1 EVALUACIÓN DE UNA ESTRATEGIA DE SEGMENTACIÓN AUTOMÁTICA PARA RODALIZAR EL BOSQUE DE LENGA Díaz Gastón Mauro 1 , José Daniel Lencinas 1,2 1. Centro de Investigación y Extensión Forestal Andino Patagónico (CIEFAP). cc 14 (9200) Esquel, Chubut, Argentina / Consejo Nacional de Investigaciones Científicas y Técnicas (CONICET), Argentina / [email protected]2. CIEFAP / [email protected]| Universidad Nacional de la Patagonia San Juan Bosco Resumen Se ha demostrado el potencial de la rodalización automática del bosque con datos multiespectrales de alta resolución y el algoritmo de segmentación multiresolución de eCognition. Para obtener resultado útiles con este algoritmo es necesario establecer el parámetro de escala, para ello existe una prometedora herramienta llamada “Estimador del Parámetro de Escala”. A pesar de ello, aún no se ha estudiado el impacto del dato de teledetección sobre la rodalización producida optimizando con dicha herramienta. Esto es equivalente a preguntar, ¿qué tanto depende el resultado de la rodalización de la resolución espacial y espectral de los datos de teledetección utilizados? El objetivo de este trabajo fue evaluar el impacto de las características de los datos de teledetección en la rodalización con segmentación automática de un bosque de lenga (Nothofagus pumilio) en Chubut, Argentina. Se estimó el parámetro de escala y se segmentó datos: SPOT5- HRG y TERRA-ASTER en su resolución espacial original y degradada a 30 metros, utilizando la banda del infrarrojo cercano y el índice de vegetación de diferencias normalizadas. La similitud encontrada entre la rodalización con diferentes sensores y con versiones degradadas del mismo sensor demostró la utilidad de la herramienta para estimar el parámetro de escala. Se destaca que al utilizar el índice de vegetación, en vez de la banda espectral, se obtiene objetos con bordes más simples y tamaños más uniformes. Estos son los primeros resultados publicados sobre la rodalización automática estimando el parámetro de escala, se recomienda verificar estas observaciones en otras áreas y tipos de bosque.
16
Embed
EVALUACIÓN DE UNA ESTRATEGIA DE SEGMENTACIÓN …az_Lencinas_20132... · 2000). En el caso particular de la lenga (Nothofagus pumilio), se ha reportado mayor correlación ...
This document is posted to help you gain knowledge. Please leave a comment to let me know what you think about it! Share it to your friends and learn new things together.
Transcript
1
EVALUACIÓN DE UNA ESTRATEGIA DE SEGMENTACIÓN AUTOMÁTICA
PARA RODALIZAR EL BOSQUE DE LENGA
Díaz Gastón Mauro1, José Daniel Lencinas1,2
1. Centro de Investigación y Extensión Forestal Andino Patagónico (CIEFAP). cc 14
(9200) Esquel, Chubut, Argentina / Consejo Nacional de Investigaciones Científicas
Figura 2. Resolución espectral de los sensores multiespectrales utilizados. El satélite Landsat 7 +ETM se
presenta como referencia.
El sensor push-broom óptico HRG a bordo del SPOT-5 tiene un ancho de barrido
de 60 km, con cuatro bandas de 8 bit en el verde, rojo, infrarrojo cercano e infrarrojo
medio; y con resolución espacial de 10 m, salvo por la banda en el infrarrojo medio, que
es adquirida a 20 m y remuestreada a 10 m con el algoritmo bilineal (M Travers - soporte
técnico al cliente de Spot Image, comunicación personal, 2011).
El sensor ASTER (Advanced Spaceborne Thermal Emission and Reflection
Radiometer) opera con tres subsistemas: VNIR (Visible Near InfraRed), SWIR (Short
Wave Infrared) y TIR (Termal InfraRed). En este trabajo se utilizó el subsistema VNIR, el
cual tiene 3 bandas espectrales con 15 m de resolución espacial.
