Recopilación y procesamiento de datos de teledetección basados en drones para su uso en el monitoreo de la recuperación forestal

Summary

Los avances recientes en los sistemas de aeronaves pilotadas a distancia (RPAS) permiten una resolución submétrica, ideal para el monitoreo de la recuperación forestal. La integración de la inteligencia artificial (IA) permite obtener información más profunda a partir de grandes conjuntos de datos de teledetección. Este protocolo mejora el monitoreo al apoyar una evaluación y gestión más eficientes de las tierras forestales que se recuperan de perturbaciones.

Abstract

Las tecnologías de teledetección (RS), en particular la detección de luz y el alcance (LiDAR) y las imágenes multiespectrales (MS), proporcionan capacidades de monitoreo de vegetación a gran escala con diferentes resoluciones espaciales. Los sistemas de aeronaves pilotadas a distancia (RPAS) equipados con sensores LiDAR y MS pueden mejorar las evaluaciones de la vegetación al ofrecer horarios de vuelo flexibles y capturar datos de resolución fina. Una mayor integración de modelos de aprendizaje profundo (DL) es prometedora para automatizar el flujo de trabajo de posprocesamiento, que es particularmente importante para las aplicaciones de monitoreo de vegetación.

Este protocolo describe un conjunto de métodos prácticos para recopilar, procesar, alinear y fusionar datos LiDAR y MS basados en RPAS para la delineación de árboles 3D individuales utilizando un complemento DL interactivo. El modelo DL patentado detecta y segmenta eficazmente los límites de los árboles a través de varios sensores, sitios de estudio y resoluciones de datos dentro de los ecosistemas forestales.

Nuestra aplicación específica y motivación para desarrollar este protocolo y herramienta es monitorear la recuperación forestal en pozos de petróleo y gas recuperados. Actualmente, los métodos de evaluación basados en el campo requieren mucho tiempo, mano de obra y están limitados espacialmente. A medida que se expanden los esfuerzos de recuperación, existe una creciente necesidad de enfoques más eficientes y escalables para monitorear el éxito de la recuperación de la recuperación y la recuperación del ecosistema. Al avanzar en las aplicaciones de DL basadas en RPAS, esta investigación respalda el monitoreo de la recuperación ecológica en pozos recuperados y también es aplicable a otros paisajes boscosos.

Introduction

La extracción de recursos de petróleo y gas ha llevado al establecimiento de cientos de miles de pozos en Alberta¹, muchos de los cuales se encuentran dentro del bosque boreal². Los esfuerzos de recuperación tienen como objetivo restaurar las tierras perturbadas a su estado ecológico original³. Los estudios terrestres convencionales siguen siendo el principal medio de supervisión de la certificación de la recuperación⁴; Sin embargo, este es un proceso que requiere mucho tiempo y mano de obra y que se está volviendo menos eficiente a medida que aumenta el número de áreas perturbadas y recuperadas.

Los avances recientes en las tecnologías de teledetección (RS), especialmente el uso de sistemas de aeronaves pilotadas a distancia (RPAS), ofrecen soluciones prometedoras a los desafíos espaciales y temporales del monitoreo de pozos 5,6,7,8. Estas plataformas brindan datos de muy alta resolución, lo que permite mediciones precisas a nivel de árbol individual. La integración con la inteligencia artificial (IA), como hemos visto en los últimos años ^9,10,11, facilita el procesamiento y análisis de grandes conjuntos de datos de teledetección mediante la automatización de la detección y medición de la vegetación. Sin embargo, la generación de conjuntos de datos de entrenamiento y validación adecuados para los modelos de aprendizaje profundo (DL) sigue siendo el principal desafío, particularmente para los conjuntos de datos 3D.

