CARTOGRAFÍA DE LA ESTRUCTURA FORESTAL A PARTIR DEL ANÁLISIS DE IMÁGENES.

Transcripción

1 CARTOGRAFÍA DE LA ESTRUCTURA FORESTAL A PARTIR DEL ANÁLISIS DE IMÁGENES. Mercedes García Domínguez (1), Susana Martín Fernández (1), Antonio García Abril (2), Roberto Rodríguez Solano (3), María de los Ángeles Grande Ortiz (1), María Victoria Núñez Martí (1) (1) Departamento de Economía y Gestión forestal. E.T.S. de Ingenieros de Montes. Ciudad Universitaria s/n Madrid. Telf: Fax: E- mail: antonio@montes.upm.es (2) Departamento de Proyectos y Planificación Rural. E.T.S. de Ingenieros de Montes. Ciudad Universitaria s/n Madrid. Telf: Fax: E- mail: antonio@montes.upm.es ; antoniogarci@jazzviajeros.com (3) Dirección General de Educación y Promoción Ambiental. Consejería de Medio Ambiente. C.A.M. C/ Princesa 3, Madrid. Telf: RESUMEN La estructura forestal se entiende como un producto de la dinámica del bosque y los procesos fisiológicos. El conocimiento de los patrones de variación en la estructura forestal a lo largo del tiempo y el espacio puede servir como base para las estrategias de gestión del bosque, la cual ha llegado a ser de manera creciente más compleja ante los requerimientos y necesidades económicas, recreativas y de biodiversidad. Dicha información es proporcionada a partir del tratamiento digital de imágenes de satélite. P.C.: Cartografía, estructura forestal, análisis de imágenes. SUMMARY The forest structure is understood as a product of the forest dynamic and physiological process. The knowledge of the spatial and temporal variation patterns in the forest structure can be used as the basis of strategies in forest management, which has become recently more complex because of the requirements and economic, recreative and biodiversity needs. This information is provided from the digital treatement of the satellite imagery. K.W.: Mapping, forest structure, imagery analysis. INTRODUCCIÓN La estructura de la vegetación se define como la distribución horizontal y vertical de las plantas en el seno de una comunidad. Es la característica más distintiva de los diferentes estados de desarrollo y clases de edad. La caracterización de la estructura supone la determinación de atributos como altura de los árboles, densidad, área basimétrica, biomasa, índice de área foliar, número de especies en el estrato arbóreo. La información sobre la estructura del dosel es necesaria para mejorar la compresión de la estructura del paisaje y su dinámica, y para desarrollar métodos adecuados para el inventario (puesto que para su realización se necesita el conocimiento de especies, densidad de la masa, porcentaje de cobertura y edad) y realización de cartografía temática. El método tradicional para caracterizar la estructura ha sido a través de parcelas de muestreo. Sin embargo, este método no es el más adecuado desde el punto de vista económico y de tiempo para cubrir grandes áreas de estudio. Por tanto la caracterización de la estructura de los bosques usando datos captados mediante la teledetección, procedentes de las imágenes de satélite y de sensores aéreos, constituye una manera eficiente de evaluar las condiciones del bosque a diferentes escalas. Un gran número de técnicas de análisis de imágenes está siendo utilizado en estudios destinados a la realización de cartografía. Amplia es la variedad de sensores aerotransportados y satélites de diferentes resoluciones espaciales y espectrales que proveen una rica fuente de datos

