ANÁLISIS DE LA SINERGIA DE LIDAR CON DMC Y CASI PARA DIFERENCIAR OLIVOS, ALGARROBOS Y ALMENDROS (Using the synergy of LIDAR with Dmc and CASI to differenciate olive, carob and almond trees)

De
Publicado por

RESUMEN
Se ha analizado la adecuación de técnicas de teledetección, aplicadas a imágenes de resolución elevada, para diferenciar olivos, algarrobos y almendros. El objetivo es facilitar la actualización del Sistema de Información Geográfica de Parcelas Agrícolas de Catalunya (SIGPAC) establecido por la regulación comunitaria (EC)1782/2003 para la gestión y control de subsidios agrícolas. Sobre la zona de estudio se obtuvieron datos bitemporales con los sensores ópticos multiespectrales DMC (15cm) y CASI (2m)
en una de las campañas también se capturaron datos con lídar (1 punto/m2). En el estudio se hace evidente que el uso combinado de imágenes de alta resolución, ya sea en análisis multitemporal o integrando imágenes de distinto origen, requiere procesos de georreferenciación complejos que tengan presente el modelo de superficie (MDS). El lídar ha permitido individualizar los árboles y extraer diversas variables estructurales, así como mejorar la ortorectificación de las imágenes DMC y CASI. El poder de discriminación de las distintas variables se ha analizado mediante el programa eCognition, confeccionándose 41 proyectos independientes con distintas selecciones de variables (variables lídar, datos CASI, datos DMC, unitemporales y multitemporales, y a distintas resoluciones), utilizando siempre el modelo de altura de los árboles simplificado (MAAS) derivado de lídar como base de la segmentación. Tras una primera clasificación por umbrales de alturas, se han clasificado las copas de los árboles en base a las variables seleccionadas y se ha evaluado su efectividad con tablas de contingencia. Con datos multitemporales de la DMC a 1m de resolución se han conseguido las fiabilidades siguientes: 92,1% en olivos, 76,7% en algarrobos y 100% en almendros.
ABSTRACT
This paper analyzes the suitability of Remote Sensing techniques applied to high resolution imagery to differentiate olive, carob and almond trees in order to facilitate the updating of GIS agricultural land parcel of Catalonia (SIGPAC) established by EU regulation (EC) 1782/2003 for the management and control of agricultural subsidies. Bi-temporal data were obtained for the study area by means of the multispectral optical sensors DMC (15 cm) and CASI (2 m)
lidar data (1 point/m2) was also captured in one of the campaigns. The study evidences that the combined use of high resolution images, either by an approach based on a multi-temporal analysis or by the synergy of images from different sensors, demand sophisticate geo-referencing processes requiring the Digital Surface Model (DMS). Lidar allows individualizing trees, computing some structural variables and, in addition, improving the DMC and CASI image ortorectification. The eCognition software has been used to analyze the discrimination power related to the different variables
a total of 41 experiments or separate projects were tested using different selections of variables (variables lidar, CASI data, DMC data, uni-temporal and multi-temporal, using different pixel resolutions), always using the simplified trees height model (MAAS) derived from lidar as the basis for the segmentation. The effectiveness of tree crown classification using the selected variables and performed over a previous classification established with height thresholds has been evaluated by means of contingence tables. The following reliability results have been obtained with 1 m. resolution DMC multi-temporal data: 92.1% for olive-trees, 76.7% for carob-trees and 100% for almond-trees.