Este protocolo describe un flujo de trabajo paso a paso para recopilar, procesar, alinear y fusionar datos LiDAR y multiespectrales (MS) basados en RPAS de entornos forestales para delinear árboles individuales. Este método utiliza el complemento TreeAIBox¹² recientemente desarrollado, integrado en CloudCompare, para analizar la nube de puntos derivada de RPAS para la segmentación de copas de árboles individuales. El complemento presenta un novedoso enfoque 3D DL basado en el modelo TreeisoNet¹³ , un conjunto de redes neuronales profundas supervisadas diseñadas para la segmentación de árboles 3D, que se entrenó y verificó en conjuntos de datos derivados de RPAS de cinco pozos recuperados diferentes. Los sitios seleccionados para el entrenamiento del modelo variaron en alturas de árboles, densidades y composición de especies para garantizar la generalización del modelo. Además, el conjunto de datos de entrenamiento incluyó datos recopilados durante tres temporadas consecutivas: verano (agosto de 2023), otoño (octubre de 2023) y primavera (mayo de 2024) para garantizar que el modelo pudiera funcionar con precisión en diferentes condiciones estacionales con variaciones en la visibilidad de los árboles. El complemento automatiza los procesos de filtrado de nubes de puntos (árboles versus suelo), detección de copas de árboles y segmentación de copas de árboles individuales. La salida del complemento podría usarse para calcular métricas de vegetación, como el área de la copa, la fracción del dosel, la densidad del tallo y la altura de los árboles, que se utilizan para el monitoreo de la vegetación posterior a la recuperación.

El modelo TreeisoNet, integrado en el plugin TreeAIBox, ofrece mejoras significativas con respecto a los métodos tradicionales de segmentación 3D, como la segmentación de cuencas hidrográficas o ShortestPath. TreeisoNet ha informado de una mayor precisión en diversos tipos de bosques, lo que demuestra las ventajas de un enfoque de aprendizaje profundo supervisado sobre las alternativas no supervisadas¹³. Específicamente, el módulo localizador de copas de árbol (TreeLoc) logró una puntuación F1 promedio de 0.96, superando significativamente al método máximo local (LM), que promedió una puntuación F1 de 0.57¹³. De manera similar, el módulo de delineación de la copa (TreeOff) registró una media media de Intersección sobre Unión (mIoU) de 0,85, superando los métodos tradicionales Watershed3D (mIoU 0,68) y ShortestPath (mIoU 0,79)¹³. Estas métricas destacan la precisión superior de TreeisoNet en la detección de copas de árboles y la delineación de copas, particularmente en entornos complejos como pozos recuperados con diferentes alturas de árboles, densidades de tallos y composiciones de especies.

El modelo TreeisoNet se entrenó con datos LiDAR derivados de RPAS con una densidad de puntos superior a 1100 puntos por metro cuadrado. El método descrito en este documento se centra en el monitoreo de la recuperación forestal en pozos de petróleo y gas; sin embargo, podría adaptarse para su uso en otras áreas boscosas. El flujo de trabajo es adecuado para plantaciones jóvenes y bosques de madera mixta con densidad de tallos escasa a moderada (<3.000 tallos por ha), donde la oclusión es mínima. En bosques de dosel cerrado o de varias capas, la detección de árboles del sotobosque puede reducirse debido a la penetración limitada de LiDAR. El modelo admite doseles de coníferas y caducifolios, aunque la precisión puede variar con las características específicas de la especie, como los líderes delgados en las coníferas jóvenes. El complemento TreeAIBox incluye una biblioteca de modelos predefinidos y preentrenados que están diseñados para ser ampliamente aplicables en varios tipos de bosques y validados en diversos conjuntos de datos de sitios de pozos recuperados. Los usuarios pueden aprovechar estos modelos integrados y ajustar los parámetros del complemento, como el espacio máximo o el radio mínimo, para optimizar los resultados de sus conjuntos de datos específicos sin necesidad de entrenar nuevos modelos. Esta flexibilidad permite a los usuarios adaptar el flujo de trabajo a diferentes condiciones forestales, como diferentes alturas o densidades de árboles, directamente dentro de la interfaz gráfica de usuario (GUI) fácil de usar de CloudCompare. La versión actual del complemento TreeAIBox no admite el entrenamiento de nuevos modelos dentro del software en sí; sin embargo, es posible que los usuarios avanzados agreguen nuevos modelos previamente entrenados a la biblioteca de modelos.

