Detección de la invasión de arbustos en praderas seminaturales mediante UAS LiDAR
Entrevista:
Hola Bjarke, ¡gracias por aceptar esta entrevista! Sabemos que ha utilizado YellowScan Surveyor para sus trabajos de investigación sobre biodiversidad. ¿Puede hablarnos un poco más de usted y de su trabajo de investigación?
Soy Bjarke Madsen, de la Universidad de Aarhus (Dinamarca). Soy estudiante de doctorado desde hace 3,5 años en Ecoinformática y Biodiversidad, Departamento de Biología. Aquí trabajo con el grupo de dinámica de la vegetación @Vegdyn, y en el laboratorio UAS4Ecology, @UAS4Ecology.
Mi trabajo de investigación trata sobre la comprensión de la dinámica de la diversidad de los pastizales mediante teledetección basada en drones. Me dedico al seguimiento de la biodiversidad mediante el desarrollo de métodos eficaces para realizar, procesar y analizar datos de teledetección basados en drones. Intento detectar distintos elementos de la diversidad vegetal a través del tiempo y el espacio.
Hemos utilizado YellowScan Surveyor en la primera parte de mi tesis «Detección de la invasión de arbustos en praderas seminaturales mediante UAS LiDAR» en colaboración con Urs A. Treier, András Zlinsky, Arko Lucieer y Signe Normand.
¿Cómo utilizó UAS LiDAR para detectar arbustos?
El YellowScan Surveyor UAS LiDAR se utilizó para escanear una zona de pastizales en la que se han reintroducido recientemente caballos y vacas en el marco de un experimento denominado «rewilding». Detectamos y controlamos una especie arbustiva específica (Cytisus scoparius o retama escocesa) que resulta problemática en algunas zonas en términos de invasión. La especie crece rápidamente y es capaz de superar a las plantas circundantes monopolizando la luz, con posibles consecuencias negativas para la diversidad vegetal. Por lo tanto, escaneamos la zona y clasificamos los arbustos en la nube de puntos LiDAR del UAS. Desarrollamos un conjunto de variables 3D que caracterizan y distinguen esta especie de otros arbustos. El objetivo de las variables era detectar las características morfológicas que varían entre las especies arbustivas para representar, por ejemplo, la disposición de las hojas y las ramas. Por ejemplo, nuestro arbusto focal (C. scoparius) tiene una forma de crecimiento menos densa que, por ejemplo, Juniperus communis, que por tanto puede separarse mediante las variables basadas en puntos que representan la penetración de la luz y la complejidad.
Utilizamos nuestros conocimientos ecológicos para hacer que distintas variables representaran mejor las características de crecimiento de los arbustos y, a continuación, empleamos una técnica de aprendizaje automático basada en puntos para clasificar las distintas especies directamente en la nube de puntos 3D. Alcanzamos al menos un 86% de precisión en nuestro modelo de clasificación. Esta gran precisión nos permitió calcular la biomasa de nuestro arbusto focal y proyectar estas medidas a todo el paisaje de 6,7 ha.
MikroKopter MK8-3500 UAS y YellowScan Surveyor en la zona inspeccionada – Crédito de la foto. Bjarke Madsen.
Paisaje salvaje con arbustos y árboles – Crédito de la foto. Bjarke Madsen.
¿Cuáles fueron los primeros resultados?
Realizamos dos campañas de vuelo en otoño de 2017 y primavera de 2018 sobre la misma zona. Esto nos permitió estudiar los cambios a lo largo de la estación invernal, ya que se supone que los animales afectan más a la vegetación leñosa durante este periodo, mientras que al mismo tiempo no esperaríamos mucho crecimiento vegetal durante esta estación fría. Por término medio, encontramos, como era de esperar, una disminución de la biomasa de otoño a primavera, también pequeña (33,4 o 4,9 g/m2, según el modelo de clasificación). Sin embargo, el cambio de la biomasa arbustiva no se distribuyó por igual en toda la zona. En algunas zonas, encontramos una gran disminución de la biomasa arbustiva, especialmente en una zona más cercana al bosque.
Aún no hemos dedicado tiempo a investigar más sobre los factores subyacentes que causan esta disminución de la biomasa. Aunque, una hipótesis es que los animales tienden a pasar más tiempo en el bosque durante el invierno y por lo tanto afectan más a los arbustos en esta zona por el pisoteo y el ramoneo. Pero, como se ha dicho, serán necesarias más investigaciones para probar esta hipótesis. Por otro lado, también tuvimos zonas con un pequeño aumento de la biomasa arbustiva, posiblemente debido a un crecimiento temprano en primavera o a periodos más cálidos durante el invierno.
Cytisus Scoparius
Nube de puntos LiDAR UAV clasificada – Cytisus Scoparius
Madsen, Bjarke, et al. «Detección de la invasión de arbustos en pastizales seminaturales utilizando UAS LiDAR». Ecología y Evolución (2020)
¿Qué hay de la adquisición de datos: superficie estudiada y número de vuelos?