Publicado el : jueves, 01 de enero de 2009
Lectura(s) : 23
Etiquetas :
Fuente : Revista de Teledetección 1988-8740 (2009) Num. 32
Número de páginas: 20
Ver más Ver menos
Cette publication est accessible gratuitement

Revista de Teledetección. ISSN: 1988-8740. 2009. 32: 86-105
Análisis de la sinergia de LÍDAR con Dmc y
c ASI para diferenciar olivos, algarrobos y
almendros
Using the synergy of LIDAR with Dmc and c ASI
to differenciate olive, carob and almond trees
1 1 1 1 2 2O. Viñas , A. Ruiz , V. Palà , E. Soler , A. Domingo y V. Marco
oriol.vinas@icc.cat
1 Institut Cartogràfic de Catalunya, Barcelona
2 Departament d’Agricultura, Alimentació i Acció Rural, Barcelona
Recibido el 15 de junio de 2009, aceptado el 03 de noviembre de 2009
ABSTRAc TRESUmEN
This paper analyzes the suitability of RemoteSe ha analizado la adecuación de técnicas de te-
Sensing techniques applied to high resolutionledetección, aplicadas a imágenes de resolución
imagery to differentiate olive, carob and almondelevada, para diferenciar olivos, algarrobos y al-
trees in order to facilitate the updating of GISmendros. El objetivo es facilitar la actualización
agricultural land parcel of Catalonia (SIGPAC)del Sistema de Información Geográfica de Par-
established by EU regulation (EC) 1782/2003 forcelas Agrícolas de Catalunya (SIGPAC) estable-
the management and control of agricultural sub-cido por la regulación comunitaria (EC)
1782/2003 para la gestión y control de subsidios sidies. Bi-temporal data were obtained for the
agrícolas. Sobre la zona de estudio se obtuvie- study area by means of the multispectral optical
ron datos bitemporales con los sensores ópticos sensors DMC (15 cm) and CASI (2 m); lidar data
2multiespectrales DMC (15cm) y CASI (2m); en (1 point/m ) was also captured in one of the cam-
una de las campañas también se capturaron datos paigns. The study evidences that the combined
2con lídar (1 punto/m ). En el estudio se hace evi- use of high resolution images, either by an ap-
dente que el uso combinado de imágenes de alta proach based on a multi-temporal analysis or by
resolución, ya sea en análisis multitemporal o in- the synergy of images from different sensors, de-
tegrando imágenes de distinto origen, requiere mand sophisticate geo-referencing processes re-
procesos de georreferenciación complejos que quiring the Digital Surface Model (DMS). Lidar
tengan presente el modelo de superficie (MDS). allows individualizing trees, computing some
El lídar ha permitido individualizar los árboles y structural variables and, in addition, improving
extraer diversas variables estructurales, así como the DMC and CASI image ortorectification. The
mejorar la ortorectificación de las imágenes eCognition software has been used to analyze the
DMC y CASI. El poder de discriminación de las discrimination power related to the different va-
distintas variables se ha analizado mediante el riables; a total of 41 experiments or separate pro-
programa eCognition, confeccionándose 41 pro- jects were tested using different selections of
yectos independientes con distintas selecciones variables (variables lidar, CASI data, DMC data,
de variables (variables lídar, datos CASI, datos uni-temporal and multi-temporal, using different
DMC, unitemporales y multitemporales, y a dis- pixel resolutions), always using the simplified
tintas resoluciones), utilizando siempre el modelo trees height model (MAAS) derived from lidar
de altura de los árboles simplificado (MAAS) de- as the basis for the segmentation. The effective-
rivado de lídar como base de la segmentación. ness of tree crown classification using the selec-
Tras una primera clasificación por umbrales de
Revista de Teledetección. ISSN: 1988-8740. 2009. 32: 86-10586Análisis de la sinergia de LÍDAR con DMC y CASI para diferenciar olivos, algarrobos y almendros
alturas, se han clasificado las copas de los árboles ted variables and performed over a previous clas-
en base a las variables seleccionadas y se ha eva- sification established with height thresholds has
luado su efectividad con tablas de contingencia. been evaluated by means of contingence tables.
