Método semiautomatizado para cartografiar y clasificar comunidades vegetales de humedales costeros boreales utilizando datos de drones y suelo

Resumen

El protocolo consta de cuatro fases integradas: estudio con vehículos aéreos no tripulados (UAV), recogida de datos de precisión en el suelo, cálculo de índices de vegetación y clasificación y mapeo asistido por IA de comunidades vegetales de humedales costeros. El resultado es un conjunto de datos geoespacial multilayer que apoya aplicaciones en ecología, monitoreo ambiental y toma de decisiones para la conservación y gestión de hábitats de humedales costeros.

Resumen

El mapeo semiautomatizado de comunidades vegetales conecta los estudios ecológicos tradicionales y el monitoreo moderno asistido por IA de ecosistemas, permitiendo el estudio y el monitoreo de sitios a escalas y velocidades antes inalcanzables. Los humedales costeros, dominados por plantas herbáceas de bajo crecimiento, requieren un estudio fotogramétrico basado en drones (Vehículo Aéreo No Tripulado, UAV) para lograr una mayor resolución espacial y mayor flexibilidad en el tiempo. Este protocolo consta de cuatro fases: el levantamiento aéreo basado en UAV, la recogida y georreferenciación de datos de la precisión del terreno, el cálculo del índice de vegetación y la clasificación supervisada usando el algoritmo de bosque aleatorio (RF) en R (es decir, mapeo semiautomatizado y asistido por IA de las distribuciones de las comunidades vegetales mediante clasificación por aprendizaje automático). Los paquetes clave de R utilizados incluyen terra, sp, sf, rgdal, raster, rsample, MLmetrics, randomForest. El énfasis en la segunda fase está en un método tradicional de prospección ecológica: el muestreo estratificado de suelo cuadrado. El muestreo en tierra sirve como verificación de terreno, proporcionando evidencia empírica para garantizar la precisión y fiabilidad del producto final del mapa. Se probaron dos tipos de sensores montados en UAV ampliamente utilizados: un sensor multiespectral y una cámara RGB, que arrojaron 19 índices multiespectrales y 27 basados en RGB, junto con un modelo digital de superficie (DSM) derivado del RGB. Las comunidades vegetales se cartografiaron en un sitio de estudio de caso de humedales costeros bálticos y se obtuvieron los siguientes resultados de rendimiento del algoritmo: utilizando el conjunto de datos multiespectral, el modelo alcanzó una precisión global del 92,3% con un error fuera de bolsa (OOB) del 7,75%; en comparación, el conjunto de datos RGB alcanzó una precisión superior al 98% con un error OOB del 1,14%. Estos resultados refuerzan la idoneidad de ambos tipos de sensores. Cada fase del protocolo produce conjuntos de datos georreferenciados. Estos pueden compilarse en un proyecto de sistema de información geográfica (SIG) en capas con observaciones biofísicas de campo integradas, sirviendo como base para la investigación de ecosistemas complejos, como la modelización ecológica para predecir impactos y cambios. En la práctica, este Proyecto SIG puede servir como un registro histórico de la gestión de la cobertura y apoyo del suelo, la planificación de la restauración ambiental y el seguimiento.

Introducción

El objetivo de este protocolo es proporcionar un flujo de trabajo práctico y paso a paso que combine un estudio fotogramétrico basado en drones (es decir, basado en vehículos aéreos no tripulados [UAV]) con observaciones biofísicas in situ como datos de precisión en el suelo para producir un mapa de distribución de la comunidad vegetal de humedales costeros. El resultado final, un mapa de cobertura del suelo, se crea mediante un proceso de aprendizaje automático semi-automatizado (algoritmo de bosque aleatorio [RF]⁾¹.

Un mapa de comunidades vegetales es un conjunto de datos esencial en la modelización ecológica de humedales porque transforma patrones complejos de vegetación en una representación espacialmente explícita y basada en píxeles de la estructura del hábitat. Este conjunto de datos de referencia permite modelar procesos ecológicos (por ejemplo, distribución de biomasa, interacciones de especies, respuestas ecohidrológicas, ciclos de nutrientes) a lo largo de un paisaje ^2,3,4.

Además del mapa de la comunidad vegetal, seguir los pasos de este protocolo produce una colección de datos geoespaciales. Guardado como un proyecto de sistema de información geográfica (SIG), el conjunto de datos puede integrarse en un SIG, compartirse y utilizarse para un análisis y toma de decisiones adicionales de ecosistemas que apoyen la planificación de la gestión y el monitoreo ambiental.

En este método, una encuesta con UAV arroja un mapa RGB (es decir, rojo, verde, azul, los tres colores primarios) y/o un mapa ortomosaico multiespectral y geométricamente preciso, junto con un modelo digital de superficie (DSM), todos ellos sirviendo como datos base ^5,6. Estos datos se utilizan para calcular índices de vegetación (VIs) utilizando mapas ortomosaicos como entradas para la calculadora del software SIG. Para crear el mapa de salida final, los VIs sirven como variables predictoras por píxel para RF, transformando la información espectral bruta del ortomosaico en entradas estructuradas para la clasificación ^7,8. Dado que los VI son combinaciones matemáticas de bandas espectrales que resaltan las propiedades de la vegetación reflejadas por las plantas y^{la luz 7}, los VI pueden utilizarse como datos independientes en ecología para monitorizar la calidad del hábitat y la biodiversidad, y apoyar la modelización ecológica ^8,9. Por lo tanto, los VIs se guardan como mapas ráster e incluyen en un proyecto GIS.

Para clasificar y mapear comunidades vegetales en un entorno asistido por IA, los conjuntos de datos teledetectados (por ejemplo, mapas de levantamiento de UAV, DSM y VIs) deben combinarse con observaciones biofísicas georreferenciadas in situ para garantizar la fiabilidad ecológica, la reproducibilidad y una interpretación significativa¹⁰. Estos datos de campo sirven como verdad fundamental para que el algoritmo RF clasifique los datos de píxeles de hábitat-vegetación-cobertura en VIs y prediga la distribución de la comunidad vegetal en un sitio de estudio (por ejemplo, para crear un mapa de la comunidad vegetal)¹¹. Además de servir como un conjunto de datos de verificación para el aprendizaje automático, las observaciones georreferenciadas proporcionan un medio para anclar las observaciones biofísicas dentro del SIG. De este modo, el conjunto de datos ecológico funciona como una tabla de atributos, que puede usarse como variables ambientales para la modelización de^{ecosistemas 12,13}. Los datos in situ son valiosos para evidenciar las condiciones ecológicas de un hábitat porque se recopilan directamente dentro del entorno real estudiado, proporcionando una evaluación realista e inmediata de condiciones específicas¹⁴.

Los humedales costeros son hábitats de baja energía situados en zonas costeras protegidas. Los ecosistemas de humedales están distribuidos a lo largo de las costas de seis continentes, excluyendo la Antártida, desempeñando papeles ecológicos cruciales a nivel global, excepto en los paisajes cubiertos de hielo en las regiones polares^{extremas 15}. El crecimiento poblacional global y la industrialización, las defensas costeras y la intensificación de las prácticas agrícolas impactan significativamente en los humedales costeros, causando fragmentación y^{degradación 16,17}. Estas presiones hacen que los ecosistemas costeros sean una prioridad para la restauración ecológica y la conservación en^{todo el mundo 18}.

La monitorización ambiental y la modelización de ecosistemas de hábitats costeros facilitan la evaluación de la salud del ecosistema, la identificación de cambios temporales y la evaluación de los resultados de la^{restauración 19}. No obstante, la monitorización eficaz puede verse obstaculizada por la naturaleza dinámica de estos ecosistemas, su accesibilidad restringida y los elevados costes de la recopilación de datos en zonas intermareales complejas y a menudo remotas. En hábitats dinámicos y de difícil acceso, la vegetación suele proporcionar la señal más clara y estable de cambio^{ecológico 18}.

Dado que la vegetación es una base fundamental para la formación de hábitats, clasificar las comunidades vegetales y cartografiar su distribución proporciona una base fundamental para la evaluación ecológica y la modelización de procesos de^hábitat 20,21,22. Los humedales costeros son sistemas altamente heterogéneos, que presentan una variación significativa a lo largo de distancias cortas en altitud, salinidad, estructura de la vegetación, hidrología y características sedimentarias. Debido a esta complejidad, el protocolo incorpora muestreo cuadrático^{estratificado 23} (mínimo diez muestras cuadradas de 1 m × 1 m por comunidad vegetal), lo cual no solo es beneficioso sino metodológicamente imprescindible para generar modelos representativos de ecosistemas y mapas de cobertura^{del suelo 24,25}.

Para ilustrar esta metodología, se realizó un estudio de caso en un pantano micromareal en la isla de Hiiumaa, en el archipiélago occidental estonio del mar Báltico (Figura 1). El paisaje costero del mar Báltico, que incluye marismas en zonas de acumulación de sedimentos en más de 100.000 islas dentro de los archipiélagos, se gestiona a diferentes niveles de intensidad²⁶. Para la conservación y restauración de la biodiversidad, los humedales costeros boreales bálticos se mantienen como pastizales seminaturales^27,28. Estas praderas húmedas tienen valor como patrimonio paisajístico regional, y algunas, incluido el sitio de estudio de caso, forman parte de la red de áreas protegidas Natura 2000. En estas zonas, para mantener la vegetación de bajo crecimiento, que favorece una mayor biodiversidad y proporciona hábitats para fauna como^{limícolas 29}, los prados costeros se pastorean extensamente y/o se cortan estacionalmente para mantener pastizales abiertos y evitar que sean invadidos por especies expansivas, por ejemplo, Phragmites australis³⁰. En las regiones costeras boreales, los humedales gestionados bajo medidas de conservación suelen incluir cuatro comunidades vegetales clave: Open Pioneer (OP), Lower Shore (LS), Upper Shore (EE. UU.) y Tall Grass (TG)³¹. Los cuatro se realizan en el lugar seleccionado del estudio de caso. Las especies de plantas vasculares dominan las praderas húmedas costeras. Las especies indicadoras del OP son los halófitos: Salicornia europaea (rango de altura más común, 3–30 cm) y Suaeda maritima (10–50 cm). El LS está dominado por Glaux maritima (3–25 cm) y Juncus geradii (25–75 cm). Las especies indicadoras estadounidenses son Festuca rubra (15–90 cm) y Leontodon autumnalis (10–80 cm), y las gramíneas dominantes identifican TG: Deschampsia cespitosa (30–120 cm), Elytrigia repens (30–120 cm) y Molinia caerulea (50–180 cm). Además, las plantas típicas de humedales costeros en esta zona climática incluyen: Spergularia marina (5–30 cm), Plantago maritima (10–30 cm), Triglochin maritima (15–70 cm) y Agrostis stolonifera (15–30 cm), que se encuentran en diferentes comunidades.