Para degradar los datos a 30 metros se utilizó la función “aggregate” del paquete
“Raster” de R, con la función media y los factores de 2 y 3 para ASTER y SPOT,
respectivamente.
La segmentación fue realizada solamente en el área con bosque nativo. Esta área
se determinó mediante clasificación visual con datos de muy alta resolución espacial
(QuickBird multiespectrales).
Las segmentaciones se realizaron con el algoritmo de segmentación
multiresolución, el cual es un algoritmo de fusión de regiones desde abajo hacia arriba
(Benz et al., 2004). Este algoritmo tiene tres parámetros: escala, compacidad y forma
(Figura 3).
6
Figura 3. Parámetros del algoritmo de segmentación multiresolución.
El método de estimación del parámetro de escala de Drǎguţ et al. (2010) se
configuró con forma = 0.1 y compacidad = 0.9. El rango de variación en la escala fue entre
1 y 40 para los datos originales y entre 1 y 100 para los datos con resolución espacial
degradada.
Con gráficos como los de la figura 21 se identificaron los parámetros de escala. No
fue posible identificar dos escalas para cada caso, como si lo fue en el ejemplo de la
Figura 4.
Figura 4. Gráfico del método de estimación del parámetro de escala. Las líneas verticales verdes
no forman parte de la salida gráfica, estas fueron interpretadas visualmente sobre la curva de tasa
de cambio (color azul) para extraer el parámetro de escala estimado del eje de las x.
Para realizar el análisis visual se organizaron las segmentaciones en escala gruesa
y escala fina, discriminándose el tipo de datos (NIR o NDVI), su resolución espacial
1 Generados con el software del método de estimación del parámetro de escala
7
(original o degradada) y el sensor (ASTER o SPOT). Considerando que el tamaño y forma
de los objetos no está absolutamente determinado por la configuración del algoritmo de
segmentación sino que depende de las características de los datos, el análisis visual
consistió en comparar el tamaño, forma y distribución de los objetos digitales para
identificar similitudes.
El rodal fue considerado como un objeto geográfico (geobjeto) con límites «fiat»
(Smith and Varzi, 2000), este tipo de límites es difuso y debe ser construidos mediante un
acto cognitivo. El geobjeto se define como una entidad espacial discreta con propiedades
que lo identifican y diferencian con respecto a su entorno. La existencia del interior del
objeto es independiente del acto cognitivo (Castilla and Hay, 2008).
RESULTADOS
La segmentación de la banda del NIR produce objetos con forma irregular en
comparación con la segmentación del NDVI, lo que se observa tanto en su resolución
espacial original como en la degradada a 30 metros (Figura 5).
8
Figura 5. Recorte de 2 x 2 km de 12 segmentaciones producidas con el método de estimación del
parámetro de escala. Cada fila constituye una figura aparte, de la Figura 6 a la Figura 9.
Si comparamos los objetos segmentados con los mismos datos pero alterando su
resolución original, se deduce que solamente existe correspondencia con la banda de
NDVI. En el caso de ASTER, pueden identificarse dos escalas, mientras que en el caso
de SPOT solamente una (Figura 10 y Figura 11).
9
Figura 6. Segmentación de la banda del infrarrojo cercano (NIR) en su resolución espacial
original. El área cuadrada tiene 2 km de lado y se representa a mayor tamaño en la Figura 5.
10
Figura 7. Segmentación de la banda sintética de NDVI en su resolución espacial original. El área
cuadrada tiene 2 km de lado y se representa a mayor tamaño en la Figura 5.
Figura 8. Segmentación de la banda del infrarrojo cercano (NIR) con la resolución espacial
degradada a 30 metros. El área cuadrada tiene 2 km de lado y se representa a mayor tamaño en
la Figura 5.
11
Figura 9. Segmentación de la banda sintética del NDVI con la resolución espacial degradada a 30
metros. El área cuadrada tiene 2 km de lado y se representa a mayor tamaño en la Figura 5.
12
Figura 10. Para los datos ASTER, comparación entre la segmentación de la banda del NDVI en
su resolución original de 15 metros y degradada a 30 metros.