2 referentes a los distintos recursos naturales. Aunque hay una creciente utilización de sensores activos, Radar y Lídar (Light Detection and Ranging) (Lefsky, 1999), los sensores pasivos son aún los más utilizados. Entre éstos, los más frecuentemente usados para la evaluación y seguimiento de los recursos son el Landsat TM (Thematic Mapper) así como del satélite francés SPOT HRV (High Resolution Visible). Por tanto la efectividad de la metodología empleada para caracterizar la imagen en las distintas categorías establecidas a priori, según el objetivo de la cartografía, depende de la resolución espacial y las propiedades espectrales de los sensores. La elaboración de cartografía mediante el análisis digital de imágenes ofrece una serie de ventajas: Proporciona de manera más o menos rápida y actualizada información referente al estado de los recursos naturales, lo cual permite evaluar los efectos e impactos de alternativas de gestión antes de llevarlas a cabo. Se produce una estratificación del área siendo de gran interés para la inventariación forestal, ya que mediante ella es posible estratificar los masas forestales en zonas significativamente diferentes respecto a sus características dasométricas. Asimismo la generación de información continua referente a ciertos parámetros mediante el análisis digital de imágenes ofrece la enorme ventaja de crear una fuente de datos totalmente flexible y adaptada a las necesidades del usuario, puesto que es éste quien categoriza la imagen en las diferentes clases que estima oportuno para cubrir sus objetivos, maximizándose de este modo la utilidad de la cartografía. CARTOGRAFÍA DE VARIABLES DISCRETIZADAS La cartografía temática se genera mediante la clasificación digital de la imagen multiespectral. Dicha imagen se convierte en otra imagen con la importante diferencia de que el nivel digital (traducción digital de un flujo energético recibido por el sensor para una determinada banda del espectro) que define cada píxel se convierte en una etiqueta que identifica la categoría asignada a ese píxel. Hay una variedad de mecanismos de clasificación que pueden ser aplicados para agrupar los datos captados en clases significativas, es decir, en los diferentes grupos de recursos o coberturas. Las técnicas de clasificación son normalmente divididas en dos categorías, supervisadas y no supervisadas. Los métodos supervisados proporcionan mayores precisiones que los métodos no supervisados; sin embargo, requieren la interacción del usuario para determinar las clases y caracterizarlas en la fase de entrenamiento, exigiendo un cierto conocimiento de la zona de estudio, adquirido por experiencia previa o por trabajos de campo (Chuvieco, 1996). Los métodos no supervisados, aunque no completamente exentos de la interacción del usuario, requieren menos intervención, puesto que consisten en el establecimiento del número de iteraciones necesarias para obtener un número predefinido de clases en que va a ser categorizada la imagen. Existen varios estudios referentes a dichos parámetros de entrada, de cara a la optimización de la clasificación no supervisada (Pinilla et al, 2000). La mayoría de métodos de clasificación parten de un conjunto fijo de bandas que son elegidas previamente al inicio de la clasificación propiamente dicha. Pero existen otras técnicas de clasificación donde una o dos clases de coberturas son clasificadas en cada iteración y el proceso de selección de bandas es repetido para cada iteración con el fin de determinar el conjunto óptimo de bandas que proporcionan la separación más patente entre tipos de coberturas que quedan por ser clasificadas (San Miguel & Biging, 1997). CARTOGRAFÍA DE VARIABLES CONTINUAS En el análisis de imágenes multiespectrales además de relacionar reflectancias para una zona, un sensor y una fecha determinada con tipos de coberturas como hasta ahora hemos visto, existen otros tipos de análisis en los que se establece una relación empírica entre los niveles digitales y propiedades físico-químicas de suelos, agua, vegetación etc., que pueden servir como información útil para la gestión de los recursos. Específicamente las firmas espectrales que describen el comportamiento de un tipo de cobertura forestal pueden ser utilizadas como variables predictorias en