Los humedales costeros se definen por sus paisajes de bajo relieve con sutiles variaciones microtopográficas, como depresiones y montículos, que influyen en la distribución de las comunidades vegetales. Estas formaciones del paisaje se forman de forma natural a través de procesos como la deposición de sedimentos durante inundaciones, marejadas y corrientes de^{marea 32}. Estas características a menudo carecen de firmas distintivas detectables por imágenes aéreas gruesas, pero la composición de especies refleja respuestas espectrales específicas que pueden registrarse y^{clasificarse 33}. Comúnmente, el mapeo aéreo por satélite y aeronaves proporciona los datos geoespaciales necesarios para gran parte del levantamiento y modelado de ecosistemas que respalden la monitorización y evaluación^34,35. Sin embargo, el mapeo aéreo basado en drones a baja altitud es esencial para el levantamiento eficaz de las praderas costeras. Este enfoque proporciona datos de alta resolución y proporciona un registro fotogramétrico más detallado de las características del paisaje, incluyendo patrones de distribución de la vegetación y modelos de altura de la vegetación derivados de un Modelo Digital de Superficie (DSM), mejorando así la precisión^{de la clasificación 3}.

En comparación con enfoques alternativos, los flujos de trabajo de UAV permiten una programación flexible para adaptarse a las etapas fenológicas, minimizar la interferencia de las nubes y capturar detalles estructurales no disponibles en los^{satélites 36,37}. Combinados con aprendizaje automático (por ejemplo, Random Forest), los datos de UAV soportan la detección automática de patrones, la clasificación de objetos y la extracción de valiosos conocimientos de conjuntos de datos complejos que serían abrumadores para los^{humanos 38}. Sin embargo, el muestreo en el terreno en el lugar sigue siendo indispensable para el aprendizaje supervisado porque proporciona etiquetas verificadas para entrenar y evaluar modelos, asegurando que los modelos aprendan patrones correctos y que su rendimiento sea robusto y fiable 11,39,40.

Este protocolo está diseñado para ecosistemas de bajo relieve con comunidades vegetales de bajo crecimiento accesibles para muestreo in situ. El flujo de trabajo se divide en cuatro fases distintas (Figura 2): (1) encuesta aérea basada en UAV, (2) recogida y georreferenciación de datos de la verdad del terreno, (3) cálculos de índices de vegetación y (4) clasificación supervisada usando Random Forest en el entorno de computación estadística de código abierto R. El protocolo se implementó usando RStudio con los siguientes paquetes clave: terra, sp, sf, rgdal, raster, rsample, MLmetrics y randomForest.

Protocolo

NOTA: Los siguientes pasos describen un flujo de trabajo detallado (véase el diagrama en la Figura 3) para cartografiar y clasificar las comunidades vegetales de humedales costeros. Este protocolo puede replicarse utilizando un sensor multiespectral montado en UAV o una cámara RGB. Completar este protocolo requerirá varios días. Por ello, la metodología se divide en cuatro fases, con pausas opcionales. Se recomienda la secuencia prescrita ya que los resultados de la fase anterior apoyan la ejecución de la siguiente. Las tres primeras fases generan conjuntos de datos que sirven como entradas para la fase final.