En octubre de 2017, realizamos uno de nuestros primeros vuelos con el YellowScan Surveyor. No pretendíamos abarcar la mayor superficie posible, sino hacer hincapié en el nivel de detalle necesario para detectar variaciones a pequeña escala en la vegetación de los pastizales. Recogimos datos LiDAR con 3 vuelos, lo que es manejable en medio día. Volamos relativamente bajo, a 40 metros del suelo. Con estos ajustes, pudimos cartografiar una superficie de 6,7 hectáreas.
En el último año de vistas hemos establecido bien el flujo de trabajo y las rutinas y estamos familiarizados con el proceso. Mi colega Urs A. Treier es el piloto del UAS, que se encarga de la parte técnica pesada, y yo he sido el copiloto de todos los vuelos, haciendo los planes de vuelo y supervisando la estación de control en tierra.
Actualmente estamos realizando un esfuerzo de seguimiento temporal más detallado repitiendo los vuelos UAS cada 2 meses. Con los datos así adquiridos podremos profundizar en los cambios estacionales de crecimiento, pero también en los efectos de las etapas fenológicas en las clasificaciones LiDAR.
Distribución de los puntos de arbustos clasificados de la encuesta de 2017 (verde) y de 2018 (azul) en porcentaje del total de puntos de arbustos. Madsen, Bjarke, et al. «Detección de la invasión de arbustos en pastizales seminaturales utilizando UAS LiDAR». Ecología y Evolución (2020)
¿Qué pasa con el procesamiento de datos de nubes de puntos? ¿Cuáles son los resultados finales en términos de precisión?
Una vez generada la nube de puntos LiDAR con el software YellowScan, la manipulación de la nube de puntos se llevó a cabo con el paquete de software OPALS, desarrollado por investigadores de TU Wien. Utilizamos OPALS para la clasificación semiautomática basada en puntos directamente en la nube de puntos, lo que significa que a cada punto se le pueden atribuir varias características adicionales. Para que la clasificación funcionara se necesitaban dos datos principales.
En primer lugar, los datos de referencia y validación de 180 observaciones de 11 especies de arbustos diferentes se muestrearon manualmente en toda la zona midiendo ubicaciones exactas con un sistema GNSS.
En segundo lugar, podrían extraerse variables de nubes de puntos para los arbustos ahora etiquetados. Posteriormente, aplicamos un enfoque de aprendizaje automático mediante un algoritmo de partición recursiva para clasificar cada punto de la nube de puntos en función de las características morfológicas representadas por las variables LiDAR.
La precisión global de la clasificación de nubes de puntos fue buena, con precisiones globales del 86,9 % y el 95,2 % para los datos de otoño y primavera, respectivamente. Realizamos algunos ajustes para alinear las nubes de puntos procedentes de los 3 vuelos diferentes para combinar los datos y obtener una mejor representación de los arbustos. Los resultados son magníficos. Siempre estamos muy por debajo de los 10 cm de precisión absoluta, que es nuestro requisito.
¿Cómo describiría su experiencia con las soluciones YellowScan?
Cuando compramos el sistema, buscábamos una solución llave en mano lista para usar, ¡y eso es lo que obtuvimos! Además de eso, el Surveyor hace bien su trabajo y es sencillo trabajar con el software POSPac y YellowScan. Para ser sincero, no recuerdo grandes problemas, y eso que he postprocesado bastantes datos LiDAR.
Nuestra impresión en el equipo de investigación es que, incluso con 2 retornos (o ecos) proporcionados por el Topógrafo, obtenemos muchos puntos y conseguimos una buena representación de la vegetación. Nuestros datos parecen muy buenos y precisos, y no observamos mucho ruido en los resultados. Por supuesto, estamos estudiando características de la vegetación a escala muy fina y no aplicamos el sistema en silvicultura.
¿Algo que añadir sobre la cartografía LiDAR con UAS para detectar vegetación?
Queríamos ver lo que es realmente posible en términos de resolución espacial para los estudios de diversidad vegetal. Trabajar en la biodiversidad de los pastizales es cuestión de precisión y exactitud. Con UAS LiDAR pudimos ver realmente las diferencias en los paisajes.
Utilizamos LiDAR en drones porque la mayoría de las actividades tradicionales de gestión del suelo se basan en escalas de parcelas locales. Esto no representa necesariamente lo que ocurre en todo el paisaje. Eso es lo que demostramos en nuestro estudio. En ese sentido, pudimos observar diferentes tendencias: variación en el cambio de biomasa a través de un área con aumentos y disminuciones. No habríamos podido captar esta dinámica de la vegetación a escala del paisaje sin el LiDAR UAS. Ahora podemos abarcar una zona más amplia para controlar la biodiversidad, lo que contribuirá a la gestión de la naturaleza y a los esfuerzos de conservación.
Gracias por compartir esta visión y el resultado de su trabajo de investigación. ¡Buena suerte en la defensa de su tesis!
NB: Autor Julien BO.