3 la estimación de los parámetros del rodal. Pero a menudo, sin embargo, las características espectrales de las masas individuales son altamente variables, dependiendo de la localización. Esto hace difícil la distinción de especies usando las propiedades espectrales. Puesto que la estructura forestal es un fenómeno espacial, los esquemas de clasificación que operan en el dominio del espacio pueden producir estimaciones más reales de la estructura forestal. Tales esquemas dependen de formas geométricas, tamaños, y patrones en los datos de las imágenes (Cohen & Spies, 1992). Se han realizado estudios en los que se ha tratado de modelizar los diferentes atributos de la masa forestal que caracterizan su estructura como variables continuas a lo largo de la zona de estudio a partir del análisis de imágenes digitales (Cohen, 1999; Cohen & Spies, 1992). De entre las variables caracterizadoras de la estructura que en dicho estudio se establecieron, destacan la densidad de la masa, porcentaje de cubierta, tamaño de copa y área basal. La metodología que emplea este tipo de análisis consiste en obtener datos empíricos, correspondientes a varias parcelas, de variables estructurales a través de inventarios de campo y a partir de la fotointerpretación de fotos aéreas para después relacionarlos mediante análisis estadísticos de regresión con los datos captados mediante satélite referentes a esas mismas parcelas de terreno. En la imagen captada por el sensor espacial se toman los valores medios que presenta las zonas inventariadas en cada una de las bandas originales así como en aquellas bandas fruto de la transformación de dichos datos originales. Existen diferentes tipos de transformaciones de bandas: análisis de componentes principales (donde se escogen aquellas combinaciones lineales de las bandas originales que recojan la máxima variabilidad de la escena); transformación Tasseled Cap, caso particular del análisis de componentes principales donde cada una de las tres componentes donde se recoge la casi totalidad de la varianza de la escena tiene un significado físico concreto, independiente del tipo de imagen que se esté analizando (brillo: que refleja los cambios en la reflectividad total de la escena; verdor: indica el contraste entre las bandas visibles y el infrarrojo cercano; y humedad, que se relaciona con el contenido de agua en la vegetación y en el suelo) (Chuvieco, 1996). Otra transformación es la obtención de imágenes texturales por la aplicación de diversos algoritmos sobre las bandas originales y las bandas resultantes del análisis de componentes principales. Esta transformación permite recoger la información espacial contenida en las imágenes de satélite. El algoritmo que más ampliamente se ha utilizado para la obtención de las imágenes de textura es la desviación estándar, que recoge la variabilidad presente en una ventana móvil de tamaño 3x3 píxeles. Una vez adquiridos para cada parcela los datos físicos referentes a los parámetros estructurales y los datos digitales tomados de las imágenes de satélite a partir de las bandas originales y derivadas, se establecen análisis de regresión para determinar los diferentes modelos que explicarán los distintos parámetros. Como resultado de todo este proceso se obtiene el valor continuo de los diferentes parámetros estructurales. El siguiente paso sería la categorización de dichos parámetros para la obtención de cartografía temática en las diferentes clases que el usuario designa en función de sus necesidades. EFECTO TOPOGRÁFICO Y FIABILIDAD DE LA CARTOGRAFÍA Existen una serie de factores que pueden desvirtuar los resultados obtenidos de los procesos de obtención de cartografía, tales como el efecto atmosférico y la topografía. Las señales de radiación electromagnética recogidas por los satélites están modificadas por la dispersión y absorción de gases y aerosoles al traspasar la atmósfera desde la superficie de la Tierra hasta el sensor. Cuándo y cómo corregir el efecto atmosférico va a depender de los datos captados por teledetección y los datos atmosféricos disponibles, de la información deseada, así como de los métodos analíticos usados para la extracción de la información (Song et al, 2001). En muchas aplicaciones la corrección atmosférica no es necesaria. Por ejemplo en las diferentes técnicas de clasificación donde utilizamos los misma fuente de datos a lo largo de todo el proceso, ya sean corregidos o no, una corrección atmosférica no supone un incremento importante en la exactitud de la clasificación. Pero el efecto de la topografía es el más importante y difícil de solucionar en teledetección. Debido a la pendiente y a la orientación del terreno así como la posición del sol y del sensor, el mismo tipo de cobertura puede ofrecer diferentes respuestas ante el satélite, lo que provoca que zonas

4 similares en cuanto a elementos integrantes reflejen diferentes valores espectrales, y, de igual forma, píxeles de diferentes tipos de cobertura tengan similar respuesta espectral. Esto origina enormes errores a la hora de clasificar la imagen, particularmente en zonas con relieve más o menos abrupto, puesto que la clasificación de imágenes se realiza generalmente mediante algoritmos que están basados en el análisis espectral de píxeles individuales. Diversos estudios han demostrado que los datos captados con sensores remotos se ven especialmente afectados por el relieve en las regiones del visible e infrarrojo cercano del espectro electromagnético (Justice, 1981). Por tanto longitudes de onda más grandes se ven más alteradas que longitudes de onda más cortas. Existen en la literatura especializada varios métodos para minimizar dichos efectos topográficos, tales como el uso de bandas resultantes de la transformación de las bandas originales del satélite (Cohen & Spies, 1992), las cuales mostraron ser menos sensibles al efecto topográfico. Otras técnicas que reducen el problema consisten en la aplicación de varios modelos (lambertiano, no lambertiano, etc.) que operan de diferente manera sobre los niveles digitales originales correspondientes a cada píxel (Justice, 1981). Otros estudios están orientados hacia el uso de los modelos digitales del terreno para solventar dicho problema (Fashi et al, 2000). En dicha cita bibliográfica se incorpora la pendiente, orientación, sombra y condiciones atmosféricas en el momento de la adquisición de la imagen para convertir mediante un modelo establecido el valor del píxel de una determinada cobertura a otro nuevo valor que es el que tendría ese mismo elemento situado en una superficie plana y de elevación cero. Es decir, disminuyen los valores de los píxeles de zonas orientadas al sol y aumenta los de aquellos que se encuentran en umbría, de tal manera que se reduce la variabilidad en los valores de reflectancia en el mismo tipo de cobertura por las diferentes pendientes y altitudes en que se presenta. Se aumenta de esa forma la exactitud en la clasificación.

