Aplicaciones de drones a las masas forestales.

Publicado el

masas forestales y drones

Aplicaciones para drones al seguimiento fitosanitario de masas forestales.

Introducción

Durante los años 2013 y 2014, el Grupo Tragsa ha formado parte del consorcio internacional a cargo del proyecto SUDOE FORRISK, cofinanciado con ayuda FEDER por el programa Interreg IVB SUDOE, con referencia FORRISK–Soe3/p2/F523.

Este proyecto pretende conocer el estado y los riesgos que afectan a las masas forestales del sudeste europeo (incendios, plagas, etc.), con el objetivo de probar y desarrollar innovaciones técnicas que contribuyan a reducir los daños forestales producidos por factores bióticos y abióticos.

Dentro del Grupo Tragsa, el Departamento de Teledetección de Tragsatec ha empleado las técnicas de la teledetección para explorar la utilidad de distintos tipos de datos de observación de la Tierra, en el seguimiento fitosanitario de las masas forestales. El desarrollo del trabajo se ha basado en la utilización de diversos índices espectrales, que proporcionan información sobre el estado de la vegetación, y que han sido contrastados con datos de verdad terreno.

Este proyecto de I+d+i , se ha planteado a dos escalas de trabajo, una regional, para la que se han utilizando datos de observación de la tierra procedentes de plataformas basadas en satélite, y otra local, a partir de imágenes adquiridas con sensores a bordo de sistemas de aeronave pilotada por control remoto (RPAS). en este artículo, solamente se aborda el trabajo realizado a escala local, con datos adquiridos utilizando plataformas basadas en RPAS.

Zona de estudio

La zona de estudio comprende un polígono de 13 hectáreas, ubicado en el paraje Pena de Francia, en el municipio pontevedrés de dozón. La masa forestal en la parcela de estudio está compuesta mayoritariamente por Pinus pinaster, de unos 14 años de edad, en estado de latizal y afectados por Armillaria mellea, según estudios previos, Figs. 1 y 2.

masas forestales y drones

masas forestales y drones

 

La infección por Armillaria mellea afecta al sistema radicular de los árboles. Las plantas enfermas se desarrollan más lentamente y muestran un decaimiento general, con hojas más pequeñas y cloróticas. Cuando el sistema radicular está completamente afectado, se produce el rápido decaimiento de la copa del árbol y su muerte, pudiendo pasar muchos años hasta que los síntomas se hacen evidentes.

La vía de propagación más habitual es por contacto de los rizomorfos con las raíces de los árboles sanos a su alrededor, lo que provoca un patrón característico de grupos de árboles muertos, como se aprecia en la parte inferior izquierda de la Fig. 2.

Datos de observación de la tierra

Como ya se ha comentado, el estudio comprende dos escalas de trabajo: regional y local. para el trabajo a escala regional, se han utilizado dos imágenes de verano (años 2010 y 2014), adquiridas por el satélite WorldView 2. Los datos proporcionados por esta plataforma incluyen una banda pancromática, con una resolución espacial de 50 cm, y ocho bandas multiespectrales, de dos metros de resolución espacial. El ancho de barrido del sensor es de 16 km.

La configuración de las bandas multiespectrales proporcionadas por WorldView 2 abarca desde el espectro visible, hasta el infrarrojo cercano, lo que permite la caracterización y seguimiento del estado de la vegetación. en cuanto al trabajo a escala local, se utilizaron dos plataformas basadas en RPAS de ala móvil, de tipo multirrotor (Microdrones Gmbh, MD4-200 y MD4-1000), al ser el tipo de aeronave más adecuada para un entorno forestal, debido a las limitaciones del espacio disponible para el despegue y aterrizaje.

Respecto a los sensores embarcados, fueron una cámara digital, RGB, de pequeño formato (Canon IXUS 125 HS) y una cámara multiespectral Tetracam Mini-MCA6. ésta última, dispone de seis canales, de banda estrecha (ancho de banda de 10 nm), con una configuración espectral adaptada a los estudios de vegetación.

masas forestales y drones

Simultáneamente al vuelo de los RPAS, se tomaron puntos GPS, utilizados en el proceso de georreferenciación de las imágenes, y se realizaron medidas de la intensidad de la luz, con un fotómetro solar, usadas en la corrección atmosférica de las imágenes multiespectrales.

Campaña de campo

En diciembre de 2013, se realizó una primera campaña de campo, en colaboración con la estación Fitopatológica de Areeiro, que consistió en el análisis fitopatológico sobre presencia/ausencia de Armillaria en el suelo, y de otros hongos en la parte aérea de los pinos.

Los resultados de esta campaña no fueron clarificadores, debido a que Armillaria estaba extendida por toda la zona de estudio, sin que exista ninguna diferencia en la incidencia entre las zonas definidas, inicialmente, como afectadas y como sanas. en verano de 2014, se realizó una segunda campaña de campo, con el objetivo de establecer relaciones experimentales entre variables fisiológicas asociadas al estrés hídrico (los síntomas de la infección por Armillaria mellea son similares a los del estrés por sequía) y los índices de vegetación derivados de las imágenes multiespectrales.

masas forestales y drones

Control de calidad de los datos adquiridos con RPAS

Las imágenes adquiridas con plataformas RPAS fueron suministradas por la empresa Zumain Ingenieros, S.L., en colaboración con el IAS-CSIC de córdoba.

En cuanto al control de calidad realizado en el departamento de teledetección de Tragsatec sobre esos productos Tabla 3, se centró en dos aspectos fundamentales, geometría (precisión planimétrica de los datos) y radiometría.

masas forestales y drones

Como resultado de estos controles, se comprobó que la calidad geométrica era suficiente para el objetivo del estudio, mientras que no sucedía lo mismo con la calidad radiométrica de las imágenes. tanto éstas, como los productos derivados, presentan una serie de deficiencias, que dificultan su utilización en este tipo de proyectos:

  • Desalineación de las bandas en el mosaico multiespectral, posiblemente debido al proceso de generación del mosaico (Fig. 9.3, parte superior izquierda).
  • Desalineación de las bandas multiespectrales en las escenas individuales, probablemente ocasionada por el diseño del sensor, con 6 cámaras independientes, que presentan un desplazamiento físico entre ellas y una posible falta de sincronización en los obturadores. Este efecto es más marcado en el borde de las escenas multiespectrales (Fig. 3, parte inferior derecha).
  • Blurring o desenfocado, originado por vibraciones transmitidas al sensor, como consecuencia de un aislamiento deficiente del posicionador. Este problema se observa tanto en las imágenes RGB, como en las multiespectrales, en las que es especialmente relevante (Fig. 4 izquierda, y Fig. 5 izquierda).
  • Vignetting o diferencias de iluminación radiales entre las zonas centrales y marginales de la imagen. Este problema denota una baja calidad óptica del sensor, afecta a las imágenes multiespectrales y es muy notable en algunas de las bandas (ver figura 4 derecha).
  • El modelo digital de superficies presenta zonas con muy baja densidad en la nube de puntos, debido a problemas de correlación de las imágenes durante el proceso de aerotriangulación (Fig. 5 derecha).

masa forestales y drones

masa forestales y drones

masa forestales y drones

 

Análisis de las imágenes

La metodología aplicada para el análisis de las imágenes consistió en:

  • Extracción de una máscara de arbolado, con el fin de facilitar el análisis de la vegetación objeto de estudio.
  • Cálculo de índices de vegetación relacionados con distintos parámetros con significado biofísico.
  • Análisis de los índices de vegetación y correlación con los datos de parámetros medidos en campo.

Extracción de la máscara de arbolado

La extracción de la máscara de arbolado se llevó a cabo por clasificación de las bandas multiespectrales, en el caso de las escenas adquiridas con la cámara Tetracam.

Debido a las características de la zona de estudio, cubierta por un sotobosque muy heterogéneo y de gran desarrollo, se produjeron frecuentes confusiones entre los distintos tipos de vegetación (matorral y arbolado). Con el fin de depurar la máscara de arbolado, se evaluó el uso de un modelo de altura de la vegetación, derivado del modelo digital de superficie (MDS). En este último caso, los resultados no fueron satisfactorios, como consecuencia de las numerosas imprecisiones del MDS, especialmente en las transiciones entre el arbolado y el sotobosque, y allí donde había pies de árboles aislados.

Cálculo de índices de vegetación

Cada tipo de cobertura presenta una firma espectral típica, directamente relacionada con sus características de composición, geometría, etcétera. de esta forma, la proporción de luz incidente que es reflejada, absorbida o transmitida depende de las características de la cobertura del suelo y de la longitud de onda analizada.

La firma espectral de la vegetación está condicionada por la presencia de pigmentos, la estructura de la hoja y su contenido en agua, que variará en función de la especie, su estado fenológico, salud, y otros factores. En el espectro visible (400 a 700 nm), los pigmentos fotosintéticos son los que condicionan la respuesta espectral de la vegetación, mientras que en la región del infrarrojo cercano (700 a 1.350 nm), es la estructura interna de la hoja el factor condicionante.

Normalmente, las concentraciones altas de clorofila se relacionan con una buena salud de las plantas, mientras que, un incremento en la concentración de carotenos y antocianinas se vincula a situaciones de estrés o senescencia (tonos amarillos y rojos de las hojas; Fig. 6 izquierda).

Los índices que se han aplicado sobre las imágenes multiespectrales se pueden agrupar en tres categorías:

  • Índices relacionados con la concentración en pigmentos, como el ArI (Anthocyanin Reflectance Index, Gitelson, et al., 2001), que informa sobre la concentración en antocianinas.
  • Índices estructurales relacionados con la actividad fotosintética de las plantas, como el NDVI (Normalized Difference Vegetation Index, Rouse, et al., 1973).
  • Índices relacionados con la eficiencia en el uso de la luz, como el PRI (Photochemical Reflectance Index, Gamon, et al., 1992).