Las secciones 1 y 2 del protocolo describen nuestros pasos de recopilación y procesamiento de datos, mientras que la sección 3 del protocolo describe el uso del complemento TreeAIBox para extraer métricas de árbol. Nuestra investigación específica utiliza una fusión de datos LiDAR basados en drones e imágenes MS; Sin embargo, se podrían aplicar diferentes procedimientos, equipos y software para generar un archivo de nube de puntos de alta densidad para su uso en la Sección 3 del protocolo. Este flujo de trabajo representa un avance significativo en el monitoreo de la vegetación al integrar un enfoque de segmentación de árboles impulsado por IA de última generación con RS basado en RPAS, lo que permite evaluaciones más rápidas, precisas y escalables de la recuperación forestal.

Protocol

1. Uso de un RPAS para la recopilación de datos

NOTA: Todas las operaciones de RPAS deben cumplir con las regulaciones locales del espacio aéreo y los requisitos de seguridad. Utilice la Tabla de materiales para revisar el equipo y los materiales necesarios para la recopilación de datos.

1. Preparación previa al vuelo: Antes de salir al campo, verifique el equipo y actualice el firmware si es necesario. Cree archivos de vuelo para cada misión de vuelo y cárguelos en el control remoto. Cree un plan de seguridad y un documento de procedimientos de emergencia para cada misión de vuelo. Consulte el Archivo complementario 1 para obtener un procedimiento detallado de configuración previa.
2. Recopilación de datos de campo: En el campo, configure equipos y realice misiones de vuelo para recopilar datos LiDAR y MS sobre un área de interés. Consulte el Archivo complementario 2 para obtener un flujo de trabajo detallado de la configuración del equipo y los parámetros de vuelo.
3. Configuración de la estación base GNSS: Configure y ejecute una estación base GNSS sobre la ubicación de la estación base del RPAS para obtener coordenadas precisas de su ubicación que se utilizarán para la corrección del posicionamiento preciso del punto (PPP)¹⁴ durante el preprocesamiento de datos (para una alta precisión, el tiempo mínimo de ejecución recomendado de la estación base es de 2 h) (consulte el Archivo complementario 3 para ver un ejemplo de configuración de la estación base GNSS y el procedimiento para obtener las coordenadas).
4. Transferencia de datos: Utilice un lector de tarjetas para transferir los datos LiDAR y MS recopilados desde los sensores a una estación de trabajo para su posterior procesamiento.

2. Procesamiento de datos sin procesar

1. Preprocesamiento de datos multiespectrales: Utilice software de fotogrametría para preprocesar los datos de MS recopilados, realizar correcciones geométricas y radiométricas y generar un ortomosaico de MS.
   NOTA: Consulte el Archivo complementario 4 para obtener un flujo de trabajo general para procesar datos de MS derivados de RPAS mediante software de fotogrametría.
2. Reconstrucción de nubes de puntos LiDAR: Utilice el software adecuado para reconstruir los datos LiDAR sin procesar en un archivo de nube de puntos (por ejemplo, archivo *.las/laz). Consulte el Archivo complementario 5 para obtener un procedimiento detallado sobre cómo realizar la reconstrucción.
3. Alinee y combine datos LiDAR y multiespectrales. Utilice herramientas geoespaciales para alinear la nube de puntos LiDAR y el ortomosaico MS. Consulte el Archivo complementario 6 para obtener un procedimiento detallado para realizar la alineación. Utilice un script de Python (consulte Archivo complementario 7) para fusionar la nube de puntos LiDAR con el ortomosaico MS para crear una nube de puntos MS.
   NOTA: Se puede utilizar cualquier entorno de desarrollo integrado (IDE) para ejecutar el script de Python. El archivo complementario 8 muestra un flujo de trabajo general de combinación de datos.

3. Uso del complemento TreeAIBox para la segmentación de árboles individuales

NOTA: Esta sección del protocolo se puede seguir utilizando cualquier dato de nube de puntos de alta resolución de un entorno boscoso en formato de archivo *.las/.laz.

TreeAIBox solo se ha probado con el sistema operativo Windows.