Con datos multitemporales de la DMC a 1m de The following reliability results have been obtai-
resolución se han conseguido las fiabilidades si- ned with 1 m. resolution DMC multi-temporal
guientes: 92,1% en olivos, 76,7% en algarrobos y data: 92.1% for olive-trees, 76.7% for carob-trees
100% en almendros. and 100% for almond-trees.
PALABRAS CLAVE: Lídar, DMC, CASI, fusión, KEY WORDS: Lidar, DMC, CASI, fusion, data
integración de datos, inventarios agrícolas, clasi- fusion, agricultural inventory, object-based clas-
ficación orientada a objetos, eCognition, SIG- sification, eCognition, SIGPAC.
PAC.
INTRODUc c IÓN 2008), e incluso, afinar hasta el punto de derivar pro-
ductividades por árbol (Viau, 2005).
Los inventarios agrícolas y forestales tienen un in- En este artículo se resume el estudio desarrollado
terés crucial como base de la gestión de las admi- por el Institut Cartogràfic de Catalunya y el Depar-
nistraciones, por lo que su actualización es obligada. tament d’Agricultura, Alimentació i Acció Rural
Sin embargo, los métodos que tradicionalmente se (DAR) de la Generalitat de Catalunya, con el obje-
usan para su puesta al día: fotointerpretación y cam- tivo de establecer una metodología basada en tele-
pañas de campo resultan muy onerosos por el tiempo detección para facilitar la actualización del SIGPAC
que requieren. Desde hace algunas décadas se vie- necesaria para la gestión y control de determinados
nen utilizando técnicas de teledetección para facili- subsidios agrícolas de la Unión Europea. Concreta-
tar determinadas etapas relacionadas con la mente, el estudio significaba analizar las posibles si-
obtención de datos y para acortar los períodos de ac- nergias entre tres tipos de sensores y valorar distintas
tualización. La aportación de la teledetección puede resoluciones, espectrales y espaciales, para optimi-
ir desde cartografiar las áreas de cambios respecto zar la diferenciación de los árboles de las tres espe-
al período anterior a reconocer las especies presen- cies de estudio: olivos, algarrobos y almendros.
tes mediante procesos de clasificación y cuantificar
su fiabilidad para dirigir los procesos tradicionales, ÁREA DE ESTUDIO
exclusivamente, a las áreas problemáticas (E. Iz-
quierdo et al., 2008). Cuando el elemento de estu- Como área piloto donde efectuar la captura de datos
dio son los árboles, la teledetección puede suponer y realizar las pruebas se seleccionó una zona de 6 x
su individualización, extracción y cuantificación a 6 km, delimitada por las coordenadas siguientes:
partir de técnicas más o menos automáticas de reco- UTMX: 357000-363000, UTMY: 4571000-
nocimiento de formas para extraer las copas (Gou- 4577000. El área, perteneciente a la comarca d’Alt
geon, 1995; Warner et al., 1998; J.D. Falcón et al., Camp, se encuentra a unos 3km al SO de Vila-ro-
2004). En este campo, sin embargo, los métodos dona y a 60km al SO de Barcelona (figura 1) y posee
apoyados en la tecnología lídar son los que aportan importantes extensiones de viña y de árboles fruta-
más soluciones al basarse en datos con información les de secano.
estructural de los elementos, y en los últimos años se
ha extendido enormemente su uso para aislar y deli- DATOS
near los árboles y derivar, directamente, parámetros
de inventario (Holmgren, 2003; Popescu, 2003; El estudio se ha basado en datos capturados por tres
Hyyppä et al., 2001). La utilización conjunta de los tipos de sensores: dos ópticos pasivos (DMC y
sensores ópticos con el lídar permite no sólo la indi- CASI) y un sensor activo lídar. Los datos se obtu-
vidualización de los árboles y el análisis de los pa- vieron en tres campañas de vuelo, efectuadas du-
rámetros estructurales, sino también evitar rante 2007 (tabla 1), con la plataforma Cessna
confusiones entre el estrato arbustivo y el forestal Caravan del Institut Cartogràfic de Catalunya (ICC),
(Tickle, 2001; Viñas et al., 2006) y concentrar el avión que se reformó para la instalación simultánea
posterior análisis espectral en las copas, con lo que de hasta tres sensores.
se facilita la discriminación temática (Arroyo et al.,
Revista de Teledetección. ISSN: 1988-8740. 2009. 32: 86-105 87O. Viñas et al.
