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

Nuestra investigación tiene como objetivo facilitar el uso de LiDAR basado en drones en la evaluación de la recuperación forestal mediante el desarrollo de un protocolo fácil de usar. Los desarrollos recientes que hacen posible este trabajo incluyen el avance en la tecnología de sensores LiDAR e integración con modelos de préstamo profundo. Para empezar, revisa el equipo RPAS y actualiza el firmware si es necesario.

Coloca la estación base RTK en un área despejada, alejada de obstáculos y de la línea de árboles. Espera a que la estación base esté completamente encendida antes de comenzar el vuelo con drones. Crea un archivo de vuelo para cada misión y súbelo al mando remoto.

Ahora, realizar las misiones de vuelo para recopilar datos LiDAR y multiespectrales sobre el área de interés. Instala una estación base GNSS sobre la ubicación de la estación base del RPAS y ejecuta la estación base para obtener coordenadas precisas y así corregir la posición puntual con precisión. Utiliza un lector de tarjetas para transferir los datos LiDAR y multiespectrales recogidos desde los sensores a una estación de trabajo.

Utiliza software de fotogrametría para preprocesar los datos multiespectrales y realizar correcciones geométricas y radiométricas. Genera un ortomosaico multiespectral. Utiliza el software adecuado para reconstruir los datos en bruto de LiDAR en un archivo de nube de puntos.

Utiliza una herramienta geoespacial para alinear la nube de puntos LiDAR con el ortomosaico multiespectral. Ejecuta un script en Python para fusionar la nube de puntos LiDAR alineada con el ortomosaico multiespectral para generar una nube de puntos multiespectral. Descarga CloudCompare, el software de procesamiento en la nube tridimensional de puntos, e instálalo.

Luego, descarga la versión 1 del instalador del plugin TreeAIBox desde GitHub, ejecuta el instalador y sigue las indicaciones en pantalla. Abre CloudCompare desde el icono del escritorio, o seleccionando Iniciar, seguido de Todos los programas y CloudCompare. Carga el archivo en la nube de puntos usando Abrir uno o varios archivos y haz clic en Aplicar.

Si las coordenadas puntuales son grandes, acepta la indicación para aplicar un desplazamiento o escala global. Selecciona Entrada, que lee los metadatos del archivo, y haz clic en Sí para que la nube de puntos aparezca en el lienzo. Abre la barra de herramientas del plugin de Python.

Amplía el desplegable Script Register y haz clic en TreeAIBox para abrir la interfaz gráfica del plugin. Asegúrese de que la casilla Usar GPU esté seleccionada si dispone de una unidad de procesamiento gráfica compatible con Compute Unified Device Architecture. Desde el panel superior, selecciona TreeFiltering y selecciona ALS si los tallos del árbol no son visibles en los datos RPAS.

Ahora, borra la casilla de tamaño de loseta. Desde el desplegable de modelos predefinidos, selecciona treefiltering_als_esegformer. Si usas este modelo por primera vez, haz clic en Descargar y confirma la ventana emergente que muestra la ruta local.

Selecciona la nube de puntos en el lienzo para que quede resaltada con un cuadro delimitador. En el panel TreeFilter, haz clic en Aplicar. Confirma que se ha creado una nueva escala o campo llamado TreeFilter con el valor 2 para los puntos del árbol en rojo y el valor 1 para otros puntos en azul antes de continuar.

Desde el panel superior de TreeAIBox, selecciona TreeisoNet. Habilitar Reclamation, ALS stem implicit y Treeloc. En el desplegable, elige el modelo preentrenado requerido.

Asegúrate de que la nube de puntos en el lienzo esté seleccionada y luego haz clic en Aplicar. Tras procesar, confirma que un nuevo elemento llamado Treetops aparece bajo la nube de puntos original en la ventana del árbol de la base de datos. Selecciona este elemento y aumenta el tamaño de los puntos, por ejemplo, a 16, para mejorar la visibilidad, y verifica que las posiciones de las copas de los árboles aparezcan como puntos blancos en el lienzo.

Para segmentar las copas del árbol, vuelve a seleccionar el elemento nube de puntos del árbol. Desde el panel superior de TreeAIBox, selecciona TreeisoNet y activa TreeOff. Descarga el modelo preentrenado requerido y luego haz clic en Aplicar para ejecutar el modelo.

A continuación, confirma que se ha creado una nueva escala o campo llamado TreeOff. Verifica que a cada árbol se le asigne un identificador único con puntos del mismo árbol que compartan el mismo identificador. Opcionalmente, restablece el tamaño del punto de la copa del árbol a Predeterminado para reducir el desorden visual.

Para mejorar el contraste visual y aleatorizar los colores del árbol por identificador, clona la nube de puntos original para preservar los datos seleccionando Editar y Clonar. Luego, ve a Editar, seguido de Campos Escalares, y Convierte a RGB aleatorio. Introduce un valor grande para asegurarte de colores discretos y haz clic en OK. Observa la nube de puntos que muestra árboles en colores aleatorios.

Por último, desde el panel superior de TreeAIBox, selecciona TreeisoNet y haz clic en Exportar estadísticas para exportar los resultados de segmentación. Luego, haz clic en Abrir ruta de salida para ver el archivo exportado en la carpeta Resultados. Confirma que la salida es un archivo de valores separados por comas que contiene identificadores de árbol, coordenadas, altura del árbol y área de la corona.

El plugin TreeAIBox filtró con éxito los puntos del árbol y delimitó árboles individuales en los tres sitios, detectando un total de 2.755 árboles individuales. El modelo identificó 1.706 árboles en el Sitio 1, 882 árboles en el Sitio 2 y 167 árboles en el Sitio 3. La tasa de detección de árboles de referencia varió entre los sitios, con un 100% detectado para el sitio 2, 95% para el Sitio 1 y 21% para el Sitio 3.

El modelo alcanzó una tasa de detección del 100% para todos los árboles de referencia superiores a un metro. El rendimiento de detección disminuyó en árboles más bajos, con solo el 45% de los árboles entre 0,5 y 1 metro detectados y ninguno de los árboles por debajo de 0,5 metros identificado. Este protocolo tiene como objetivo abordar la carencia de investigación relacionada con la detección y segmentación individual de árboles jóvenes en entornos forestales complejos.

Este protocolo ofrece un método práctico, eficaz, fácil de usar y versátil para extraer métricas individuales de árboles a partir de datos LiDAR. Nuestro protocolo avanzará en la recuperación y monitorización forestal y es especialmente útil para evaluar el tamaño de los pozos de escalada recreativa, reduciendo el tiempo y coste de realizar estudios de parcelas.