1. Instalación y configuración: descargue e instale el software de procesamiento de nubes de puntos 3D, CloudCompare¹⁵. A continuación, descargue el instalador del complemento de GitHub (TreeAIBox_Plugin_Installer_v1.0.exe)¹² (Figura 1). Ejecute el instalador y siga las instrucciones en pantalla.
   NOTA: El instalador detecta automáticamente la ubicación del software CloudCompare e implementa el complemento con las bibliotecas DL necesarias en función de la disponibilidad de GPU o CPU. Para obtener métodos de instalación alternativos o solución de problemas, siga las instrucciones del archivo LÉAME¹². Después de la configuración, la estructura de carpetas debe coincidir con lo que se muestra en la Figura 2.
2. Carga de datos de nubes de puntos:
   1. Abra CloudCompare desde el icono del escritorio o vaya a Inicio | Todos los programas | CloudCompare. Cargue el archivo de nube de puntos (por ejemplo, el archivo *.las/laz) en CloudCompare arrastrándolo al lienzo o usando el botón Abrir uno o varios archivos en la consola principal y haga clic en Aplicar (Figura 3).
   2. Si las coordenadas de los puntos son grandes, un mensaje preguntará si se debe aplicar un desplazamiento/escala global. Seleccione Entrada, que lee los metadatos del archivo .las/laz, y haga clic en Sí (Figura 4). La nube de puntos aparecerá ahora en el lienzo.
3. Apertura del complemento TreeAIBox: Abra la barra de herramientas del complemento de Python, expanda el menú desplegable Registro de script y haga clic en TreeAIBox para abrir la GUI del complemento (Figura 5).
4. Filtrado de puntos de árboles y suelo
   1. Asegúrese de que la casilla de verificación Usar GPU (CUDA) esté marcada si la GPU compatible con CUDA está disponible. En el panel superior, seleccione TreeFiltering, elija ALS si los tallos de los árboles no están visibles en los datos de RPAS, desmarque el tamaño del mosaico, seleccione 'treefiltering_als_esegformer3D_128_15cm(GPU3GB)' en el menú desplegable Modelos predefinidos (Figura 6). Si usa este modelo por primera vez, el color de la fuente aparecerá atenuado. Haga clic en Descargar y confirme la ventana emergente que muestra la ruta local.
   2. Seleccione la nube de puntos en el lienzo (resaltada con un cuadro delimitador) y haga clic en Aplicar en el panel TreeFilter . Se creará un nuevo campo escalar llamado treefilter : valor = 2 (puntos de árbol, rojo) y valor = 1 (otros puntos, azul) (Figura 7). Confirme esto antes de continuar con el siguiente paso.
5. Detección de copas de árboles
   1. En el panel superior de TreeAIBox , seleccione TreeisoNet, habilite Reclamation, ALS (stem implicit) y TreeLoc, y elija el modelo preentrenado: 'treeisonet_als_reclamation_treeloc_esegformer3D_
      128_10cm(GPU4GB)' en el menú desplegable. Asegúrese de que la nube de puntos en el lienzo esté seleccionada (resaltada con un cuadro delimitador) y, a continuación, haga clic en y Aplicar (Figura 8).
   2. Cuando finalice el procesamiento, aparecerá un nuevo elemento denominado treetops debajo de la nube de puntos original en la ventana Árbol de base de datos . Seleccione este elemento y aumente el tamaño del punto (por ejemplo, a 16) para mejorar la visibilidad. Confirme que las posiciones de las copas de los árboles aparecen como puntos blancos en el lienzo (Figura 9).
6. Segmentación de copas de árboles
   1. Vuelva a seleccionar el elemento de la nube de puntos de árbol (resaltado en rojo) (Figura 10). En el panel superior de TreeAIBox , seleccione TreeisoNet y habilite TreeOff. Descargar el modelo preentrenado 'treeisonet_als_reclamation_treeoff
      _esegformer3D_128_10cm(GPU4GB)' (Figura 11) si aún no está disponible, haga clic en Aplicar para ejecutar el modelo.
   2. Se creará un nuevo treeoff de campo escalar, asignando a cada árbol un ID único. Los puntos del mismo árbol comparten el mismo ID. Opcionalmente, restablezca el tamaño del punto de la copa del árbol al valor predeterminado para reducir el desorden visual. Confirme que la vista del lienzo de software es similar a la vista que se muestra en la figura 12.
   3. Visualización opcional: Colores de árbol aleatorios: para mejorar el contraste visual de los árboles segmentados, aleatorice los colores del árbol por ID. Primero, clona la nube de puntos original para preservar los datos (Editar | Clon). Luego, vaya a Editar | Campos escalares | Convertir a RGB aleatorio (Figura 13). Ingrese un valor grande (por ejemplo, 256000) para garantizar suficientes colores discretos y haga clic en Aceptar. La nube de puntos mostrará árboles en colores aleatorios (Figura 14).
      NOTA: Este paso es solo para visualización y no afecta a los ID de segmentación, pero sobrescribirá los valores RGB en la nube de puntos clonada.
7. Exportación de métricas y salidas de segmentación: En el panel superior de TreeAIBox , seleccione TreeisoNet y haga clic en Exportar estadísticas para exportar los resultados de la segmentación del árbol. A continuación, haga clic en Abrir ruta de salida para ver el archivo de salida en la carpeta de resultados (Figura 15). El CSV exportado contiene ID de árbol segmentados, coordenadas, altura del árbol y área de copa.
   NOTA: Esto completa el procesamiento de datos utilizando TreeAIBox.