MASAS FORESTALES Y DRONES

Muchos de estos índices fueron diseñados originalmente para trabajos con imágenes hiperespectrales y se calculan utilizando bandas espectrales estrechas (2 – 10 nm). estos índices están diseñados específicamente para ver picos de absorción muy concretos y en la mayoría de las ocasiones, con rangos de variaciones muy pequeños, por lo que requieren datos y mediciones muy precisas.

MASAS FORESTALES Y DRONES

 

Como se observa en la Fig. 7, los índices calculados a partir de bandas espectrales cuyas diferencias en los valores de reflectividad son muy pequeños (PRI y ARI, Fig. 6 derecha), la información aportada queda enmascarada por las fuentes de ruido del sensor (vignetting, principalmente). Por ello, estos índices no se pueden considerar fiables cuando se calculan con imágenes de tan poca calidad radiométrica.

Sin embargo, otros índices en los que intervienen bandas espectrales con rangos amplios de valores de reflectividad, como el NDVI (Fig. 6 derecha), sí muestran una gradación de valores entre los árboles sanos y los enfermos.

Correlación con los datos de campo

Aunque en el momento de escribir este artículo no ha concluido el análisis de correlación entre los parámetros fisiológicos medidos en campo y los índices de vegetación derivados de las imágenes multiespectrales, lo que sí podemos afirmar del análisis a nivel de árbol es que existe un gradiente desde las zonas centrales de los claros, con presencia de árboles muertos y pies más dispersos, a las zonas de la plantación menos afectadas o sanas. como se ve en la Fig. 8, los valores de NDVI más altos se corresponden con los árboles con mayor vigor vegetal, situados en las zonas más densamente arboladas, mientras que los valores de NDVI más bajos se registran en los árboles más aislados en la zona central (muy afectada por la infestación) y en los bordes de los claros, situados en lo que sería el frente de avance del hongo.

MASAS FORESTALES Y DRONES

Conclusiones

Las principales columnas a las que se ha llegado durante el desarrollo de los trabajos

son los siguientes:

  • Este proyecto ha permitido explorar el potencial de los datos RPAS junto con otros datos de observación de la Tierra en aplicaciones de sanidad forestal. Para este tipo de estudios, se recomienda hacer el seguimiento a escala regional de la masa forestal utilizando sensores multiespectrales a bordo de satélites, mientras que para el seguimiento frecuente, a escala local, de los puntos de interés, que requieran gran nivel de detalle, se recomienda el uso de sensores embarcados en RPAS.
  • Los RPAS pueden ser una alternativa viable, tanto desde el punto de vista técnico, como económico, frente a los sensores aerotransportados y las imágenes de satélite de muy alta resolución espacial, en los casos en que la superficie a estudiar sea pequeña (decenas de hectáreas).
  • A la hora de elegir esta tecnología, hay que valorar sus ventajas (alta disponibilidad, facilidad de operación) y sus inconvenientes, ligados a las limitaciones operacionales (reducida autonomía, condiciones meteorológicas, limitaciones legales) y a la escasa oferta de sensores.
  • Para aplicaciones de teledetección, es necesario desarrollar metodologías de trabajo adaptadas a las particularidades de este tipo de datos, incluyendo el proceso de captura y la preparación de las imágenes. también se requieren nuevas herramientas informáticas, que permitan su uso eficiente y rentable en un entorno productivo.

Agradecimientos

Este proyecto ha sido posible gracias al trabajo de coordinación y a la colaboración del Grupo de I+d+i del Grupo Tragsa y especialmente, a Asunción Roldán.

Agradecemos también el asesoramiento de la Dra. Alicia Palacios, de la ETSI de Montes de la Universidad Politécnica de Madrid, durante la fase de análisis de las imágenes e interpretación de resultados.

BIBLIOGRAFÍA

• GAMON, J.; PEÑUELAS, J. y FIELD, C. (1992): «A narrow-waveband spectral index that tracks diurnal changes in photosynthetic efficiency». Remote Sensing of Environment 41: 35-44.

• GITELSON, A.; MERZLYAK, M. Y CHIVKUNOVA, O. (2001): «Optical properties and nondestructive estimation of anthocyanin content in plant leaves». Photochemistry and Photobiology 71: 38-45.

• HERNANDEZ, R. (2012): «Detección de estrés en coníferas mediante teledetección hiperespectral y térmica de alta resolución y modelos de transferencia radiativa». Tesis doctoral. Servicio de Publicaciones de la Universidad de Córdoba.

• LALIBERTE, A. S.; Goforth, M. A.; Steele, C. M. y Rango, A. (2011): «Multispectral remote sensing from unmanned aircraft: image processing workflows and applications for rangeland environments». Remote Sensing, 2011, 3, 2529-255. ISNN 2072-4292.

• ROUSE, J.; HAAS, R.; SCHELL, J. y DEERING, D. (1973): «Monitoring vegetation systems in the great plains with ERTS». third ertS Symposium, NASA: 309-317.

 

 

Entrada: Aplicaciones de drones a las masas forestales.

Mª José Checa Alonso, Mª el Rosario escudero Barbero, Francisco José Lario Leza y Pilar Porcel Prado

Tragsatec –  Grupo Tragsa