Figura 1. Localización del área de estudio
Campañas de vuelo
sensor canales 1ª campaña 2ª campaña resolución
DMC 4 17.01.2007 19.07.2007 15 cm (pancro)
CASI 19 13.03.2007 19.07.2007 2 m
2Lídar 17 y 19.01.2007 1 punto/m
Tabla 1. Resumen de las campañas de vuelo y de los sensores utilizados
Datos DMC tura de vuelo de 1500m, dando lugar a un píxel de
15cm en el pancromático, lo cual supone 72cm para
La cámara digital DMC, desarrollada por Z/I el multiespectral. Con la intención de analizar el
(Zeiss/Intergraph) Imaging, es un sensor pasivo del efecto de la resolución, tras fusionar el pancromá-
tipo CCD matricial, con capacidad para registrar si- tico con las imágenes multiespectrales mediante el
multáneamente imágenes pancromáticas de alta re- algoritmo HSV (Intergraph, 2008) y aerotriangular
solución e imágenes multiespectrales en cuatro las imágenes resultantes se procedió a degradar la
canales (I, R, G, B). Posee 8 cabezales (figura 2), 4 resolución del píxel a 25cm, 50cm y 1m por agru-
para imágenes pancromáticas de alta resolución con pación y promediado, y para cada resolución se
focal de 120mm y 4 para imágenes multiespectrales construyeron las colecciones RGB, IRG y IRGB
(I, R, G, B) con focal de 25mm, por lo que la reso- para ser analizadas por separado. En la figura 3 se
lución de éstas es 4,8 veces inferior (120/25) (Ala- muestra el aspecto multitemporal de las dos prime-
mús et al., 2006). Las imágenes se obtuvieron en ras selecciones, y en la figura 4 el resultado del cam-
dos campañas (enero y julio de 2007) desde una al- bio de resolución.
Revista de Teledetección. ISSN: 1988-8740. 2009. 32: 86-10588Análisis de la sinergia de LÍDAR con DMC y CASI para diferenciar olivos, algarrobos y almendros
Figura 2. Esquema de la conformación de la imagen fusionada de la DMC
Figura 3. Composición de cuatro subescenas de la misma área derivadas de las imágenes DMC registradas en las dos
campañas (izquierda: 17.1.2007, derecha: 19.7.2007), según dos combinaciones espectrales: RGB e IRG
Figura 4. Detalle de una subescena rectificada a distintas resoluciones
Revista de Teledetección. ISSN: 1988-8740. 2009. 32: 86-105 89O. Viñas et al.
Datos CASI con un 25% de superposición lateral para asegurar el
total recubrimiento de la zona. Tras ser georrefe-
El sensor pasivo hiperespectral CASI 550 de renciadas se procesaron a 2m de resolución.
ITRES fue instalado en las campañas efectuadas en
marzo y julio y fue configurado para registrar 19 ca- Datos LÍDAR
nales espectrales, el mayor número de canales que
permitía la resolución diseñada (2m); a su vez, para El sistema lídar, ALTM 3025 de Optech, única-
minimizar los problemas de saturación se configu- mente se utilizó en la campaña de enero. Se efec-
raron todos ellos con la misma amplitud (tabla 2). tuaron 24 pasadas paralelas para recubrir el área
Su concreción espectral se decidió en función de la piloto y fueron registradas con una densidad de 0.5
2respuesta espectral típica de la vegetación, asegu- puntos/m , que tras su proceso supuso una densidad
2rándose de registrar de forma continua sus principa- real de 1 punto/m debido al 50% de solapamiento
les inflexiones. Para cubrir el área de estudio se lateral entre pasadas. En la tabla 3 se indican los
efectuaron ocho pasadas paralelas de unos 7 x 2 km principales parámetros de la captura de datos lídar.
canal franja espectral (μm) canal franja espectral (μm)
1 435.552142 450.625815 11 673.063410 686.344165
2 490.158054 505.210036 12 686.344165 699.643296
3 520.260879 535.312678 13 699.643296 714.866604
4 540.957777 556.014312 14 730.117842 743.487234
5 559.779291 574.843567 15 743.487234 756.881017
6 574.843567 589.916395 16 756.881017 772.219864
7 589.916395 604.999868 17 832.014871 847.547963
8 612.546251 627.649621 18 892.469128 908.192138
9 638.987457 654.119998 19 933.858383 949.727919
10 659.799628 673.063410
Tabla 2. Rango espectral de los 19 canales CASI seleccionados
2Densidad 1 punto/m
Frecuencia 25000 Hz
Núm. pasadas 24
Ángulo de barrido ±11º
Anchura de pasada 581 m
Solapamiento 50%
Altitud sobre terreno 1495 m
Velocidad 130 nudos
Huella del pulso 22 cm
Tabla 3. Características de la campaña lídar
Revista de Teledetección. ISSN: 1988-8740. 2009. 32: 86-10590Análisis de la sinergia de LÍDAR con DMC y CASI para diferenciar olivos, algarrobos y almendros
Se efectuó un ajuste geométrico de las pasadas con rreno se le asigna la cota del punto lídar interior más
control de campo siguiendo el método expuesto en elevado (H ). Una vez generado el mapa de iden-tree
(Kornus & Ruiz, 2003). La clasificación de los pun- tificadores, se pudo asignar a cada punto de la nube
tos lídar se realizó con los programas TerraScan y de puntos lídar el identificador de árbol correspon-
TerraModeler de Terrasolid Oy. dando lugar al mo- diente y, ordenando por árbol, permitió calcular para
delo digital del terreno (MDT) con 1m de resolución cada árbol una serie de parámetros relacionados con
y al modelo de superficie (MDS) con el valor lídar sus características estructurales: superficie de copa
2más alto de cada bloque de 1m ; la posterior dife- (Area), número de puntos reflejados (N), cota infe-
rencia entre ambos modelos originó el modelo de al- rior (Z ), cota superior (Z ), media (<z>) y des-min max
tura de la vegetación (CHM). Con el objetivo de viación estándar de la cota (σ ), coeficiente dez
individualizar los árboles se aplicó al modelo CHM variación de cota (cvz = 100 σ /<z>), coeficiente dez
el método hidráulico (Hyyppä & Inkinen, 1999; Lee penetración (penet), media (<I>) y desviación es-
& Fisher, 2006) utilizando Arc/Info Workstation. tándar de las intensidades (σ ), coeficiente de varia-I
Resumidamente, este método consiste en considerar ción de las intensidades (cvi = 100 σ /<I>), y unaI
el modelo CHM con las cotas cambiadas de signo serie de 9 percentiles (Næsset & Bjerknes, 2001,
como si fuese un modelo del terreno y extraer el Holmgren, 2003) calculados a diversas alturas den-
mapa de cuencas hidráulicas: Cada cuenca de dre- tro del árbol (p5, p10, p15, p20, p25, p30, p50, p75,
naje corresponde entonces a la copa de un árbol y su p90) (figura 5); p15 representa la altura, por debajo
sumidero corresponde a su ápex. Al final del pro- de la cual se han registrado el 15% de rebotes para
ceso se genera el mapa de identificadores de árbol y ese árbol, expresada como altura relativa con res-
el modelo de alturas de árboles simplificado pecto a H . Posteriormente, para cada uno detree
(MAAS), en el que a cada uno de los píxeles dentro estos parámetros se derivó una imagen ráster (figura
de la proyección de la copa de un árbol sobre el te- 6).
Figura 5. Vista en alzado de los puntos lídar correspondientes a un algarrobo y esquematización del significado de los
percentiles en altura
Figura 6. Representación de las imágenes ráster derivadas para cuatro percentiles. Arriba, de izquierda a derecha, p10
y p35; abajo, de izquierda a derecha, p50 y p90
Revista de Teledetección. ISSN: 1988-8740. 2009. 32: 86-105 91O. Viñas et al.
Datos de campo En una segunda fase, para aumentar el número de
árboles de control, se seleccionaron campos homo-
En una primera etapa se establecieron fichas indi- géneos en cuanto a la especie (algarrobos, almen-
vidualizadas para una serie de 38 árboles de los que dros, olivos) y se digitalizaron sus perímetros sobre
se analizó un conjunto de parámetros (coordenadas, ortofotomapas. La intersección de sus áreas con el
especie, diámetro máximo, diámetro mínimo, altura fichero MAAS permitió individualizar estos árboles
máxima y mínima) y estados de desarrollo, infor- y agregarlos al fichero con los 38 anteriores, con lo
mación que se completó con fotografías (figura 7). que se consiguió aumentar el número de árboles de
Tras ser reconocidos estos árboles en representacio- control hasta unos 400 (el 4,4% de los árboles pre-
nes de las imágenes multiespectrales se identifica- sentes en el área de estudio). El conjunto global fue
ron en la correspondiente al fichero MAAS derivado dividido en dos: un fichero de entrenamiento y un
de lídar. La posterior segmentación de este último fichero de control, utilizados para obtener las firmas
fichero con eCognition (véase más adelante, en el espectrales y para evaluar el resultado de la clasifi-
apartado: Individualización de árboles) condujo a la cación, respectivamente.
digitalización automática de sus copas (figura 8).
Figura 7. Ficha de datos de campo asociada al árbol N1, un olivo; el árbol en cuestión se señala con una “x” en el orto-
fotomapa. La representación sobre fondo negro se añadió posteriormente, tras procesar los datos lídar y calcular la sec-
ción de la nube de puntos correspondiente
Figura 8. Localización de 6 árboles de control (3 olivos, 1 algarrobo y 2 almendros) sobre imagen CASI (izquierda), sobre
el fichero MAAS (centro) y superposición de las 6 copas, una vez digitalizadas, sobre una imagen en blanco y negro (de-
recha).
Revista de Teledetección. ISSN: 1988-8740. 2009. 32: 86-10592Análisis de la sinergia de LÍDAR con DMC y CASI para diferenciar olivos, algarrobos y almendros
mETODOLOGIA ximo. Como consecuencia de la incompleta correc-
ción, la cima de los objetos aparece tanto más des-
Dadas las características de las imágenes utiliza- plazada de su vertical cuanto más elevada es y más
das, para llevar a cabo el objetivo del proyecto había alejada está del centro de la imagen. Para situarlos
que solucionar dos aspectos fundamentales: un pro- correctamente es preciso aportar información sobre
ceso de corrección geométrica que posibilitase su su- la altura de los objetos sobre el terreno (modelos
perposición y un proceso para individualizar los MDS) (Valbuena, R. et al., 2008).
árboles. El intento de utilizar conjuntamente imágenes de
alta resolución obtenidas con distintos sensores, o
Corrección geométrica incluso obtenidas con multitemporalidad por el
mismo sensor obliga, por lo tanto, a efectuar orto-
Al tratar las imágenes matriciales de elevada reso- rectificaciones más sofisticadas que las convencio-
lución con procesos convencionales de ortorrectifi- nales (procesos de generación de “true-ortophotos”)
cación, basados en modelos de elevaciones del para permitir su integración; en caso contrario, la in-
terreno, se obtienen representaciones con las estruc- tersección homóloga de los objetos con altura ele-
turas tridimensionales recostadas sobre el terreno. vada es incorrecta e incluso puede no coincidir en
Esta distorsión, que puede pasar desapercibida en las absoluto.
imágenes de resolución mediana o baja, se debe a Para solucionar este problema se procedió a la or-
que en el proceso de corregirlas geométricamente torrectificación de las imágenes DMC utilizando un
sólo se tiene presente la deformación ocasionada por MDS especial (MDSe) obtenido sumando el MAAS
la perspectiva cónica y por la topografía (modelos y el MDT. La utilización del MDS origina áreas
con MDT), por lo que los objetos que se hallan más ocultas, sin datos, alrededor de los objetos elevados,
altos que el terreno se rectifican sin tener en cuenta y aunque es posible rellenar las áreas ocultas con
su altura. La distorsión depende también de la dis- imágenes procedentes de otros fotogramas (Palà et
tancia al centro del fotograma. En el nadir no hay al., 2001; Palà y Arbiol, 2002), en este estudio no se
deformación debido a este error mientras que en las ha hecho, puesto que sólo interesaban las copas de
esquinas del fotograma el desplazamiento es má- los árboles. En la figura 9 se muestra el efecto de co-
rregir con MDT y con MDS.
Figura 9. En blanco y negro se representa el fichero MAAS derivado de lídar; en color, la imagen DMC rectificada con
MDT (izquierda) y con MDS (derecha). El perímetro amarillo de un segmento (copa de árbol), transportado a ambas imá-
genes, facilita la comparación de los efectos geométricos y demuestra la validez de la corrección con el MDS
Revista de Teledetección. ISSN: 1988-8740. 2009. 32: 86-105 93O. Viñas et al.
Individualización de árboles (scale parameter) y forma (shape, compactness/smo-
othness). Una vez generados los objetos se puede
El segundo aspecto a solucionar también se rela- iniciar el proceso de su clasificación en base a las
ciona con la elevada resolución. El uso de sensores mismas variables de segmentación o a otras (selec-
de elevada resolución ocasiona la descomposición ción de diversas bandas espectrales), o utilizando un
de los elementos de estudio en píxeles. Según sea el conjunto de nuevas variables que el programa ge-
tipo de proceso posterior, la identificación del ele- nera automáticamente para cada objeto (forma, área,
mento de estudio como una entidad puede compli- distancia a otros objetos, etc.).
carse. Una solución al problema son los programas Tras diversas aproximaciones se comprobó que el
basados, no en el tratamiento píxel a píxel, sino en proceso de segmentación aplicado exclusivamente
objetos (Chubey, 2006). En nuestro estudio los ár- al MAAS, al agrupar los píxeles vecinos de altura
boles se han analizado como objetos mediante el similar daba lugar a segmentos coincidentes con las
programa eCognition V.4 (Definiens, 2004). Esta copas de los árboles, con lo que el problema de su
aplicación ofrece un entorno de proceso cuya prin- descomposición en los píxeles constituyentes se so-
cipal característica es que el análisis y clasificación lucionaba. Además, al quedar árboles y suelo en
de la imagen se efectúa en base a grupos de píxeles segmentos distintos se facilitaba la posterior estrati-
vecinos llamados segmentos que se generan en una ficación vertical de la imagen, con lo que se evitaban
etapa anterior, llamada segmentación, en la que la las posibles confusiones espectrales entre árboles y
imagen se descompone o simplifica en regiones ho- superficie herbácea.
mogéneas. El proceso se define sobre las variables En la tabla 4 se indican los parámetros de segmen-
seleccionadas y se establece con ciertos parámetros, tación establecidos empíricamente. Con estos valo-
determinados por el usuario, que gobiernan la ho- res se consiguió obtener la mayoría de las copas de
mogeneidad espectral de los objetos y su tamaño los árboles como objetos individuales (figura 10).
resolución scale shape compacness
25 cm 20 0.3 0.3
50 cm 10 0.3 0.3
100 cm 10 0.3 0.3
Tabla 4. Parámetros utilizados en la segmentación eCognition del fichero MASS
Figura 10. A la izquierda, resultado de la segmentación basada en el fichero MAAS. Los perímetros de los objetos, mos-
trados en amarillo, se visualizan a la derecha sobre la imagen DMC de la misma área
Revista de Teledetección. ISSN: 1988-8740. 2009. 32: 86-10594Análisis de la sinergia de LÍDAR con DMC y CASI para diferenciar olivos, algarrobos y almendros
A partir de estas facilidades aportadas por eCogni- fichero de control: el fichero de árboles de test cons-
tion, el estudio se planteó como una secuencia de tituido por unos doscientos elementos.
procesos independientes (proyectos eCognition)
confeccionados con el fichero MAAS como base de RESULTADOS
la segmentación, y con subconjuntos de las distintas
variables disponibles (derivadas del lídar, imágenes Comparación de datos de campo con los resulta-
CASI o DMC, unitemporales y bitemporales, y con dos derivados del LÍDAR
tres resoluciones) con los que basarse para la discri-
minación entre las tres especies. Finalmente se efec- Los primeros parámetros estudiados fueron la al-
tuaron 41 pruebas, como muestra la figura 11. tura y la superficie de copa de los árboles. Si bien el
Tras la segmentación del fichero MAAS se efec- trabajo de campo no la midió directamente, la su-
tuaba una primera clasificación de los segmentos perficie se estimó a partir de la medida de los diá-
según tres umbrales de altura: nivel bajo (altura < metros máximos y su perpendicular, haciéndose la
26cm), nivel alto (altura > 10m) y nivel intermedio, suposición de que las copas tienen forma de elipse.
estrato que correspondía básicamente a las copas de Una vez efectuado este cálculo se estudiaron las rec-
los árboles frutales. A continuación se iniciaba el tas de regresión entre los valores asignados a los ár-
proceso de discriminación de especies dirigido, ex- boles de control en el trabajo de campo y los
clusivamente, a los segmentos del nivel intermedio derivados de los datos lídar. Como puede observarse
(copas de los árboles), usándose en cada prueba el en la figura 12, las regresiones dan valores acepta-
subconjunto de variables seleccionadas. bles incluso con los almendros (0.73), a pesar de que
El programa eCognition contempla la clasificación cuando se registraron los datos lídar (enero) carecían
de tipo supervisado, por lo que requiere parcelas de de hojas; éste puede ser uno de los motivos por el
entrenamiento. Tras entrar el mismo fichero de ár- cual dan lugar a una mayor dispersión. Al hacer una
boles de entrenamiento en todas las pruebas, se es- valoración más detallada se observa que los datos
tablecieron automáticamente sus firmas espectrales lídar han sobreestimado la altura de 14 árboles sobre
de acuerdo con el conjunto de variables de cada pro- un total de 33, cuando lo lógico sería tender a obte-
yecto. Seguidamente, se efectuó la clasificación de ner casi siempre subestimaciones (Popescu et al.,
los segmentos con el método del vecino más pró- 2004; Naesset and Bjerknes, 2001), sobretodo por-
ximo. Su evaluación se realizó con tablas de con- que la densidad de puntos lídar no es elevada (la pro-
tingencia que se elaboraron a partir de un mismo babilidad de que un pulso lídar incida exactamente
Figura 11. Esquema de las 41 pruebas realizadas. El fichero MAAS (Modelo Alturas Árboles simplificado) derivado de los
datos lídar se utiliza en todos los procesos como base de la segmentación.
Revista de Teledetección. ISSN: 1988-8740. 2009. 32: 86-105 95

¡Sé el primero en escribir un comentario!

13/1000 caracteres como máximo.