5 VERIFICACION DE RESULTADOS Para ver el grado de fiabilidad de la cartografía obtenida ya sea mediante clasificación supervisada o no supervisada como mediante modelos resultantes de la regresión entre valores medidos en parcelas y datos de reflectancia, existen diferentes procedimientos (Cohen, 1999). Uno de los métodos de verificación es la creación de matrices de confusión donde las filas son las distintas clases de referencia, y las columnas son las categorías deducidas de la clasificación. La diagonal de esta matriz expresa el número de puntos de verificación en donde se produce acuerdo entre las dos fuentes (mapa y realidad), mientras que el resto de celdas suponen errores de asignación, puesto que son las parcelas que están clasificadas de una forma cuando en realidad se encuentran en otra categoría. La relación entre el número de puntos correctamente asignados y el total expresa la fiabilidad global del mapa. Además vemos la exactitud conseguida para cada una de las clases, así como los principales conflictos entre ellas. Para el caso de tener mapa continuos, es decir, no categorizados (como los obtenidos mediante modelos de regresión entre los parámetros estructurales y los datos digitales procedentes de las imágenes de satélite, ya comentado en el apartado anterior) existe otro procedimiento. Consiste en la aplicación de los modelos hallados a un conjunto de parcelas que no han participado en la elaboración del modelo explicativo (normalmente una tercera parte del total de las parcelas disponibles se utilizan para los procesos de fiabilidad mientras que los 2/3 restantes serán utilizados para la elaboración de los modelos). Como consecuencia de ello, obtenemos una serie de valores esperados que serán comparados con los correspondientes valores reales mediante regresión. De esta forma se aceptará o rechazará el modelo en función del grado de ajuste y por tanto según su capacidad de explicar la realidad. CONCLUSIONES La actual preocupación por los cambios medioambientales han llevado al incremento de la demanda de datos a diferentes escalas. La teledetección desempeña un papel relevante en la evaluación y seguimiento de los recursos forestales a nivel global, continental y regional. Por ello la obtención de cartografía a partir de técnicas de análisis digital de imágenes es de especial importancia, generándose tanto cartografía de variables discretizadas (por ejemplo, usos de suelo) como continuas (parámetros estructurales de las masas forestales). Sin embargo, como hemos podido comprobar pueden existir una serie de fuentes de errores que puedan de alguna manera desvirtuar los resultados obtenidos en los procesos de generación de cartografía. Se han citado diversos métodos para la corrección de los efectos topográficos, pero no puede concluirse que un método sea mejor que otro. Dependiendo de las características de la zona de estudio, un método puede resultar más efectivo que el resto. Y no solo por estos factores la comprobación de la veracidad de los resultados obtenidos se hace indispensable sino también debido a las técnicas de clasificación y análisis de imágenes cada vez más complejas. Puede añadirse que la estructura forestal no solo se refleja en dos dimensiones, como hasta ahora hemos visto por su caracterización a través de mapas, sino que nuevas generaciones de sensores como los Lídar realizan medidas de la distribución de la vegetación a lo largo del eje vertical, proporcionando una caracterización volumétrica de la estructura vegetal en tres dimensiones. Por tanto, mediante la teledetección la estructura de la vegetación puede ser definida tanto por la distribución horizontal como vertical de las plantas en el seno de una comunidad.

6 BIBLIOGRAFÍA Cohen, W.B. et al; (1999). Modeling forest cover attributes as continuous variables in a regional context with thematic mapper data. In review. Cohen, W.B. & Spies T.A.; (1992). Estimation structural attributes of Douglas-Fir/Western Hemlock forest stands from Landsat and SPOT imagery. Remote Sensing of Environment. 41:1-17. Chuvieco, E; (1996). Fundamentos de teledetección espacial. Ed. Rialp, Madrid. Pp Fahsi A. et al; (2000). Incorporation of digital elevation models with Landsat-TM data to improve land cover classification accuracy. Forest Ecology and Management Justice, C.O. et al; (1981). Application of digital terrain data to quantify and reduce the topographic effect on Landsat data. Int. J. Remote Sensing. 2(3), Lefsky, M.A et al;(1999). Lidar remote sensing of the canopy structure and biophysical properties of Douglas-Fir western hemlock forest. Remote Sensing of Environment. 70 (3). Pinilla C. et al; (2000). Unsupervised classifications s optimizacion. Remote Sensing in the 21 st Century: Economic and Environmental Applications. Casanova (Ed.), Rotterdam. San Miguel Ayanz, J. & Biging G. S.; (1997). Comparison of Single-Stage and Multi-Stage Classification Approaches for Cover Type Mapping with TM and SPOT data. Remote Sensing of Environment. 59: Song C. et al; (2001). Classification and change detection using Landsat TM data: When and how to correct atmospheric effects?. Remote Sensing of Environment. 75: