procedentes de UAV para la obtencin de aplicaciones en el seguimiento de la biodiversidad

with micro-UAV over Antartic Moss beds. Remote

Sensing, 6, 4003-4024.

TUSELL, J.M.; VERICAT, P.; FRIGOLA, P.

(2014). Treballs de regeneraci dels boscos
cremats. El cas de la sureda. A: TUSELL, J.M. i
VERICAT, P. (eds.). XXXI Jornades Tcniques
Silvcoles Emili Garolera. 64-73.

VALOR, T.; GONZALEZ-OLABARRIA, J.R.;

PIQU, M. (2015). Assessing the impact of
prescribed burning on the growth of European
pines. Forest Ecology and Management, 343, 101-109.

WHITEHEAD, K.; HUGENHOLTZ, C.

(2014). Remote sensing of the environament with
small unmanned aircraft Systems (UASs), part 1: a
review of progress and challenges. J. Unmanned
Veh. Systems, 7, 69-85.

ZAHAWI, R.A.; DANDOIS, J.P.; , HOLL,

K.D.; NADWODNY, D.; LEIGHTON, J.;
ELLIS, C. (2014). Using lightweight unmanned
aerial vehicles to monitor tropical forest recovery.
Biological conservation, 186, 287-295.

CARTOGRAFIA OFICIAL UTILIZADA:

INSTITUT CARTOGRFIC I GEOLGIC

DE CATALUNYA. Full 273-100 de lOrtofoto
de Catalunya 1:2500 (OF-25C) v3.3, vuelo realitzat
al juny de 2014 i disponible al lloc web de lInstitut
Cartogrfic i Geolgic de Catalunya
(www.icgc.cat).

INSTITUT CARTOGRFIC I GEOLGIC

DE CATALUNYA. Full 374-642 de la capa de
punts LIDAR disponible al lloc web de lInstitut
Cartogrfic i Geolgic de Catalunya
(www.icgc.cat).

25