1. Estudio aéreo basado en UAV

1. Adquiere y revisa las precauciones esenciales para los operadores de UAV, la normativa local y los manuales de hardware y software para drones.
   1. Asegurar que el piloto opere de forma segura, legal y profesional; poseer todas las certificaciones o licencias requeridas para la región de operación; y estar completamente entrenado en el modelo específico del dron, el uso de sensores/cámaras montados y el flujo de trabajo de la misión. Consulta el marco regulatorio estatal o regional para adquirir un seguro para UAV.
   2. Identificar la clasificación del espacio aéreo para el área de misión y obtener las autorizaciones requeridas. Respeta los límites de altitud, las zonas de exclusión aérea y las restricciones de proximidad alrededor de aeropuertos, infraestructuras y zonas pobladas. Por consideraciones medioambientales y de fauna, hay que seguir las restricciones estacionales (por ejemplo, periodos de anidación) y cumplir con las normativas medioambientales para paisajes protegidos, humedales, sitios Natura 2000 y otras áreas protegidas.
   3. Notificar a los miembros de la comunidad local o a las partes interesadas, cuando sea necesario, para obtener las aprobaciones y evitar malentendidos. Aclarar las normas de protección de datos sobre cuándo las imágenes aéreas pueden capturar personas, propiedad privada o vehículos, asegurando que todos entiendan que el vuelo con drones está destinado a cartografiar comunidades vegetales para investigación, y que cualquier dato adicional sujeto a las leyes de protección de datos permanecerá confidencial.
      NOTA: La notificación suele ser necesaria cuando las normativas nacionales o regionales exigen comunicación previa para operaciones con drones.
   4. Seguir todas las directrices del fabricante para el montaje, mantenimiento y operación del dron y los sensores montados; Este cumplimiento garantiza un funcionamiento seguro y protege la integridad del equipo. Respeta los límites máximos de viento (9 m/s, incluyendo ráfagas), los rangos de temperatura (mín. 0 °C; máximo 35 °C) y las capacidades de carga útil al seleccionar sensores/cámaras. Almacenar y transportar las baterías conforme a las instrucciones del fabricante y a las normativas de seguridad aeronáutica.
2. Diseñar una misión de vuelo con UAV.
   NOTA: Para implementar este protocolo, se utilizó el sistema UAV de ala fija eBee X, equipado con el sensor multiespectral y RGB y el software de gestión de vuelo. Consulta siempre el manual del fabricante cuando uses un UAV.
   1. Abre el software de gestión de vuelo preinstalado en un portátil. En la página de bienvenida, en la pestaña Nueva Misión , selecciona la cámara que vas a usar (en este caso: Sequoia), introduce un título descriptivo de la misión (por ejemplo, el nombre del lugar de estudio) y selecciona Crear misión. El panel de Misión se abrirá automáticamente y el mapa satelital aparecerá en la vista principal.
   2. En el mapa satelital, usa el cursor para hacer zoom, desenfocar y navegar hasta la ubicación aproximada del lugar del estudio. En la pestaña de área de trabajo , selecciona Ubicar área de trabajo y coloca el cursor cerca del centro del sitio de estudio, y haz clic. Aparecerá un círculo que representa el área de trabajo; ajusta su tamaño aumentando o disminuyendo el radio.
   3. En el panel de Misión, haz clic en la pestaña Despegue y aterrizaje . Luego haz clic en Añadir nuevo inicio, navega por el cursor del mapa satelital hasta la ubicación deseada para despegar y haz clic para establecer un nuevo punto de partida. Después, haz clic en Añadir nuevo Hogar, elige Aterrizaje lineal, navega por el cursor del mapa hasta el punto de aterrizaje/retorno deseado del UAV y haz clic para fijar.
      NOTA: Al planificar misiones, utilice el mapa satelital y las herramientas de medición del software para encontrar las zonas óptimas de aterrizaje y despegue, ya que se requiere una pista de aterrizaje sin obstáculos. Algunos UAVs de ala fija no tienen despegue vertical y requieren un ascenso gradual a altitud durante el despegue y un descenso gradual. Estos UAVs necesitan una pista de aterrizaje de entre 200 y 300 m de largo y 75 m de ancho.
   4. En el panel de Misiones , selecciona la pestaña de bloques de misión . Haz clic en Añadir bloque de misión y luego selecciona Mapeado horizontal. Desde el menú desplegable Cámara , selecciona Sequoia y, desde el Plan de arriba, selecciona Datos de elevación - EAD. El menú de preajustes aparecerá con pestañas con valores ajustables: Resolución 10 cm/px, Solapamiento lateral 75% y Solapamiento longitudinal 80%, resultando en una altitud de vuelo de 106,1 m/AED (estos valores automatizados fueron seleccionados para la encuesta con UAV).
   5. Coloca el cursor en la vista del mapa satelital y dibuja un polígono alrededor del área de estudio haciendo clic izquierdo para añadir puntos de esquina ajustables alrededor del sitio de levantamiento. Para finalizar, haz clic derecho para mostrar la posible trayectoria de vuelo del dron en el mapa.
      NOTA: Para implementar este protocolo, se estimó que el área de estudio cubriría 40 ha con un tiempo de vuelo de 32 minutos.
   6. Aún en el panel de Misión , en la pestaña de acciones de seguridad , asegúrate de que se seleccionan las siguientes acciones. Para Volver a Casa: si se detecta viento fuerte, si la cámara informa de un fallo, en poca luz (o con la tapa del objetivo puesta), si la autonomía es baja, si la precisión GNSS se degrada, si se pierde el enlace del módem de tierra durante 300 s (puede ajustarse), y para la Ascensión: si se detecta proximidad al suelo, debe seleccionarse.
   7. El momento es fundamental: programar la misión de mapeo lo más cerca posible de la verificación sobre el terreno (fecha de muestreo biofísico). Esto es vital, ya que garantiza que las imágenes de drones y los datos de campo reflejen el ecosistema bajo las mismas condiciones ambientales y fenológicas, mejorando significativamente la precisión científica y la interpretabilidad de los mapas.
   8. Seleccione una ventana de marea baja (o condiciones de "baja marea" en costas no mareales) para maximizar el hábitat expuesto y minimizar el deslumbramiento del agua; Al cronometrar los estudios aéreos, también ten en cuenta la perturbación de la fauna y trata de evitar las temporadas de cría.
3. Realiza las comprobaciones previas al vuelo y la misión de vuelo.
   1. En el lugar, evalúa las condiciones ambientales. Verificar que los niveles actuales de agua del mar estén bajos; evitar molestar a la fauna; Asegúrate de que la zona de despegue y aterrizaje sea estable, seca y suficientemente elevada sobre el agua. Examina la región del espacio aéreo donde se realizará la misión de vuelo para detectar cualquier obstáculo aéreo, incluyendo las zonas de despegue y aterrizaje.
   2. Monitoriza la previsión meteorológica para obtener condiciones óptimas de vuelo: viento (máximo 9 m/s), visibilidad (sin niebla), humedad (por debajo del 75%) y precipitaciones (máxima predicción 40%).
   3. Montar el sistema UAV: hardware de drones, sensor/cámara, antena y software de gestión de vuelo. Conecta una batería de dron. Revisa el hardware del UAV, incluyendo la salud del sensor/cámara; asegúrate de que la lente esté limpia; y verificar que el sensor/cámara esté correctamente conectado al UAV.
   4. Enciende el ordenador de trabajo de campo, abre el software de gestión de vuelo (eMotion) y haz clic en Cargar misión desde el archivo Explorar .
      1. Conecta la antena USB al portátil, haz clic en Conectar, y aparecerá una barra de control de vuelo a la derecha.
      2. En la pestaña Cámara , confirma que hay suficiente memoria disponible para almacenar todas las imágenes del levantamiento (tarjeta SD vacía, mínimo 32 GB) y que la cámara correcta (Sequoia) está listada. Activa el sonido del ordenador para escuchar notificaciones de software.
   5. Verifica que el firmware y el software estén actualizados (mediante notificaciones automáticas de software) y calibra la brújula si es necesario.
   6. Asegúrese de que la misión prediseñada esté correctamente cargada (es decir, la trayectoria de vuelo, el despegue y el aterrizaje son visibles en la vista principal). Asegurarse de que las acciones de seguridad se seleccionen correctamente (como se indica en el paso 1.2.6).
   7. Calibra el sensor multiespectral. Coloca el panel en el suelo y luego sostiene el dron encima con el sensor/lente de la cámara apuntando al panel.
      1. En software, accede a la barra de control de vuelo, abre la pestaña de Cámara y pulsa Calibrar.
      2. Esperar a que las señales sonoras indiquen la toma de fotos hasta que aparezca el texto Calibración radiométrica completa . Esto no es necesario si solo usas el sensor RGB.
   8. Antes de comenzar la misión, comprueba la dirección del viento. Coge un pequeño puñado de hierba ligera y seca, arena o hojas secas. Liberar el material a la altura de los ojos; la dirección en la que se desplaza la hierba indica la trayectoria del viento.
   9. Luego, en la vista principal del software (mapa satelital), ajusta la orientación de la trayectoria de vuelo del UAV arrastrando la manilla de orientación para que las líneas de vuelo corran perpendiculares a la dirección del viento. Asegúrate de que la trayectoria de vuelo cubra todo el sitio de la encuesta: ajusta las esquinas de los polígonos arrastrando los puntos de las esquinas.
   10. Ajusta la orientación de la trayectoria de aterrizaje para asegurarte de que la orientación sea en contra del viento.
   11. Asegúrate de que la trayectoria de vuelo, las zonas de despegue y aterrizaje estén dentro del área de trabajo tras todos los ajustes. Amplíe el círculo del área de trabajo, si es necesario, aumentando los valores numéricos del radio en la pestaña del área de trabajo .
   12. Inicia el vuelo del UAV como una misión automatizada siguiendo la trayectoria prediseñada (área de estudio para el caso de estudio: 40,5 ha). Hora de inicio del vuelo de registro.
       1. Durante el vuelo, mantén el software de gestión de vuelo encendido y la antena del dron siempre conectada.
       2. Escucha y observa el software para actualizaciones de duración de la batería, rendimiento de los sensores y las señales de alarma del dron durante la misión (por ejemplo, aumento de la velocidad del viento, detección de obstáculos).
       3. Mantener una línea de visión visual (VLOS) con el dron en misión en todo momento, salvo que se apruebe lo contrario. Evita todas las distracciones y mantente preparado para responder a las notificaciones o realizar un aterrizaje de emergencia. Hora de fin de vuelo del registro.
          NOTA: La mejor práctica (dependiendo de la región, puede ser un requisito legal) es realizar encuestas con dos operadores: uno que mantiene el VLOS y el otro supervisa el software de gestión de vuelo. En caso de un accidente de UAV, suspender las operaciones de vuelo, asegurar la zona, documentar el incidente, notificar a las autoridades competentes e iniciar los procedimientos de seguro.
4. Realiza los procedimientos posteriores al vuelo.
   1. Extrae todas las imágenes aéreas del sensor o cámara montada en el UAV y haz copia de seguridad de todos los datos de la encuesta, incluido el registro de vuelo, en un ordenador y/o en la nube.
      NOTA: El riesgo de pérdida de datos aumenta con el tiempo, ya que el equipo puede dañarse y las tarjetas SD pueden corromperse.
   2. Verifica la nitidez, exposición y cobertura de la imagen, comprobando si hay huecos en la secuencia de imágenes que puedan haberse producido por un error del sensor o causados por deslumbramientos, sombras o inundación de marea. Reprogramar y volver a hacer la inspección según sea necesario, asegurando que el vuelo con dron ocurra en proximidad temporal cercana a la verificación en tierra.
   3. Descargue y guarde el archivo del formato de intercambio independiente del receptor (RINEX) de archivos públicos como los servicios nacionales de levantamiento topográfico, correspondiente a la fecha y hora del vuelo.
   4. En un disco duro externo (250 GB-1 TB), crea una carpeta para el caso de estudio (título sugerido: date_ ubicación [Evita usar espacios y caracteres especiales]). Esta será la carpeta maestra para el almacenamiento y acceso de datos en los pasos siguientes, y la ubicación donde se crearán o guardarán las capas de los paquetes geográficos.
   5. Para realizar geolocalización de imágenes de levantamiento aéreo, en el software de gestión de vuelo, abra la pestaña Postflight . Si el mismo ordenador se usó para volar en el Calendario, selecciona la fecha del vuelo. Si no, selecciona No.
   6. Navega y sube el registro de vuelo desde el archivo de respaldo. Crea una carpeta de proyecto en la memoria externa para el caso de estudio (título proyecto como se sugiere en la pantalla). Haz clic en Siguiente.
   7. Navega y sube los registros de vuelo desde la tarjeta SD utilizada durante el vuelo, que puede identificarse por el número de vuelo, o sube desde un archivo de respaldo. Espera hasta que la trayectoria de vuelo aparezca en la vista principal del software. Verifica que sea el área o el registro de vuelo correctos. Haz clic en Siguiente.
   8. En el menú desplegable de Opciones de postprocesamiento , selecciona PPK: Procesar los datos GNSS en bruto de drones. En el registro de la estación base selecciona Rinex, busca y encuentra el archivo RINEX guardado. Haz clic en Siguiente y luego espera a que terminen los cálculos. Asegúrate de que PPK fijado > los Geotags postprocesados aparezcan al 100%, y luego haz clic en Siguiente.
   9. En el menú desplegable Cargar imágenes , elige una de las siguientes opciones: desde tarjeta SD o Explorar para encontrar la carpeta con las imágenes de levantamiento aéreo correspondientes al registro de vuelo. Haz clic en Siguiente. Espera hasta que aparezca la coincidencia de imágenes exitosa y haz clic en Siguiente para iniciar la importación de imágenes geolocalizadas en la carpeta del proyecto. Estas imágenes servirán como entradas en un proceso fotogramétrico.
      NOTA: Para cada registro de vuelo, el georreferenciado de imágenes debe realizarse por separado (repetir los pasos 1.4.4–1.4.8). Por ejemplo, tras un cambio de batería de UAV, la inspección aérea posterior tendrá un nuevo registro de vuelo.
5. Procesar datos fotogramétricos (es decir, crear productos cartográficos usando imágenes aéreas de levantamiento).
   1. En la estación de trabajo, conecta el disco duro externo que contiene las imágenes geolocalizadas del UAV y abre el software de fotogrametría preinstalado.
      1. Crea un proyecto nuevo y guárdalo en el disco externo (formato recomendado: prefijo MS o RGB + ubicación + fecha).
      2. Añadir las imágenes, señalando que los conjuntos de datos multiespectral y RGB deben procesarse en proyectos separados; por lo tanto, utiliza el prefijo MS para imágenes multiespectrales y RGB para este último.
         NOTA: Se utilizó PIX4Dmapper; sin embargo, se puede utilizar software alternativo de fotogrametría para reproducir este protocolo.
   2. Asegúrese de que en la pantalla emergente de Propiedades de la Imagen se listen/seleccionen lo siguiente: WGS 84 como sistema de coordenadas, el número correcto de imágenes geolocalizadas y el modelo de cámara seleccionada listando bandas (Sequoia y Verde, Rojo, Borde Rojo, bandas NIR o RGB).
      1. Pulsa Siguiente, luego elige la plantilla de procesamiento: Ag multispectral para multiespectral, pero RGB Ag para imágenes RGB. Termina, y aparecerá un mapa satelital con ubicaciones de imágenes en la vista principal.
         NOTA: Para el proyecto multiespectral, asegúrate de añadir imágenes de calibración con un panel de calibración visible (creado en el paso 1.3.7 y guardado automáticamente con todos los datos de la encuesta). En este estudio de caso, se geolocalizaron un total de 2.320 imágenes multiespectrales y 577 imágenes RGB.
   3. Abre la ventana de opciones de procesamiento , haz clic en 1. Procesamiento inicial aquí, en Puntos clave Escala de imagen, selecciona Completo y Generar Vista previa ortomosaico en Informe de calidad, luego haz clic en 2. Nube de puntos y malla > Nube de puntos en esta pestaña, selecciona 1/2 (Mitad del tamaño de la imagen, por defecto) y selecciona Clasificar nube de puntos.
   4. Haz clic 3. Pestaña DSM, Orthomosaic y calculadora de Índice > Índice selecciona GeoTIFF y Mosaicos de Fusión y todos los índices disponibles a generar (Figura 4).
      1. Para el proyecto multiespectral, asegúrate, bajo Procesamiento y Calibración Radiométrica, de que el tipo de calibración de cada banda esté configurado como Cámara, Irradiancia Solar y Ángulo Solar.
      2. Haz clic en DSM y Orthomosaic en Raster DSM , selecciona GeoTIFF y Merge tiles, además de Orthomosaic selecciona GeoTIFF y Merge tiles. Haz clic en OK y empieza a procesar.
         NOTA: Al procesar imágenes multiespectrales, el tipo de calibración se establece automáticamente usando imágenes tomadas in situ antes del vuelo (paso 1.3.7), pero puede recalibrarse manualmente haciendo clic en Calibrar. Luego busca una imagen del panel de calibración (con el título de banda correspondiente) e introduce el valor del factor de reflectancia leído desde el panel de calibración.
   5. El procesamiento de fotogrametría concluye con mapas de reflectancia generados/guardados (mapas de levantamiento de UAV) en la carpeta multiespectral del proyecto: verde, rojo, borde rojo, NIR, y en RGB: rojo, verde, azul, escala de grises, ortomosaico y DSM (modelo digital de superficie). Asegurarse de que todos los índices, ortomosaicos y GeoTIFFs del DSM estén fusionados y verificar los informes del proyecto en busca de errores; Si se detectan problemas, repite el proceso.

2. Recopilación de datos de la verdad sobre el terreno y realización de georreferenciación

1. Prepárate para el trabajo de campo.
   1. Visita el lugar del estudio con antelación y explora la zona para identificar posibles comunidades vegetales de interés, adquiriendo así un conocimiento experiencial del lugar. Decidan qué observaciones biofísicas son factibles de recoger in situ y que son necesarias para describir la composición de la comunidad vegetal del sitio de estudio seleccionado.
      NOTA: Para ilustrar este protocolo, el enfoque se centró en las especies de vegetación, la estructura y la composición para clasificar 4 comunidades vegetales indicativas de un hábitat de pradera costera boreal báltica: Open Pioneer (OP), Lower Shore (LS), Upper Shore (EE. UU.) y Tall Grass (TG).
   2. Prepara e imprime una guía visual de identificación de especies vegetales que incluya las especies indicativas de las comunidades vegetales en el(los) hábitats concretos que se están cartografiando. La guía puede acelerar y ayudar en la identificación de especies in situ si fallan los dispositivos electrónicos.
   3. Prepara una hoja de trabajo para registrar las observaciones de campo, incluyendo una lista de especies indicadoras junto con otras especies comúnmente encontradas en el/los hábitats estudiados y en la zona circundante, así como observaciones biofísicas adicionales de campo que deban registrarse (por ejemplo, fecha del levantamiento, alturas de la vegetación, pesos de biomasa).
2. Utiliza un procedimiento de muestreo estratificado para recopilar datos de la verdad del terreno usando cuadrados.
   1. Identifica una comunidad vegetal visualmente basándose en el conocimiento de campo experiencial.
   2. Coloca un marco cuadrado en el suelo en una ubicación representativa para la comunidad vegetal que se está muestreando, evitando áreas con perturbaciones significativas. Para humedales costeros boreales, un cuadrado de 1 m x 1 m es suficiente. Este cuadrado servirá como parcela de muestra para observaciones biofísicas y muestreo de biomasa.
   3. Anota la fecha del levantamiento, los nombres de los topógrafos, el tipo/clase de la comunidad vegetal y el código numérico de cada cuadrado muestral.
      NOTA: Se recomienda establecer los códigos numéricos en el siguiente orden: código de campo de estudio + código de comunidad vegetal + número de secuencia cuadrático de muestra del cuadrado que se está registrando. Estos códigos numéricos vincularán las observaciones de campo biofísicas con el conjunto de datos geoespacial y las coordenadas.
   4. Registrar las coordenadas en cada esquina del cuadrado de muestra usando sistemas GNSS/RTK y software de topografía, introduciendo un código numérico correspondiente al código numérico del cuadrado y guardando las coordenadas.
      NOTA: Utilice un receptor GNSS que proporcione datos de localización de alta precisión (a nivel centímetro); consulte el manual de usuario para instrucciones sobre cómo operar el dispositivo y su software complementario.
   5. En cuanto a las observaciones biofísicas, dentro del cuadrado muestral, registra los porcentajes estimados de cobertura para cada especie vegetal observada, así como la cobertura de otras variables potencialmente indicativas, incluyendo suelo desnudo, hojarasca, musgo y algas (asegurando que el total esté entre el 95% y el 105%, un rango aceptado para estudios fitosociológicos). Realiza cinco mediciones aleatorias de la altura de la vegetación usando una cinta métrica para determinar la altura media de la muestra.
   6. Con el mismo cuadrado muestral, recoge observaciones biofísicas opcionales: por ejemplo, porcentaje de humedad del suelo, muestrea biomasa vegetal cortando la vegetación a nivel del suelo, recoge biomasa en una bolsa de papel y pesa usando una báscula nivelada a pilas (precisión ± 1 g). Para encontrar el peso real de biomasa, resta el peso de la bolsa de papel del peso total. Anota todos los pesos para referencia futura.
3. Replicar los procedimientos de muestreo estratificado en cuadrados descritos en pasos anteriores (2.2.1–2.2.6) al menos 10 veces dentro de cada una de las clases de comunidades vegetales (es decir, OP, US, LS, TG).
   NOTA: Evita colocar los cuadrados de muestra demasiado juntos. Es esencial proporcionar muestreos consistentes y completos en los sitios del estudio para asegurar que las muestras cuadradas registradas reflejen con precisión los hábitats. Dado que las comunidades vegetales suelen aparecer en patrones de mosaico en humedales costeros, se toma muestras de la misma comunidad vegetal en diferentes lugares dentro del sitio de estudio.
4. Digitaliza los registros de muestreo en cuadrados tras completar todas las observaciones de campo.
   1. Transcribir todas las notas de trabajo de campo en un software de hojas de cálculo, creando un conjunto de datos para su análisis organizando los datos en formato de tabla con una fila de cabecera que etiqueta cada variable; Luego introduce todos los valores en consecuencia.
   2. Guarda el archivo y expórtalo como un archivo de valores separados por comas (CSV).
5. Crea un conjunto de datos de verificación georreferenciando observaciones biofísicas.
   1. Descarga todas las coordenadas registradas de las ubicaciones de las esquinas cuadradas de muestra como un archivo CSV desde el sistema GNSS/RTK utilizado en el campo.
   2. Crea un nuevo proyecto en el software de Sistema de Información Geográfica (SIG) (QGIS se utilizó para implementar este protocolo) y guárdalo como un archivo .qgz en el proyecto creado en el paso 1.4.3. Esta carpeta y el archivo .qgz incluirán todos los conjuntos de datos geoespaciales de los próximos pasos.
   3. En el espacio de trabajo SIG, importa un archivo CSV que contenga las coordenadas de las esquinas cuadradas como una Capa de Texto Delimitada. Tras importar estas coordenadas, aparecerán como forma: puntos.
   4. Une las coordenadas de cada punto de esquina cuadrado como un archivo shape: polygon, y guarda el archivo shape.
   5. Une el archivo shapefile de polígonos con el archivo CSV del conjunto de datos de campo digitalizado (creado en el paso 2.4) enlazando los códigos numéricos de ambos archivos.
   6. Guarda el nuevo conjunto de datos de verdad sobre el terreno como un archivo GeoPackage (.gpkg) en la carpeta creada en el disco duro externo (paso 1.4.4). Guarda para actualizar el proyecto GIS.

3. Cálculo del índice de vegetación (VIs)

1. Prepara mapas de levantamiento basados en UAV para el Vis.
   1. Al espacio de trabajo de software SIG (usar el mismo archivo .qgz creado en el paso 2.5.2 y actualizado en 2.5.6), importar todos los mosaicos de reflectancia (productos cartográficos) creados usando la encuesta UAV en la primera fase del protocolo, en el paso 1.5.
   2. Reducir el tamaño de los mapas 'recortando' datos innecesarios. Observando la distribución del cuadrado muestral y basándose en el conocimiento experiencial de la extensión del sitio de estudio, se crea un límite de polígono que rodea el sitio de estudio y recorta mapas hasta la extensión del polígono (Figura 5). Esto reducirá el tamaño del archivo y aumentará la velocidad de procesamiento.
      NOTA: Mapas de levantamiento recortados (multiespectrales GREEN, RED, Red edge, NIR, y GeoTIFFs y ground_truth.gpkg de la banda RGB rojo, verde, azul, creados en el paso 2.5.6) están disponibles para descargar desde el repositorio Zenodo mediante el enlace: https://doi.org/10.5281/zenodo.20075625 solo con fines educativos para practicar la reproducción de los siguientes pasos.
2. Utiliza la herramienta Calculadora de Raster para calcular; las fórmulas VI están listadas en el Archivo Suplementario 1 34,41,42,43,44,45,46,47,48,49,50,51,52,53,54,55,56 ^, 57.58.59,60,61,62,63,64,65,66,67,68,69,70,71.
   1. Al calcular los VI multiespectrales, utiliza los GeoTIFFs de RED, GREEN, NIR y Red-edge como valores de entrada. (véase la Figura 6, Calculadora RASTER GIS, una fórmula VI entrada como ejemplo).
   2. Para cálculos VI basados en RGB, primero normaliza los índices rojo, verde y azul (productos de mapas del paso 1.5). Calcular nuevos RGB VI solo después de completar el proceso de normalización (las fórmulas para normalizar índices RGB están disponibles en el Archivo Suplementario 1 como parte de la lista RGB VI).
   3. Guarda los nuevos VIs como GeoTIFFs (por ejemplo, archivos ráster) en carpetas separadas, nombrándolos en consecuencia (por ejemplo, prefijo (MS o RGB) + nombre del índice) en la carpeta GIS Project creada en el disco duro externo (paso 1.4.4).
   4. Añade el DSM y otros VIs automáticos (por ejemplo, escala de grises) creados/recortados en el paso 3.1.2 a la carpeta de VIs RGB. Estas carpetas que contienen VIs, junto con un archivo de verdad terrestre (creado en el paso 2.5.6), sirven como conjuntos de datos base para un algoritmo de Random Forest que clasifica comunidades vegetales cartografiadas. Guarda para actualizar el proyecto GIS con enlaces a archivos raster VI.

4. Clasificación supervisada en R usando Random Forest

NOTA: Para ejecutar esta fase, abre un entorno de computación estadística para R en RStudio, luego ve a Archivo > Archivo Abierto y selecciona el script proporcionado en Archivo Suplementario 2. Este guion está listo para usar y está organizado para garantizar la reproducibilidad y facilitar la adaptación a otros sitios de estudio. Puede ejecutarse de dos maneras: (1) Ejecutar todo el script de una vez: Haz clic en Fuente o pulsa Ctrl + Shift + Enter, asegurándote de que las rutas de carpeta y de archivos GeoPackage estén actualizadas; o (2) Ejecuta línea por línea o bloque por bloque: coloca el cursor sobre una línea o selecciona un bloque y pulsa Ctrl + Enter. Esta opción se recomienda porque ofrece mejores alternativas para solucionar problemas.

1. Prepara el entorno R.
   1. Instalar y cargar los paquetes necesarios (es decir, terra, sp, sf, raster, rsample, MLmetrics, randomForest, rgdal⁾⁷².
      NOTA: Si rgdal es incompatible con las versiones más recientes de R, las funciones stack() y readOGR() pueden ser reemplazadas por rast() y st_read(), respectivamente.
   2. Establece el directorio de trabajo.
2. Realiza el preprocesamiento rasterizado.
   1. Carga todos los archivos raster desde el área encuestada situada en un directorio de trabajo específico.
   2. Asegura proyección, resolución y extensión consistentes entre los rasters de entrada. Si se detectan inconsistencias, utiliza la función resample() en R (por ejemplo, terra::resample() o raster::resample()) para alinear los rasters a un archivo de referencia común (normalmente el que tiene la resolución espacial más gruesa para evitar escalado artificial) (véase el artículo de Hijmans et ^al.73).
3. Realizar la extracción de datos:
   1. Importar datos de verdad en el terreno desde un GeoPackage (creado en el paso 2.5.6).
   2. Usa la función terra:: extract() para vincular valores de ráster a polígonos de muestreo.
   3. Une el marco de datos que contiene los valores extraídos con los códigos de la comunidad vegetal, asegurando que son factores.
4. Divide el conjunto de datos en conjuntos de entrenamiento y validación usando muestreo estratificado para mantener el equilibrio de clases. Modificar la proporción entre muestras de entrenamiento y validación según prefiera, o según la disponibilidad de muestras.
   NOTA: Los conjuntos de datos más pequeños suelen requerir una división 80/20 para proporcionar datos de entrenamiento suficientes. Conjuntos de datos más grandes: 70/30 es suficiente y proporciona un conjunto de validación o prueba más sólido (véase la publicación de Mohammed y Alsunosi⁷⁴).
5. Realiza afinación de modelos.
   1. Define una cuadrícula de parámetros para explorar diferentes combinaciones de mtry y ntree.
      NOTA: mtry es el número de variables (predictores) que se muestrean aleatoriamente como candidatas para cada división al hacer crecer un árbol de decisión en RF. El valor por defecto suele ser la raíz cuadrada del número total de predictores para la clasificación y un tercio para la regresión. Mientras que ntree es el número total de árboles de decisión que crecen en el bosque. Un mayor número de árboles generalmente mejora el rendimiento pero aumenta el tiempo computacional; La tasa de error suele estabilizarse tras un cierto número de árboles.
   2. Haz un bucle a través de la cuadrícula (es decir, búsqueda en cuadrícula, que prueba sistemáticamente diferentes combinaciones de valores de hiperparámetros para encontrar el conjunto con mejor rendimiento para el modelo) y evalúa la precisión de cada combinación.
   3. Elige la combinación con mayor precisión.
      NOTA: Véase Belgiu y Drăguţ⁷⁵, también Bergstra et ^al.76, para una mejor comprensión de la relevancia y enfoques alternativos para este paso.
6. Ajusta el modelo RF usando la mejor combinación de parámetros. El script registra el error Out-of-Bag (OOB) y la importancia de las variables.
7. Realizar predicciones y evaluaciones de precisión.
   1. Predecir la clase de comunidad vegetal para todos los píxeles en la pila raster y el conjunto de datos de validación. Exporta el mapa de clasificación como GeoTIFFs (véase la Figura 7, que muestra una captura de pantalla de la consola R incluyendo visualizaciones gráficas de los resultados finales; La Figura 7A muestra el producto cartográfico de la comunidad vegetal cuando se utiliza un conjunto de datos de entrada de VIs multiespectrales, y la Figura 7B muestra el producto cartográfico de la comunidad vegetal cuando se utiliza un conjunto de datos RGB+DSM).
   2. Calcular la matriz de confusión, precisión, puntuación F-1, precisión y recuerdo en el conjunto de validación (véase la Figura 8, que muestra las capturas de pantalla R que muestran las clasificaciones de rendimiento VI; La Figura 8A muestra una captura de pantalla de la consola R y grafica al usar VIs multiespectrales como conjunto de datos de entrada, y la Figura 8B muestra una captura de pantalla al usar un conjunto de datos RGB+DSM; Las vistas de la figura 8A y B incluyen gráficos de importancia variable llamados "final_rf"). Para más detalles sobre estas métricas, consulte el artículo de Naidu et ^al.77.
8. Reabrir el proyecto QGIS (creado en el paso 2.5.2 y actualizado en las 2.5.6 y 3.2.3), añadir mapas de clasificación de comunidades vegetales (GeoTIFFs). Guarda el proyecto QGIS para actualizar el proyecto GIS.
   1. Para compartir y respaldar todos los conjuntos de datos geoespaciales (mapas de levantamiento de UAV, verificación sobre el terreno, VIs, mapas de clasificación de comunidades vegetales como proyecto GIS), ve a la carpeta del sitio del estudio, haz clic derecho y selecciona Enviar a > carpeta comprimida (zip).
      NOTA: La carpeta completa del Proyecto SIG puede constituir un conjunto de datos sustancial (este conjunto de datos de estudio de caso de 40 ha superó los 140 GB). Si es necesario, comunica solo los resultados finales y los conjuntos de datos de datos de verdad para reducir el tamaño del archivo.

Resultados

El método semiautomatizado para cartografiar y clasificar comunidades vegetales está diseñado para generar información precisa sobre la cobertura del suelo para humedales costeros, que están dominados por plantas herbáceas heterogéneas de bajo crecimiento y caracterizadas por microtopografía; véase un ejemplo de tal hábitat en la fotografía de la Figura 1. Se realizó un estudio de caso del humedal costero boreal báltico en la isla de Hiiumaa, Estonia. En el lugar, se muestrearon cuatro comunidades vegetales para entrenar el modelo de clasificación: Open Pioneer (OP), Lower Shore (LS), Upper Shore (EE. UU.) y Tall Grass (TG). La Figura 2 ofrece una visión concisa de la metodología implementada en cuatro fases distintas. En cambio, la Figura 3 ilustra una guía diagramática detallada que delimita pasos numerados y accionables acoplados por flechas para representar el flujo de datos, sintetizando así la metodología a lo largo de los pasos y fases del protocolo. Los resultados finales de este método, utilizando un sensor multiespectral y un sensor RGB, son mapas de comunidades vegetales multiespectrales y basados en RGB, que se almacenan como capas en un proyecto SIG junto con todos los conjuntos de datos intermedios. La calidad de los conjuntos de datos geoespaciales se evaluó al completar cada fase del protocolo, ya que la calidad de los resultados en las fases sucesivas depende de la calidad de los resultados de la fase anterior, culminando en la fase final, donde las entradas comprenden el agregado de todos los pasos previos.

A continuación se resumen los resultados de cada una de las cuatro fases del protocolo:

En la primera fase, el levantamiento aéreo de UAV se realizó a una altitud de 120 m, lo que arrojó una Distancia de Muestreo Terrestre (GSD) de aproximadamente 10 cm/píxel. El levantamiento aéreo produjo imágenes multiespectrales y con la visión RGB. Tras el postprocesado cinemático (PPK), se corrigieron las geoetiquetas para cada imagen de dron y las imágenes se mosaicaron en software profesional de fotogrametría para producir mapas de levantamiento aéreo. El procesamiento fotogramétrico de imágenes aéreas multiespectrales produjo archivos ráster con reflectancia ROJO, VERDE, NIR y Red-edge.

Las imágenes aéreas multiespectrales y RGB se procesaban como proyectos separados debido a las resoluciones inherentemente distintas de las fotografías. Véase la Figura 4 de la configuración de mosaico de imágenes en RGB. Figura 4A. Opciones de procesamiento seleccionando mosaicos fusionados y generando mapas de salida unificados y sin interrupciones. Figura 4B. la selección de cálculos automáticos de índices a partir de imágenes de cámaras RGB produjo cuatro mapas rasterizados: uno por banda (rojo, verde y azul) y el DSM (Digital Surface Model). Figura 4C. demuestra la generación de puntos de unión automáticos para coincidir píxeles comunes entre imágenes superpuestas durante el paso inicial de procesamiento. Junto con 3 índices RGB (rojo, verde, azul) y DSM, el software de fotogrametría generó un raster en escala de grises generado por el software: una representación monocromática de un solo canal que escala y combina las diferentes bandas (por ejemplo, rojo, verde, azul), con los valores bajos de píxeles que aparecen en negro y los valores altos en blanco. La formulación de este índice en escala de grises es específica del software y no está estandarizada en todas las plataformas de fotogrametría.

El software de fotogrametría generó informes de calidad que describen los resultados de procesamiento para ambos conjuntos de proyectos de mosaico de imágenes aéreas: multiespectral y RGB. Estos informes proporcionan métricas clave para validar la precisión. Los indicadores de resultados de alta calidad son el bajo error de reproyección: cuanto más cerca de 0, mejor (cualquier valor inferior a 1,0 generalmente se acepta). Por ejemplo, las "líneas de coincidencia" densas significan coincidencias fuertes entre la mayoría de las imágenes. Los mapas de salida fueron evaluados visualmente y se encontró libres de vacíos y otras discrepancias visuales. Las discrepancias visuales son señal de posibles errores de reflectancia y mosaico, así como de problemas subyacentes en la rejilla de georreferenciación. El informe de fotogrametría, junto con manuales de software específicos y recursos de formación, se utiliza para identificar el problema, encontrar una solución y reprocesar imágenes aéreas.

Los mapas de levantamiento aéreo de UAV sirvieron como base de datos para recalcular información espectral compleja en índices estandarizados basados en píxeles (es decir, índices de vegetación VIs generados en la tercera fase), permitiendo su uso como entradas estructuradas para la clasificación por aprendizaje automático (en la fase final del protocolo).

Se recopilaron observaciones biofísicas in situ como un conjunto de datos de verificación de terreno. En el lugar del estudio de caso (humedal costero boreal báltico), se identificaron y muestrearon cuatro comunidades clave de plantas vasculares: Open Pioneer (OP), Lower Shore (LS), Upper Shore (EE. UU.) y Tall Grass (TG). Utilizando el método de muestreo cuadrático estratificado delineado en la segunda fase del protocolo, la comunidad vegetal OP se identificó por la presencia de especies indicadoras: Salicornia europaea y Suaeda maritima; LS por altos porcentajes de Glaux maritima y Juncus geradii; EE. UU. por sus especies indicadoras: Festuca rubra y Leontodon autumnalis; mientras que TG se distingue por una presencia significativa de hierbas altas: Deschampsia cespitosa, Elytrigia repens y Molinia caerulea. Se recogieron al menos 10 muestras cuadradas para cada comunidad vegetal. Cada muestra cuadrática incluyó las siguientes observaciones biofísicas: composición de especies vegetales (%), humedad del suelo (%), alturas de la vegetación en centímetros y ubicaciones precisas de coordenadas cuadráticas. Estas variables se digitalizaron como un conjunto de datos tabulado, se importaron en GIS Project, se añadieron al archivo shapefile GNSS de cuadratura de muestra y se guardaron como un GeoPackage (.gpkg). Un archivo independiente de la plataforma, que contiene observaciones biofísicas de comunidades vegetales de humedales y datos precisos de coordenadas muestrales, cumple un doble propósito: para una evaluación y modelización adicional de ecosistemas ambientales y ecológicos. Lo más importante es que, para la ejecución exitosa de este protocolo, este archivo GeoPackage sirve como datos de entrenamiento y validación del modelo en el proceso de aprendizaje automático delineado en la fase 4. Codificación de comunidades vegetales: OP, LS, US, TG; se usaban como etiquetas de entrenamiento en el proceso de aprendizaje automático. La precisión (etiquetas de alta fidelidad, auditoría humana, formato consistente) y la estructura (formato limpio y rectangular (filas/columnas)) son cruciales para producir un conjunto de datos de verdad de terreno de alta calidad. Las etiquetas de verdad fundamental deben tener tasas de error casi nulas (por ejemplo, errores tipográficos) para garantizar convenciones de etiquetado consistentes. Por ejemplo, si "OP" es la verdad fundamental, es esencial asegurarse de que no esté etiquetado de otra manera (como "op", "O.P.") para evitar duplicaciones.

Para ejecutar la tercera fase del protocolo, se utilizaron los conjuntos de datos del levantamiento aéreo realizado en la primera fase para recalcular los datos brutos del levantamiento aéreo en índices de vegetación (VIs). Primero, para reducir el tamaño del conjunto de datos y agilizar el proceso informático, las salidas de fotogrametría "recortadas" para omitir datos de píxeles irrelevantes o de baja calidad fuera de los límites del sitio de estudio (véase la Figura 5 como ilustración de las acciones realizadas en un software SIG).

Luego, se calcularon 19 VI multiespectrales utilizando mapas de reflectancia RED, GREEN, NIR y Red-edge. Se generaron e incluyeron los siguientes archivos ráster multiespectrales VI en el Proyecto GIS: índice Datt 4 (Datt4)⁴¹, Índice de Vegetación Mejorado (EVI)⁴², Índice de Clorofila Verde (GCI⁾⁴³, Índice de Diferencia de Verde (GDI)⁴⁴, Índices de Vegetación de Diferencias Generalizadas (GDVI⁾⁴⁵, Índice de Porcentaje de Vegetación Infrarroja Verde (GIPVI⁾⁴⁶, Índice de Vegetación de Diferencia Normalizada Verde (GNDVI⁾⁴⁷, Índice de Diferencia Verde-Roja (GRDI⁾⁴⁴, Índice de Vegetación Verde-Rojo (GRVI⁾⁴⁵, Índice de Vegetación de Diferencias Normalizadas Modificadas (mNDVI⁾⁴⁸, Índice de Vegetación Modificado Ajustado en^{Suelo 49} (MSAVI: véase Figura 6. una captura de pantalla de una calculadora ráster en software SIG con entrada de fórmulas MSAVI), Relación Simple Modificada con borde rojo (MSRred_edge)⁵⁰, Índice de Diferencia Normalizada del Agua (NDWI⁾⁵¹, Índice de Vegetación Diferencial Normalizada (NDVI)⁵², NDVI de Borde Rojo (NDVIre)⁴⁷, Índice de Vegetación Triangulada de Borde Rojo (RTVIcore⁾⁵⁰, Índice de Vegetación Ajustada del Suelo (SAVI^)53,54, Ratio Simple (SR)⁵⁵, Relación Simple-Borde Rojo (SRre)⁴⁷.

Además, se calcularon y guardaron un total de 23 VI basados en RGB como archivos ráster en el proyecto GIS para análisis espaciales adicionales: Índice de Relación Azul–Verde (BGRI⁾⁵⁷, Índice de Brillo (BI)⁵⁸, Índice de Vegetación de Rango Dinámico Azul (BRVI⁾⁵⁹, Índice de Color de la Vegetación (CIVE⁾⁶⁰, Índice de Vegetación Vista Verde Mejorada (EGVI⁾⁶¹, Índice de Vegetación Mejorado (ERVI⁾⁶², Índice verde excedente ExG y ExGI⁶³, índice de combinación (COM⁾⁶⁴, Coordenada cromática verde (GCC^)34,65, Índice de hoja verde (GLI⁾⁶⁶, Índice de Vegetación Verde-Rojo (GRVI⁾⁶⁷, Índice de Vegetación Verde Rojo Modificado (MGRVI⁾⁶⁸, Índice de Diferencia Verde-Azul Normalizado (NGBDI⁾⁶⁹, Índice Normalizado de Diferencia Verde-Rojo (NGRDI⁾⁶⁹, Índice de Razón Rojo–Verde–Azul e Índice de Vegetación Rojo-Verde-Azul (RGBRI⁷⁰) y RGBVI⁶⁸), Índice de Relación Rojo-Verde (RGRI⁾⁵⁷, Índice de Vegetación Ajustada del Suelo Visible (SAVI⁾⁵³, Índice de Verdor Triangular (TGI⁾⁶⁹, Índice Atmosférico Visible de Resistencia (VARI⁾⁴⁷, Índice Vegetativo (VEG⁾⁷¹, Índice de Woebbecke (WI⁾⁶³.

Los resultados finales incluyen dos mapas de clasificación de comunidades vegetales multiespectrales y RGB separados guardados como GeoTIFFs dentro del proyecto GIS, junto con todos los datos geoespaciales anteriores. Se utilizaron 19 VI multiespectrales, junto con el conjunto de datos ground-truth, como predictores a nivel de píxel en un flujo de trabajo de aprendizaje automático (por ejemplo, algoritmo de RF) para clasificar comunidades vegetales costeras boreales (OP, LS, US, TG) y generar un mapa multiespectral de comunidades vegetales. Y predictores basados en RGB (25 RGB VI, índice en escala de grises y⁵⁶ índices normalizados rojo, azul, verde y DSM), junto con el conjunto de datos de verificación de terreno, para clasificar y generar un mapa de comunidades vegetales basado en RGB (véase la Figura 7). Las salidas finales se representaban en la consola R; La Figura 7A representa el multiespectral, y la Figura 7B representa los mapas de comunidades vegetales basados en RGB).

Para generar resultados finales, se utilizó el entorno R (fase 4 del protocolo) para programar y ejecutar el flujo de trabajo de aprendizaje automático (por ejemplo, algoritmo RF), permitiendo la visualización de salidas intermedias, como las clasificaciones de rendimiento del índice de vegetación (VI) (Figura 8). Al mapear y clasificar comunidades vegetales, la consola R proporcionaba mensajes de error y explicaciones en tiempo real, facilitando la resolución de problemas y asegurando una progresión fluida en cada paso.

Este estudio evaluó dos modelos de algoritmos RF para mapas de clasificación de comunidades vegetales. El primer modelo RF, utilizando VIs multiespectrales como conjunto de datos de entrada, alcanzó una precisión del 92,34% con una puntuación F1 de 0,915 en el conjunto de datos de validación. Este es un resultado válido, ya que las puntuaciones en F1 varían de 0 (peor) a 1 (perfecto), siendo puntuaciones más altas un rendimiento superior. La puntuación F1 en un modelo RF representa la media armónica de precisión y recuerdo. Esta métrica equilibra eficazmente falsos positivos y negativos, es decir, no permite que un tipo de error supere al otro, lo cual es esencial para conjuntos de datos desequilibrados, y con frecuencia se promedia entre clases o se reporta por clase para evaluar el rendimiento global del^{modelo 78,79}. La tasa de error OOB del modelo multiespectral fue del 7,75%, lo que indica un riesgo moderado de clasificación errónea. Las puntuaciones F1 a nivel de clase en el conjunto de datos de validación oscilaron entre 0,845 en TG y 0,984 en comunidades vegetales OP, lo que indica una variabilidad moderada en el rendimiento entre comunidades.

El segundo modelo de RF evaluado se basó en VIs y DSM derivados de la encuesta aérea del RGB, logrando una precisión del 98,89% con una puntuación global de F1 de 0,987. Su tasa de error OOB fue solo del 1,14%, lo que refleja una fiabilidad muy alta. Las puntuaciones F1 a nivel de clase fueron consistentemente altas (0,986–0,993), lo que indica una clasificación sólida para todas las comunidades.

El gráfico de importancia variable en R (Figura 8A) demostró las capacidades predictivas de cada VI para las comunidades vegetales de humedales costeros boreales. Los VI multiespectrales más influyentes como predictores fueron mNDVI y SR, que indican una fuerte sensibilidad a la vegetación y biomasa del dosel. De manera similar, GRDI, NDVIre y SRre también fueron altamente clasificados, reflejando el papel de los índices de margen rojo y de diferencias normalizadas en la distinción de tipos de vegetación. En cambio, el índice basado en RGB y el gráfico de importancia variable del DSM muestran que el modelo de altura estructural derivado del DSM como predictor es un factor clave de la precisión de la clasificación (Figura 8B). Otros predictores importantes incluyen TGI, escala de grises y VARI, que aprovechan la variabilidad de la reflectancia del RGB. Por tanto, estos resultados indican que el DSM y los índices derivados del RGB mejoran significativamente la fiabilidad de la clasificación y reducen el riesgo de clasificación incorrecta.

El conjunto de datos geoespacial completo se guardó como el Proyecto GIS, una carpeta que incluía mapas de levantamiento de UAV y VI, el GeoPackage de observación biofísica (verdad de terreno) y mapas de comunidades vegetales; todos enlazados como un proyecto QGIS (archivo .qgz). El proyecto es adecuado para uso offline y permite la interoperabilidad entre plataformas SIG.

Figura 1: Lugar de estudio. Fotografía con un pin de ubicación en el mapa global, señalando la isla de Hiiumaa en el archipiélago occidental de Estonia. El yacimiento de estudio, Kõrgessaare rannaniit, está situado en la aldea de Viscosa y es una zona de conservación natural. Tipo de hábitat: prado costero boreal báltico (código Natura 2000 1630). Por favor, haz clic aquí para ver una versión ampliada de esta figura.

Figura 2: Diagrama conceptual de flujo de trabajo. (1) encuesta aérea basada en UAV, (2) recogida y georreferenciación de datos de precisión del suelo, (3) cálculo de índices de vegetación y (4) clasificación supervisada usando Random Forest in R. Los mapas reales de la implementación del protocolo ilustran este método de cuatro fases. Por favor, haz clic aquí para ver una versión ampliada de esta figura.

Figura 3: Diagrama detallado del flujo de trabajo. El diagrama enumera las 4 fases (y pasos clave) del protocolo en paneles de diferentes colores, junto con conjuntos de datos generados en cada fase. Los arrors simbolizan el flujo de datos. El color azul distingue el conjunto de datos multiespectral del RGB en rojo. Por favor, haz clic aquí para ver una versión ampliada de esta figura.

Figura 4: Ejemplo de software de fotogrametría. (A–C) Una captura de pantalla de un proyecto de mosaico de imágenes RGB: (A) Opciones de procesamiento para DSM y ortomosaicos. (B) Opciones de procesamiento para los índices rojo, verde y azul. (C) Vista del progreso del procesamiento, incluyendo imágenes aéreas y ángulos de cámara. Por favor, haz clic aquí para ver una versión ampliada de esta figura.

Figura 5. Recorte de archivos raster de mapas en software GIS. Captura de pantalla de un espacio de trabajo QGIS con capas visibles y pestañas abiertas en secuencia que demuestran cómo recortar datos innecesarios: raster extraction-clip por extensión ("extent" en este caso se refiere a una forma de polígono dibujada según se desea y usada para enmascarar píxeles que caen fuera de sus límites) Por favor, haga clic aquí para ver una versión ampliada de esta figura.

Figura 6. Captura de pantalla de la calculadora raster del software GIS. Fórmula de introducción de índice de vegetación modificado ajustado por suelo (MSAVI) como ejemplo. Por favor, haz clic aquí para ver una versión ampliada de esta figura.

Figura 7. Entorno de computación estadística para capturas de pantalla de la versión R que demuestran las salidas finales representadas en la consola R (RStudio). (A) mapas de comunidades vegetales multiespectrales y (B) basados en RGB. Por favor, haz clic aquí para ver una versión ampliada de esta figura.

Figura 8. Entorno de computación estadística para capturas de pantalla de R que demuestran las clasificaciones de rendimiento VI. (A, B) Vistas de una consola R: (A) Captura de pantalla al usar VIs multiespectrales como conjunto de datos de entrada, y (B) Captura de pantalla al usar un conjunto de datos RGB+DSM. Ambas vistas (A y B) incluyen gráficos de importancia variable llamados "final_rf" (nombre del objeto generado por script). Por favor, haz clic aquí para ver una versión ampliada de esta figura.

Archivo suplementario 1: Ecuaciones de índice de vegetación. Lista de ecuaciones multiespectrales y de índice de vegetación (VI) basadas en RGB utilizadas en este protocolo, incluyendo fórmulas para la normalización de bandas RGB antes del cálculo RGB VI. Por favor, haga clic aquí para descargar este archivo.

Archivo suplementario 2: script de clasificación y validación RF. Por favor, haga clic aquí para descargar este archivo.

Discusión

Los pasos críticos del protocolo son la fase 1, la encuesta de UAV, y en la fase 2, el trabajo de campo, donde se recogen observaciones biofísicas y se compila el conjunto de datos de verificación de terreno. Ambos dependen del clima y deben realizarse en proximidad cercana. Y ambos deben proporcionar conjuntos de datos geoespaciales con alta precisión de coordenadas (se logró una precisión de 1–3 cm para el estudio de caso). El éxito de los cálculos del índice de vegetación y del proceso de aprendizaje automático depende directamente de la calidad de los datos del UAV Survey y de la precisión sobre el terreno. Los pasos cruciales para lograr la precisión del mapa de levantamiento de UAV se describen en el paso 1.4, Procedimiento posterior al vuelo. Si el postprocesamiento/geolocalización de imágenes utiliza datos RINEX que no son accesibles, una alternativa es usar una estación base RTK en vivo, que proporciona señales de corrección GNSS en tiempo real al dron durante el vuelo (véase un ejemplo en el artículo en vídeo Movchan et ^al.37 con un ejemplo para instrucciones de configuración).

Antes de la recogida de datos, se debe visitar el lugar del estudio para adquirir conocimientos experienciales del paisaje, identificar las comunidades vegetales de interés y determinar qué observaciones biofísicas pueden recogerse de forma factible en el lugar para describir la composición de la comunidad vegetal. Dado que cada ubicación de estudio presenta características distintivas del paisaje y flora moldeadas por su zona climática, identificar especies vegetales es esencial para un mapeo preciso de la cobertura del suelo, ya que rasgos bioquímicos, estructurales y fisiológicos específicos de cada especie producen firmas únicas de reflectancia espectral. Para cada cuadrado de muestreo, las coordenadas deben registrarse en las cuatro esquinas utilizando equipos GNSS/RTK y software de topografía, introduciendo y guardando el código de identificación del cuadrado. Todas las observaciones biofísicas adicionales o muestras recogidas dentro del cuadrado deben vincularse a estas coordenadas para que cada medición esté anclada al conjunto de datos geoespacial y pueda compilarse en un formato tabulado uniforme para la clasificación de comunidades vegetales y los posteriores análisis estadísticos o modelización ecológica. Los cuadrados muestreados se etiquetan como puntos de entrenamiento, con nombres/códigos de comunidad adjuntos (por ejemplo, en este conjunto de entrenamiento eran OP, LS, US y TG). Random Forest (RF) aprende entonces los patrones de píxeles asociados a cada etiqueta. El resultado final de la clasificación RF es un mapa que muestra la distribución de las etiquetas de la comunidad vegetal en todo el sitio del estudio, basado en muestras de entrenamiento en cuadratura proporcionadas durante el trabajo de campo.

Las fases 3 (cálculos del índice de vegetación) y 4 (clasificación supervisada en R usando bosque aleatorio) son interdependientes y altamente modificables. Por ejemplo, el Archivo Suplementario 1 enumera 19 fórmulas matemáticas para calcular índices a partir de bandas multiespectrales y 23 fórmulas para recalcular datos de levantamientos aéreos RGB. No obstante, tal como los investigadores formulan las VI, las ecuaciones son de código abierto y publicadas en artículos revisados por pares y bases de datos de índices^{espectrales 80}. Un número mayor (de lo proporcionado) de fórmulas están disponibles para probar en el proceso de aprendizaje automático y clasificar mapas de comunidades vegetales. Los cambios en los conjuntos de datos afectarán al rendimiento del algoritmo. Los VIs pueden añadirse y omitirse en modelos de prueba. La disponibilidad de dos mapas finales de comunidades vegetales, derivados de conjuntos de datos multiespectrales y basados en RGB, ofrece la oportunidad de comparar el rendimiento de los modelos. El modelo RGB alcanzó un 98,89%, pero eso no significa necesariamente que el sensor sea superior al sensor multiespectral, que obtuvo una puntuación inferior. Los datos basados en RGB se basan en color y altura, lo que puede ser eficiente para clasificar mapas de cobertura de hábitats estructuralmente diversos ^9,33. En contraste, la imagen multiespectral proporciona más información sobre la fisiología de las plantas, no solo sobre la apariencia, y puede ser superior para distinguir tipos de vegetación con colores y resistencia a sombras similares (por ejemplo, la luz NIR, que las plantas reflejan fuertemente, puede captarse incluso cuando están parcialmente^{sombreadas 81}). El uso exclusivo de sensores RGB está limitado por su estrecho rango espectral (rojo, verde, azul), ya que diferencias bioquímicas y fisiológicas sutiles (por ejemplo, contenido de clorofila y estrés hídrico) pueden no detectarse sin bandas NIR, red-edge o hiperespectrales.

Las principales limitaciones del método pueden incluir el costoso sistema UAV y la fotogrametría demostrada. Sin embargo, el método está diseñado para que, para replicar este protocolo, se pueda usar indistintamente un sensor multiespectral y una cámara RGB. Para implementar este protocolo, se utilizó el sistema UAV de ala fija eBee X equipado con un sensor multiespectral y RGB (Sequoia) y el software de gestión de vuelo eMotion; sin embargo, otros sistemas UAV pueden reproducir el protocolo proporcionado si incluyen un sensor multiespectral y/o una cámara RGB, una función de planificación de misión en el software de gestión de vuelo, una orientación de cámara nadir de 90 grados y un registro de vuelo accesible para el usuario para georreferenciado posterior al vuelo o una capacidad RTK para registrar coordenadas de imagen precisas durante el vuelo. Además, los no pilotos pueden subcontratar estudios con UAV si el piloto contratado cumple todos los requisitos legales y operativos, una práctica común en investigación, conservación y monitoreo ambiental; Sin embargo, el equipo de investigación sigue siendo responsable del diseño fundamental de la misión, incluyendo la definición del lugar del estudio y la determinación del momento de la encuesta. Por lo tanto, incluso para los pilotos que no son UAV, se recomienda familiarizarlos con la primera fase del protocolo. Además, el software de fotogrametría demostrado puede utilizarse para implementar con éxito el protocolo, o puede ser licenciado por un corto periodo para reducir costes.

Una ventaja notable de este protocolo es su compatibilidad tanto con cámaras UAV multiespectrales como con cámaras estándar RGB. Puede ser adoptado por equipos de investigación y profesionales de la conservación con presupuestos limitados y es escalable a través de regiones e instituciones, lo que lo hace adecuado para un seguimiento a largo plazo. Esta independencia del hardware garantiza que el flujo de trabajo siga siendo a prueba de futuro y independiente del hardware. Como se pueden utilizar tanto datos de encuestas RGB como multiespectrales, el flujo de trabajo permite comparaciones entre múltiples sitios, series temporales a largo plazo —incluso cuando el equipo cambia— y la integración de conjuntos de datos RGB heredados (históricos).

Futuras mejoras en este protocolo podrían incorporar métricas de textura derivadas de imágenes de alta resolución para capturar mejor las diferencias estructurales en la vegetación. En este contexto, explorar conjuntos de modelos RF que combinen imágenes RGB y multiespectrales puede mejorar la precisión de la clasificación. Además, futuras recomendaciones para ampliar mapas de comunidades vegetales derivadas de UAV a imágenes satelitales y combinar este enfoque con plataformas en la nube permitirían un modelado a gran escala del^{ecosistema 82}. Aunque los datos de UAV siguen siendo esenciales para capturar el detalle estructural y espectral a escala de centímetro necesario para un mapeo preciso a nivel comunitario, las imágenes satelitales podrían servir como una capa predictora adicional o como entrada contextual más amplia. Incorporar variables derivadas de satélites en el modelo RF puede mejorar su capacidad para generalizar a mayores extensiones espaciales y apoyar evaluaciones de hábitat a múltiples escalas. Este enfoque híbrido permitiría integrar mapas comunitarios basados en UAV en una perspectiva panorámica más amplia, permitiendo al método detectar patrones regionales, priorizar ubicaciones de levantamientos de UAV y fortalecer los marcos de monitorización a largo plazo. Explorar cómo los datos satelitales pueden armonizarse con las entradas de UAV dentro de la cadena de RF representa una oportunidad de investigación para ampliar la escalabilidad y utilidad operativa del protocolo.

Integrar imágenes de UAV, estudios de campo, índices de vegetación y clasificación asistida por IA en un único flujo de trabajo reproducible es esencial, ya que proporciona el detalle espacial, espectral y ecológico necesario para un mapeo preciso de la vegetación de bajo crecimiento. La teledetección basada en UAV ha ganado cada vez más atención en la comunidad científica y ha evolucionado rápidamente hasta convertirse en una herramienta ampliamente utilizada para diversas aplicaciones, especialmente en la monitorización del entorno^{costero 83}. Este método proporciona una guía práctica para un flujo de trabajo basado en UAV y asistido por aprendizaje automático para la educación e investigación, destinado a apoyar la restauración ecológica y el monitoreo de pastizales naturales o seminaturales en ecosistemas costeros.

Materiales

Lista de materiales utilizados en este artículo

Nombre	Empresa	Número de catálogo	Comentarios
eBee X	senseFly/AgEagle	eBee X, https://www.sensefly.com/drones/ebee-x/	El sistema de UAV eBee X es un dron profesional de mapeo de ala fija. Se puede utilizar un sistema de dron de mapeo alternativo
eMotion	senseFly/AgEagle	https://www.sensefly.com/drone-software/emotion/	Utilizado para planificar misiones de vuelo de drones y gestionar datos aéreos. El software eMotion es una parte complementaria del sistema de drones eBeeX
Disco duro externo	Cualquier proveedor	NA	El tamaño depende del tamaño del área de estudio y del tamaño del proyecto (250 GB - 1TB)
Portátil para trabajo de campo	Cualquier proveedor	NA	Una máquina portátil capaz y adecuada para operaciones de campo y ejecución de gestión de vuelos de drones (basado en las especificaciones de eMotion:  Windows 10/11 de 64 bits; Intel Core i5/i7 (12ª generación+) o AMD Ryzen 5/7 (>3.5 GHz) - Las altas velocidades de reloj son más importantes que el número de núcleos; Mínimo de 16GB (altamente recomendado 32GB+); NVIDIA GTX/RTX de gama media (por ejemplo, RTX 3060/4060); NVMe SSD (requerido).
Sistema GNSS/RTK Trimble	Trimble Inc.	Modelo  R10	Tiene un receptor con software de topografía terrestre y baterías de repuesto. También se pueden utilizar sistemas GNSS/RTK alternativos.
Tijeras de césped	Cualquier proveedor	NA	muestreo de biomasa (opcional)
Pix4Dmapper	Pix4D	https://www.pix4d.com/product/pix4dmapper-photogrammetry-software/	Software de fotogrametría: Pix4Dmapper está disponible para licencia mensual o anual. Se puede utilizar un software de fotogrametría alternativo para implementar este protocolo.
Guía de identificación de plantas	Cualquier proveedor	NA	Utilizado para realizar observaciones biofísicas (en línea, libro o guías de identificación de plantas locales impresas)
QGIS	QGIS	3.44.9 Solothurn	Un software GIS gratuito y de código abierto, disponible en https://qgis.org/, se puede utilizar software GIS alternativo para implementar este protocolo
marco de cuadrícula de 1 m x 1 m	Cualquier proveedor	NA	Para ser utilizado en la fase 2 para el trabajo de campo/muestreo, es decir, para realizar observaciones biofísicas, puede ser autoconstruido
R	R-Software Services	versión 4.2.0, https://cran.r-project.org	Un entorno de modelado de descarga predictivo de código abierto ampliamente utilizado para computación estadística y gráficos, análisis de datos y modelado predictivo.
RStudio	R-Software Services	versión 2024.4.0.735, https//posit.co/download/rstudio/
Rtools	R-Software Services	https://cran.r-project.org/bin/windows/Rtools/	Ya que algunos paquetes pueden requerir compilación desde el código fuente. Paquetes clave utilizados: terra 1.5 21, sp 1.5 0, sf 1.0 15, rgdal 1.6 6, raster 3.5 15, rsample 1.3 1, MLmetrics 1.1 1, y randomForest 4.7 1.1.
Báscula (a batería, nivelada, precisión ±1 g)	Cualquier proveedor	NA	duradera para trabajo de campo
Sequoia	Parrot SA	Parrot SEQUOIA+	Es un sensor multiespectral/RGB, para ser utilizado en la fase 1. Sensor RGB y/o multiespectral (muchos drones profesionales incluyen uno o ambos sensores). Para implementar este protocolo se utilizó Parrot SEQUOIA+ (compañía Parrot SA)
Lector de humedad del suelo	Cualquier proveedor	NA
Aplicación de pronóstico del tiempo para UAV	Cualquier proveedor	NA	Para planificar vuelos se utilizó https://www.uavforecast.com/
Kit de sensor WET	Delta T Devices	WET-UM-1.6	Sensor de humedad del suelo (opcional)
Estación de trabajo	Cualquier proveedor	NA	Especificaciones óptimas necesarias para el procesamiento fluido de los proyectos de fotogrametría y el aprendizaje automático en R (especificaciones basadas en los requisitos del software Pix4Dmapper: Windows 10/11, 64 bits; CPU de cuatro núcleos o seis núcleos Intel i9/Threadripper/Ryzen 9/; GPU GeForce GTX compatible con OpenGL 3.2 y 2 GB de RAM; Disco duro: SSD; Proyectos grandes (más de 500- 1000 imágenes a 14 MP): 32 GB de RAM, 60 GB de espacio libre en SSD.