A partir de datos de LiDAR e imágenes de satélite, y con un algoritmo de aprendizaje automático, científicos del Campus consiguen discriminar entre pinos piñoneros y negrales. Una información de gran interés para predecir la producción de piñones y resina.
Investigadores del Instituto Universitario de Investigación en Gestión Forestal Sostenible (iuFOR) del Campus de Soria de la Universidad de Valladolid (UVa), la spin-off Föra forest technologies, el Centro de Investigación Forestal (CIFOR-INIA), el Departamento de Educación del Gobierno Vasco y el Campus de Soria de la UVa han combinado datos de LiDAR de baja densidad con imágenes del satélite Pleiades de alta resolución para discriminar dos especies de pino mediterráneo, ‘Pinus pinea L.’ y ‘Pinus pinaster Ait.’, en masas mixtas a nivel de árbol individual. El trabajo, recogido por la agencia DiCYT (www.dicyt.com) ha sido publicado en la revista ‘Annals of Forest Science’, y puede ser de gran ayuda en la gestión forestal.
Tal y como detalla Ángela Blázquez Casado, autora principal del estudio, en zonas geográficas de la Península Ibérica, como la meseta Norte, existe una extensa superficie cubierta por masas mixtas de ‘Pinus pinea L.’ (pino piñonero) y ‘Pinus pinaster Ait.’ (pino negral) en las cuales los productos forestales no maderables, como el piñón y la resina, son más rentables que la propia madera.
En estos casos, contar con herramientas que permitan predecir la producción de cada uno de estos productos forestales es muy relevante para la gestión y el desarrollo socioeconómico de las zonas rurales.
“Conocer la disponibilidad espacial de estos recursos forestales y su evolución temporal es crítico en la gestión forestal”, detalla a DiCYT Blázquez Casado, quien subraya que el uso de información procedente de sensores remotos se está convirtiendo en una opción cada vez más rigurosa y asequible para el desarrollo de esta compleja tarea.
Se trata así de discriminar, de forma automática, a gran escala y a nivel de árbol individual, ambos tipos de coníferas mediterráneas que son muy parecidas. Para ello, el equipo utilizó dos tipos de datos. Por un lado datos de LiDAR, una tecnología láser, en este caso, dispuesta sobre un avión, con la que es posible distinguir con elevada precisión la estructura de las dos especies: en el caso del pino piñonero, los individuos adultos cuentan con una copa muy aparasolada con un pie libre de ramas y, en el caso del negral, disponen de una copa mas apical que puede llegar hasta el suelo.
Por otro lado, se emplearon imágenes del satélite de origen francés Pleiades tomadas en el año 2014. Estas imágenes espectrales, que gozan de una resolución espacial muy alta, ofrecen información relacionada con la capacidad fotosintética, el estado de desarrollo de las plantas y su textura.
Una precisión mayor al 83%
Con estos datos, los investigadores desarrollaron tres modelos, uno solo con la información LiDAR, otro solo con la información espectral y un tercer modelo con todas las variables recogidas de las dos fuentes de información. El modelo combinado, que se construyó aplicando una técnica de aprendizaje automático (denominada Random Forest), fue el que aportó la mayor precisión, un 83’3 por ciento en las masas puras y un 63 por ciento en las masas mixtas.
“Esta aproximación que combina la información procedente de las dos fuentes de información mediante el algoritmo de aprendizaje automático es capaz de discriminar entre estas dos especies de coníferas tan similares. Además es fácilmente aplicable en grandes áreas, lo que aporta una herramienta útil para los gestores”, destaca Blázquez Casado. A partir de la clasificación de cada uno de los árboles detectados dentro de la masa, es posible aplicar modelos ya existentes para estimar la producción de piñones y resina.
Aplicable a otras masas mixtas
El equipo confía en poder aplicar esta misma metodología, en el futuro, a otras masas mixtas donde exista mayor diversidad de especies u otras especies diferentes. Además, “sería muy interesante incluir en este tipo de trabajos información procedente de imágenes hiperespectrales o radar de satélites libres como Sentinel, con el objetivo de mejorar el poder discriminatorio entre especies y calibrar este tipo de datos más recientes”.
Finalmente, añade la investigadora, también sería interesante incluir en este tipo de trabajos la segunda cobertura de datos LiDAR, que actualmente se está liberando. De este modo, “se podrían incluir dentro de los modelos variables que caractericen el crecimiento de las especies objeto de estudio”.