Proyecto de detección de árboles automáticamente

Detección de árboles automáticamente.

La detección de árboles y cultivos individuales es un procedimiento muy demandado actualmente, ya sea por la detección y contabilización del número de árboles en una determinada plantación, detección de especies invasoras, averiguar la densidad forestal y muchos más ejemplos.

En Avantgeo hemos realizado y optimizado procedimientos de detección de arbolado, ya sean plantaciones, o en el ámbito de la selvicultura, para la mejora, aprovechamiento y restauración de masas forestales, que nos permiten de una manera automática, previamente realizando ciertas parametrizaciones (dependiendo de la topografía del terreno, densidad de la masa arbórea y tipología de las plantaciones), detectar individualmente los árboles con una tasa de efectividad aproximada del 85%.

En el siguiente ejemplo podemos ver la detección realizada sobre una plantación agrícola, en concreto, el proyecto abarca cerca de las 4.000 hectáreas.

Cabe destacar que los datos de base con los que se han trabajado no son demasiado precisos, teniendo una densidad mínima de 0,5 puntos/m2, lo cual hace el análisis más complejo e impreciso. No obstante, como se puede apreciar en las imágenes de abajo, se consigue una alta tasa de detección.

La recopilación de información en campo, sobre todo en extensiones de territorio muy amplias puede derivar en costos muy grandes en personal, y llevarnos muchísimo tiempo de trabajo de campo, aunque, por contrapartida, es una forma de obtener información muy detallada del problema que queramos estudiar.

Los avances tecnológicos nos dota ahora de una manera de abordar los análisis territoriales de una manera eficiente, debido a la mejora en las tecnologías que equipan los sensores, y también el software para tratar los datos capturados.

Mejora en la tecnología de detección

La proliferación de toma de datos mediante el vuelo de drones, equipados cada vez más con mejores cámaras y capaces de tomar datos LIDAR, así como los vuelos en avioneta, para extensiones de terreno más amplias, abren una vía a conseguir información valiosa de la cual extrapolar información y conclusiones sobre el territorio tratando esta clase de imágenes.

En concreto, teniendo en cuenta uno de los métodos para la detección de árboles individuales, que se basa en la información que nos aporta LIDAR, podemos extrapolar información de muchos atributos, como puede ser la altura de los árboles, el ancho de las copas, la biomasa circundante, etc etc… y aplicar a ellos algoritmos específicos que nos permitan la detección de los árboles y su posible clasificación.

Para el ejemplo mostrado arriba, los pasos a seguir, a grandes rasgos, han sido los siguientes:

Recogida de información LIDAR

A partir de datos LiDAR u obtenidos por correlación a partir de fotogrametría, se procede a clasificar de manera automática los puntos en dos clases: Ground y Vegetation.

Una vez realizada esa clasificación, se precede a obtener un MDT a partir de los puntos Ground y un MDS a partir de los puntos de vegetación, obteniendo el CHM como CHM = MDS –MDT

Con densidades mínimas 0,5 pt/m2 ya se pueden detectar a árboles, pero que dependiendo del tipo de arbol serían necesarias densidades más altas.

Clasificación de los puntos desde una vista cenital.

Una vez procesados todos los puntos LiDAR los clasificamos para obtener un mapa de puntos con el que poder trabajar.

Remote Sensing | Free Full-Text | Estimation of Northern Hardwood Forest  Inventory Attributes Using UAV Laser Scanning (ULS): Transferability of  Laser Scanning Methods and Comparison of Automated Approaches at the Tree-  and

Construcción de un Modelo Digital del Terreno (MDT)

A partir de los puntos de altura mínima obtenidos de LiDAR se construye un Modelo Digital del Terreno. Básicamente sería el modelo sin los puntos correspondientes a los árboles. Con esto obtenemos una base de suelo.

Normalizar la altura de la nube de puntos conseguida.

Utilizamos un algoritmo de normalización de alturas que resta a la el valor Z (Elevación) del terreno a la elevación de todos los puntos capturados. Aquí, los puntos más bajos se clasifican como 0, o próximo a 0, y los puntos más altos son la verdadera altura de los árboles.

Generar el modelo de altura con Canopy (CHM)

El modelo de altura (CHM) se calcula restando el Modelo Digital del Terreno del Modelo Digital de Superficie. El Modelo Digital del Terreno (DTM) hace referencia al suelo desnudo, mientras que el Modelo Digital de Superficie mide la elevación al punto más alto, incluída la vegetación.

Susquehanna CZO
Imagen extraída de https://opentopography.org/

Aplicar un suavizado a los resultados

A los resultados obtenidos por el modelo CHM se le aplica un filtro de paso bajo para el realce de las copas. Esto es opcional, aunque mejora la detección de las copas de los árboles.

Detectar el punto más alto de las copas.

Obtenemos los puntos de la copa más altos para identificar cada árbol y su altura. También se define el umbral mínimo para excluir del análisis aquellos elementos que podrían ser confundidos con un árbol, como matorrales o árboles muertos.

Obtener el voronoi para cada elemento identificado.

Voronoia es una estructura que sirve para dividir el espacio entre árboles y así obtener visualmente la división. Esto ayuda a identificar de manera muy sencilla si el modelo empleado es correcto o no

Deep Learning para detección de árboles.

En Avantgeo seguimos investigando e implementando soluciones para la detección de elementos automáticamente, para ello estamos haciendo uso del Deep Learning o Aprendizaje automático, que es una rama que está englobada dentro del ámbito de la Inteligencia Artificial.

Artificial neural network Recurrent neural network Artificial neuron Deep  learning, others, angle, text, rectangle png | PNGWing
Modelo clásico de entrenamiento de neuronas.

Haciendo uso de modelos de entrenamiento y algoritmos convolucionales para el procesamiento y clasificación de imágenes, junto con técnicas como la que hemos visto arriba y análisis por teledetección, estamos mejorando y perfeccionando el trabajo de detección, en distintos sectores.

La idea básica, y simplificando mucho, de este tipo de detección pasa por entrenar a un modelo matemático con muestras, miles de ellas, del elemento o elementos que queramos identificar, para que una vez entrenado ese modelo, sea capaz de reconocer con un alto porcentaje de acierto, imágenes similares, o en este caso, estructuras arbóreas similares.

Si estás interesado o crees que podemos ayudarte en tu problema, no dudes en ponerte en contacto con nosotros.

Últimas publicaciones

Dirección

Oficina administrativa
C/ Mare Nostrum, nº 8 puerta 5
Quart de Poblet, Valencia (46930), España
Teléfono: (+34) 961 434 995
Fax: (+34) 96 333 44 58
Oficina técnica
Centro de Negocios Industrial.
Camí del Port, 143
Catarroja, (46470), Valencia.