Figura 11. Para los datos SPOT, comparación entre la segmentación de la banda del NDVI en su
resolución original de 10 metros y degradada a 30 metros.
13
DISCUSIÓN
Para utilizar la propuesta de Drǎguţ et al. (2010) implementada en eCognition es
necesario elegir una sola banda. En el caso de datos multiespectrales Kim (2009) y
Drǎguţ et al. (2010) optaron por elegir una banda espectral en vez de producir bandas
sintéticas. El primero autor dispuso de datos multiespectrales y trabajó con la banda del
NIR. En forma similar, Drǎguţ et al. (2010), en el caso de datos multiespectrales, eligió la
banda del NIR y, en el caso de fotografías color, la banda del rojo.
En vez de elegir arbitrariamente una banda, es una alternativa válida resumir la
información de la imagen en una banda sintética. La hipótesis de Drǎguţ et al. (2010)
asume lo que Strahler et al. (1986) denominan modelos simples, en los cuales solamente
se tiene una clase de geobjetos y el fondo. Además, el método Drǎguţ et al. (2010)
requiere que la información de la imagen tenga mayor contraste entre el fondo y el objeto
que entre elementos del mismo objeto. Por lo tanto, cualquier transformación de los datos
originales que los aproxime a esta condición ideal debería favorecer la estimación del
parámetro de escala con la propuesta de Drǎguţ et al. (2010).
De los tres parámetros que controlan el algoritmo de segmentación multiresolución,
solamente se está estimando la escala. Por eso cabe preguntar con qué criterio se define
el parámetro de forma y el de compacidad. Kim (2009) utiliza una compacidad cercana a
uno y una forma de 0.9. Para seleccionarlos, el autor comparó variaciones de la forma con
una rodalización manual, concluyendo que con forma de 0.9 se obtienen bordes menos
complejos y tamaños más uniformes, siendo estas características semejantes a las de la
rodalización manual. En el caso de Lamonaca et al. (2008), estos seleccionan una forma
de 0.6 y una compacidad de 0.9 a través de prueba y error.
Al utilizar datos de teledetección óptica se asume que la reflectividad está
correlacionada con la variable de interés (Fassnacht et al., 2006). En el mismo orden de
ideas, al utilizar datos de teledetección para rodalizar el bosque se asume, implícitamente,
que el valor del píxel está asociado con la estructura del bosque porque los rodales se
forman con un criterio de homogeneidad estructural2. Aumentar la forma implica disminuir
la importancia del desvío estándar de los valores del píxel (Benz et al 2004). Por lo tanto,
aunque es deseable que los rodales tengan bordes simples, forma compacta y tamaño
2 En el caso de querer incorporar otros criterios de homogeneidad asociados con objetivos de
manejo específicos se deberán considerar otras variables.
14
similar, parece inconsistente aumentar la forma para restar importancia a la estructura del
bosque, como proponen Kim (2009) y, aunque en menor grado, Lamonaca et al. (2008).
Los resultados demuestran que los bordes son más simples al utilizar el NDVI en
vez de la banda espectral del infrarrojo cercano. Este índice, al ser un cociente de
bandas, reduce el efecto del relieve en las características espectrales de cada cubierta
(Lu, 2006). Por lo tanto, una posible explicación a los resultados del presente trabajo es
que las formas complejas producto de la segmentación de bandas espectrales se deban a
la iluminación diferencial de porciones del dosel por el efecto interrelacionado del
microrrelieve y la estructura del dosel y, por lo tanto, dependen de la geometría de
iluminación. Esta dependencia perjudica la robustez de la segmentación.
Los resultados de este trabajo constituyen una primera validación de la propuesta
de Drǎguţ et al. (2010) aplicada a la rodalización del bosque. El método demostró ser útil
para identificar escalas óptimas considerando la similitud encontrada entre la rodalización
con diferentes sensores y con versiones degradadas del mismo sensor. Se recomienda
verificar estas observaciones en otras áreas y tipos de bosque. Para futuros estudios,
disponer de una rodalización manual como referencia permitiría, no solamente realizar
comparaciones más directas, sino también obtener resultados cuantitativos a través del
método de la confianza en el análisis de objetos, desarrollado por Schöpfer et al. (2008).
Sin embargo, este tipo de información de referencia, no suele estar disponible en la región
y es dificultoso generarla porque no existen métodos de referencia validados
regionalmente y que cuenten con la aceptación de la comunidad científico-técnica3. Una
alternativa para elaborar la rodalización de referencia son los datos LiDAR (Tiede et al.,
2004; Sullivan et al., 2006), pero el alto costo que actualmente tienen en la región
dificultarían su implementación.
REFERENCIAS
Benz, U., Hofmann, P., Willhauck, G., Lingenfelder, I., Heynen, M., 2004. Multi-resolution, object-oriented fuzzy analysis of remote sensing data for GIS-ready information. ISPRS Journal of Photogrammetry and Remote Sensing 58, 239–258.
3 En los países industrializados se procede con fotografías infrarrojas y estereoscópicas, existiendo
experiencia local para la fotointerpretación de ese tipo de dato de teledetección.
15
Blaschke, T., 2010. Object based image analysis for remote sensing. ISPRS Journal of Photogrammetry and Remote Sensing 65, 2–16.
Díaz, G.M., 2013. Estimación de la estructura del bosque de Nothofagus pumilio con tecnología geomática.
Drǎguţ, L., Tiede, D., Levick, S.R., 2010. ESP: a tool to estimate scale parameter for multiresolution image segmentation of remotely sensed data. International Journal of Geographical Information Science 24, 859–871.
Fassnacht, K., Cohen, W., Spies, T., 2006. Key issues in making and using satellite-based maps in ecology: A primer. Forest Ecology and Management 222, 167–181.
Gonzalez Molina, J. M., Piqué Nicolau, M., Grau, P. V., 2006. Manual de ordenación por rodales. Gestión multifuncional de espacios forestales. Centre Tecnologic Forestal de Cataluña. P. 208.
Hyyppä, J., 2000. Accuracy comparison of various remote sensing data sources in the retrieval of forest stand attributes. Forest Ecology and Management 128, 109–120.
Kim, M., 2009. Object-based spatial classification of forest vegetation with ikonos imagery.
Lamonaca, a, Corona, P., Barbati, A., 2008. Exploring forest structural complexity by multi-scale segmentation of VHR imagery. Remote Sensing of Environment 112, 2839–2849.
Lu, D., 2006. The potential and challenge of remote sensing based biomass estimation. International Journal of Remote Sensing 27, 1297–1328.
Poulain, M., Pena, M., Schmidt, A., Schmidt, H., Schulte, A., 2010. Relationships between forest variables and remote sensing data in a Nothofagus pumilio forest. Geocarto International 25, 25–43.
Schöpfer, E., Lang, S., Albrecht, F., 2008. Object-fate analysis: Spatial relationships for the assessment of object transition and correspondence, in: Blaschke, T., Lang, S., Hay, G.J. (Eds.), Object-Based Image Analysis: Spatial Concepts for Knowledge-Driven Remote Sensing Applications. pp. 786–801.
Smith, B., Varzi, A.C., 2000. Fiat and Bona Fide Boundaries. Philosophy and Phenomenological Research 60, 401.
Sullivan, A.A., Mcgaughey, R.J., Andersen, H., Schiess, P., 2006. Objetc-oriented classification of forest structure from ligth detection and ranging data.
Tiede, D., Blaschke, T., Heurich, M., 2004. Object-based semi-automatic mapping of forest stands with laser scanner and multi-spectral data, in: International Archives of the
16
Photogrammetry, Remote Sensing and Spatial Information Sciences. ISPRS, Freiburg, Germany, pp. 328–333.
Eckert, S., Kellenberger, T., Lencinas, J.D., 2005. Classification and forest parameter extraction of patagonian lenga forests with aster and Landsat ETM+ data, in: Pecora 16 “Global Priorities in Land Remote Sensing”. Sioux Falls, South Dakota, p. 11.