Figura 1: Acceso al instalador del complemento TreeAIBox a través del repositorio de GitHub. Haga clic aquí para ver una versión más grande de esta figura.

Figura 2: La estructura de carpetas con el complemento TreeAIBox. Haga clic aquí para ver una versión más grande de esta figura.

Figura 3: Carga del archivo de nube de puntos en CloudCompare. Haga clic aquí para ver una versión más grande de esta figura.

Figura 4: Configuración de un cambio global para la nube de puntos a medida que se carga en CloudCompare. Haga clic aquí para ver una versión más grande de esta figura.

Figura 5: Uso de la barra de herramientas del complemento Python de CloudCompare para iniciar el complemento TreeAIBox. Haga clic aquí para ver una versión más grande de esta figura.

Figura 6: Configuración del panel TreeFiltering para separar los puntos del árbol de los puntos del suelo. Haga clic aquí para ver una versión más grande de esta figura.

Figura 7: Los resultados de separar los puntos de árbol de los puntos del suelo. Los puntos del árbol se muestran en rojo, mientras que los puntos del suelo se muestran en azul. Haga clic aquí para ver una versión más grande de esta figura.

Figura 8: Configuración del panel TreeisoNet para detectar copas de árboles usando TreeLoc. Haga clic aquí para ver una versión más grande de esta figura.

Figura 9: Los resultados de la detección de las copas de los árboles. Los puntos blancos representan las posiciones de las copas de los árboles. Haga clic aquí para ver una versión más grande de esta figura.

Figura 10: Volver a seleccionar el elemento de la nube de puntos del árbol antes de aplicar el panel TreeOff. Haga clic aquí para ver una versión más grande de esta figura.

Figura 11: Configuración del panel TreeisoNet para la segmentación de copas de árboles usando TreeOff. Haga clic aquí para ver una versión más grande de esta figura.

Figura 12: Los resultados de la segmentación de las copas de los árboles. Haga clic aquí para ver una versión más grande de esta figura.

Figura 13: Configuración de la nube de puntos segmentada para aleatorizar los colores de los árboles de acuerdo con sus ID para un mejor contraste de límites. Haga clic aquí para ver una versión más grande de esta figura.

Figura 14: Los resultados de la aleatorización de los colores del árbol. Haga clic aquí para ver una versión más grande de esta figura.

Figura 15: Extracción de los resultados de la segmentación de árbol del panel TreeisoNet en un archivo csv. Haga clic aquí para ver una versión más grande de esta figura.

Results

Siguiendo el protocolo establecido, se recopilaron datos LiDAR y MS derivados de RPAS en tres sitios de estudio plantados con árboles jóvenes. Estos sitios fueron seleccionados para probar la capacidad del modelo para detectar árboles individuales de diferentes alturas. El sitio 1 fue plantado con Abies balsamea (abeto balsámico), con una altura promedio de 1,46 m. El sitio 2 presentaba árboles de Pinus contorta (pino lodgepole) con un promedio de 2,17 m de altura. El sitio 3 contenía una mezcla de pequeños árboles de Abies balsamea y Pinus contorta , con una altura promedio de solo 0,51 m. Además de los datos de RS, también se registró la ubicación de 224 árboles de referencia con una unidad GNSS.

Después de la recopilación y el procesamiento de datos, se aplicó el complemento TreeAIBox para filtrar los puntos de los árboles y delinear árboles individuales. Los resultados producidos por el complemento se muestran en la Figura 16.

Figura 16: La distribución de árboles individuales delineados para tres sitios de estudio (A - Sitio 1; B - Sitio 2; C - Sitio 3) generado por el complemento TreeAIBox. Haga clic aquí para ver una versión más grande de esta figura.

En total, se detectaron 2.755 árboles individuales en los tres sitios. El modelo identificó 1.706 árboles en el Sitio 1 (Figura 16A), 882 árboles en el Sitio 2 (Figura 16B) y 167 árboles en el Sitio 3 (Figura 16C). La tasa de detección de árboles de referencia varió entre los sitios, con el 100% de los árboles de referencia detectados para el Sitio 2, el 95% para el Sitio 1 y solo el 21% para el Sitio 3, como se muestra en la Tabla 1. Estos resultados destacan el alto rendimiento del modelo en la detección de árboles > 1 m, con una tasa de detección del 100% para todos los árboles de referencia en este rango. Sin embargo, el rendimiento disminuyó para los árboles más bajos: solo se detectó el 45% de los árboles de referencia entre 0,5 y 1 m, y no se identificó ninguno de los árboles < 0,5 m (Tabla 2).

Sitio #	Altura del árbol promedio, m (stdev)	# de árboles de referencia	# de árboles de referencia detectados	% de árboles de referencia detectados
1	1.46 (0.45)	75	71	95
2	2.17 (0.4)	74	74	100
3	0.51 (0.17)	75	16	21

Tabla 1: Tasas de detección de árboles de referencia por diferentes sitios.

Rango de altura del árbol	# de árboles de referencia	# de árboles de referencia detectados	% de árboles de referencia detectados
0 - 0,5 m	41	0	0
0,5 - 1 m	40	18	45
1 - 1,5 m	49	49	100
1,5 - 2 m	42	42	100
> 2 m	52	52	100

Tabla 2: Tasas de detección de árboles de referencia por diferentes rangos de altura de árboles.

Archivo complementario 1: Flujo de trabajo de recopilación de datos de RPAS : tareas previas al campo. Haga clic aquí para descargar este archivo.

Archivo complementario 2: Flujo de trabajo de recopilación de datos de RPAS - en el campo. Haga clic aquí para descargar este archivo.

Archivo complementario 3: Uso de unidades GNSS para un seguimiento preciso de la ubicación. Haga clic aquí para descargar este archivo.

Archivo complementario 4: Procedimiento de procesamiento de datos de MS utilizando software de fotogrametría. Haga clic aquí para descargar este archivo.

Archivo complementario 5: Una reconstrucción de nube de puntos a partir de datos LiDAR sin procesar. Haga clic aquí para descargar este archivo.

Archivo complementario 6: Una nube de puntos LiDAR y una alineación ortomosaica MS utilizando herramientas geoespaciales. Haga clic aquí para descargar este archivo.

Archivo complementario 7: Un script de Python para fusionar una nube de puntos LiDAR y una imagen MS para generar una nube de puntos MS. Haga clic aquí para descargar este archivo.

Archivo complementario 8: Un flujo de trabajo general de una nube de puntos LiDAR y la fusión de imágenes MS. Haga clic aquí para descargar este archivo.

Discussion

Uno de los desafíos clave en la aplicación de DL a los datos RS, particularmente las nubes de puntos 3D, radica en el desarrollo de conjuntos de datos de entrenamiento y validación equilibrados y representativos. La efectividad de cualquier modelo de DL depende en gran medida de la diversidad y calidad de los datos anotados utilizados durante el entrenamiento 9,10,11,16. El novedoso modelo 3D DL empleado en este estudio fue entrenado y validado utilizando conjuntos de datos recopilados de múltiples sitios de pozos recuperados dentro de la zona del bosque boreal, caracterizado por vegetación joven, plantada y en regeneración natural. Estos sitios fueron cuidadosamente seleccionados para abarcar una amplia gama de condiciones forestales, incluida la variación en las alturas de los árboles, la densidad de los tallos y la composición de especies, para garantizar una amplia generalización del modelo. Además, el conjunto de datos de entrenamiento fue temporalmente diverso, incorporando datos de RS recopilados durante tres temporadas consecutivas. Esta variación estacional fue fundamental para entrenar el modelo para que funcionara de manera confiable en diferentes condiciones de visibilidad del dosel, teniendo en cuenta los cambios en la cobertura del follaje y la complejidad estructural. La integración de datos multiestacionales y multiestructurales contribuyó a la solidez del modelo, particularmente en su capacidad para detectar árboles individuales en condiciones de luz y etapas fenológicas cambiantes.

Un hallazgo notable de este estudio fue que la incorporación de datos MS o RGB junto con LiDAR no mejoró significativamente la precisión de la detección de árboles o la segmentación de la copa dentro del flujo de trabajo de TreeAIBox. Esto sugiere que las propiedades geométricas de las nubes de puntos LiDAR, como la forma de la copa y la disposición espacial, son los principales impulsores de la detección y segmentación efectiva de árboles, particularmente en entornos con vegetación joven o escasa. Sin embargo, los datos espectrales demostraron valor en aplicaciones complementarias, como la clasificación de especies, donde las imágenes de MS mejoraron la diferenciación de árboles de coníferas y caducifolios.

Un factor crítico que influye en el éxito de la detección y segmentación de árboles individuales en el flujo de trabajo de TreeAIBox es la calidad de la nube de puntos de entrada. El rendimiento óptimo requiere datos LiDAR de muy alta densidad, generalmente superiores a 1,000 puntos por metro cuadrado. Los sistemas LiDAR modernos basados en RPAS pueden lograr esta densidad mediante el uso de parámetros de vuelo optimizados, como bajas altitudes y grandes superposiciones de vuelo. Si bien TreeAIBox es capaz de procesar nubes de puntos de menor densidad, la densidad de puntos reducida puede limitar la captura de detalles estructurales. Esto a menudo conduce a una disminución de la precisión de detección y segmentación, particularmente para árboles más pequeños donde las características de la copa y el tallo pueden estar subrepresentadas.

El flujo de trabajo de TreeAIBox mejora la eficiencia y la automatización en comparación con los métodos de segmentación tradicionales o manuales, con indicadores medibles de nuestra validación en pozos recuperados. Los tiempos de procesamiento para la detección de copas de árboles y la segmentación de copas promedian de 5 a 10 minutos por sitio en una GPU estándar (por ejemplo, NVIDIA RTX 3060), en comparación con las horas de delineación manual en software como CloudCompare. La automatización se logra a través de la GUI del complemento, que elimina las secuencias de comandos y las dependencias de la línea de comandos, lo que permite a los no expertos ejecutar análisis de extremo a extremo con una entrada mínima. En términos prácticos, esto redujo un análisis de pozos de 1 hectárea de 5-8 h (métodos manuales) a menos de 30 min. La alternativa al modo de CPU garantiza la accesibilidad sin hardware de gama alta, aunque la aceleración de la GPU reduce los tiempos entre 3 y 5 veces. Estas eficiencias permiten un monitoreo frecuente, lo que respalda aplicaciones escalables en la gestión forestal mientras mantiene una alta precisión.

Una limitación específica observada en este estudio fue la capacidad reducida del modelo para detectar árboles < 1,0 m. Si bien las tasas de detección de árboles de > 1,0 m fueron altas, con el 100% de los árboles de referencia correctamente identificados en ese rango de altura, el rendimiento disminuyó significativamente para los árboles más pequeños (Tabla 2). Esta limitación probablemente se deba a varios factores. En primer lugar, la menor densidad de puntos LiDAR cerca del suelo, especialmente bajo copas cerradas, combinada con una densa cobertura herbácea, impide la detección de detalles estructurales a escala fina asociados con árboles pequeños. Además, la oclusión causada por la vegetación más alta a menudo impide que suficientes retornos puntuales lleguen a los árboles del sotobosque, lo cual es una fuente conocida de error en tales aplicaciones^10,16. El algoritmo también puede no capturar características morfológicas sutiles, como líderes de árboles delgados, o clasificar erróneamente árboles agrupados como un solo objeto. Abordar estos desafíos puede implicar la optimización de los parámetros de adquisición de LiDAR, como ajustar la altitud de vuelo o el ángulo de escaneo para mejorar la visibilidad a nivel del suelo, así como refinar los métodos de segmentación para manejar mejor los datos ocluidos y dispersos.

A pesar de estas limitaciones, el método propuesto demuestra una promesa sustancial para su aplicación en el monitoreo posterior a la recuperación y la reforestación. RS basado en RPAS, cuando se combina con algoritmos 3D DL, ofrece una solución escalable, rentable y de alta resolución para rastrear la recuperación de la vegetación a lo largo del tiempo, particularmente en áreas perturbadas por la actividad industrial, como la extracción de petróleo y gas. La capacidad de detectar árboles individuales, estimar su altura y evaluar la distribución espacial proporciona información significativa sobre la regeneración del sitio y el cumplimiento de los estándares de recuperación. Además, este método puede apoyar las estrategias de gestión adaptativa al permitir un monitoreo frecuente y no invasivo que captura la dinámica estacional y estructural de los ecosistemas en recuperación. Dado que los proyectos de restauración requieren cada vez más datos a largo plazo y a gran escala para evaluar la recuperación ecológica, este enfoque ofrece una herramienta poderosa y práctica para los administradores forestales y los investigadores que buscan evaluar el rendimiento de la vegetación en paisajes complejos y heterogéneos.

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
App de Mapas de Avenza	Avenza	NA	Para navegación de campo offline usando mapas PDF georreferenciados creados en QGIS
Blancos a cuadros	Cualquier proveedor	NA	Puntos de control en tierra
CloudCompare	CloudCompare	NA	Software de procesamiento y edición en nube de puntos 3D
Estación de baterías DJI BS60 (con las baterías M300 (x8), pilas D-RTK2 (x4), cable de alimentación y cable USB-C para conectar al mando a distancia)	DJI	NA
Avión DJI M300 RTK con DLS (con mando y hélices de repuesto)	DJI	NA	DLS (Sensor de Luz Descendente)
DJI Terra Pro	DJI	NA	Reconstrucción de datos LiDAR en bruto en nube de puntos 3D.
Sensor LiDAR DJI Zenmuse L1 (con tarjeta microSD)	DJI	NA
Estación móvil D-RTK2 (con trípode y varilla de extensión)	DJI	NA
Estación base Emlid Reach RS2+ (con trípode)	Emlid	NA
Rover Emlid Reach RS2+ (con poste de medición GNSS)	Emlid	NA
Discos duros externos	Cualquier proveedor	NA	Para hacer copias de seguridad de los datos
Libro de vuelo	Cualquier proveedor	NA
Google Earth Pro	Google	NA	Creación de archivos de vuelo KML
Plataforma de aterrizaje	Cualquier proveedor	NA	Lanzar o aterrizar una aeronave
Portátil	Cualquier proveedor	NA	Para usarse en el campo para descargar datos, formatear tarjetas, etc.
Sensor MicaSense RedEdge-P (con tarjeta SD MicaSense, cable USB-C, panel de reflectancia calibrado MicaSense (CRP))	MicaSense	NA
PIX4Dmapper	Pix4D S.A.	NA	Corrección geométrica y radiométrica de imágenes multiespectrales y generación de ortomosaicos.
Neumómetro	Cualquier proveedor	NA
PyCharm	JetBrains s.r.o.	NA	Entorno de desarrollo integrado (IDE) en Python
QGIS	QGIS	NA	Procesamiento, edición y visualización de datos geoespaciales
Lector de tarjetas SD y microSD	Cualquier proveedor	NA
Teléfono inteligente	Cualquier proveedor	NA	Para conectar con las unidades RS2+ del sensor RedEdge P de MicaSense y Emlid Reach
Piquetes/clavos de estrella, mazo y cinta de bandera	Cualquier proveedor	NA	Para marcar la ubicación de la estación base D-RTK2
Tableta	Cualquier proveedor	NA	Para la navegación en el campo
TreeAIBox (CloudCompare  plugin)		NA
Radio bidireccional	Cualquier proveedor	NA
Estación de trabajo (CPU i5 o posterior, GPU NVIDIA habilitada con CUDA y VRAM ≥ 4GB, RAM ≥ 32GB, SSD y GE; 512GB	Cualquier proveedor	NA