Identificació d’arbres de grans dimensions al Parc del Montnegre i el Corredor

L’equip gestor del Parc del Montnegre i el Corredor està estudiant diferents opcions de gestió forestal amb l’objectiu final de potenciar algunes espècies secundàries per a fusta de qualitat. Aquesta línia té una triple finalitat: mantenir un paisatge de gran valor, gestionar el bosc aplicant criteris de conservació i fer-ho econòmicament rendible.

Els boscos de planifolis de la banda nord del Parc del Montnegre i el Corredor, estan formats majoritàriament per perxades de castanyer per damunt de les quals sobresurten arbres de grans dimensions d’espècies secundàries com el roure i el cirerer. En aquests boscos, sovint s’hi aplica una silvicultura intensiva, amb tallades arreu que suposen una homogeneïtzació de la massa forestal i una pèrdua de biodiversitat del territori.

L’ús de dades LIDAR permet la mesura automatitzada de paràmetres dels arbres com l’alçària, la localització planimètrica dels peus i la mida i forma de la capçada, molt útil, per a inventaris de grans extensions. Les dades associades a aquests tipus de sensors aporten més solucions que les tècniques tradicionals de reconeixement de formes per extreure capçades (Gougeon, 2005) ja que contenen informació estructural dels elements. En els últims anys s’ha estès el seu ús de manera considerable per aïllar i delimitar arbres, i extreure informació complementària dels mateixos (Viñas i Ruiz, 2009; Holmgren, 2003; Popescu, 2003).

L’objectiu principal d’aquest estudi és la localització d’arbres dominants de grans dimensions, el qual suposa la primera fase d’un projecte per a la identificació de cirerers d’aquestes característiques, per tal de localitzar i caracteritzar els individus d’aquesta espècie per a un aprofitament forestal com a fusta de qualitat.

Àrea d’estudi

L’àrea d’estudi ocupa 3600 ha situades al bell mig de la serralada del Montnegre a cavall entre les comarques del Vallès Oriental i el Maresme, amb una orografia accidentada i un rang altitudinal que va dels 136 m fins als 759 m. Als solells hi predominen les pinedes de pi pinyer i les suredes, mentre que a la obaga els alzinars, les rouredes i les perxades de castanyer (on es localitzen la majoria de cirerers de grans dimensions.

Material i mètodes

Materials
S’ha utilitzat el material que es relaciona a continuació:

• Dades LIDAR de la zona d’estudi, procedents del projecte LIDARCAT (MDT Lidar de Catalunya) capturades amb el sensor Optech ALTM 3025 propietat de l’Institut Cartogràfic de Catalunya (ICC). Aquest sensor incorpora un sistema d’escaneig a través d’un mirall oscil·lant i enregistra el primer i l’últim eco retornat, classificant-los en 3 classes: Classe-1 (punts de segon eco a una alçària intermitja), Classe-2 (punts del segon eco classificats com a terreny) i Classe-3 (punts del primer eco, el primer contacte). Les característiques principals del sensor aplicades al vol de l’estudi són les següents:

Taula 1. Dades del vol LIDAR.

• Mapa de Cobertes del Sòl de Catalunya (MCSC), versió 3 (2005/2007) en format vectorial i escala 1:5000.
• Inventari Ecològic i Forestal de Catalunya – Tercer Inventario Forestal Nacional (IEFC-IFN3). (1997/2007). CREAF-Dirección General para la Biodiversidad: Ministerio de Medio Ambiente, Madrid.
• Ortofotografies color a escala 1:5000 de l’ICC amb resolució de 0.5 m. Versió 5.0, any 2008.
• Dades de camp de 44 arbres de grans dimensions situats dins la zona d’estudi. Alguns dels paràmetres recollits: alçària, alçària primera branca, diàmetre mínim, diàmetre màxim, inclinació, localització. Oficina Tècnica de Planificació i Anàlisi Territorial. Àrea d’Espais Naturals. Diputació de Barcelona. 2009.

Metodologia
La metodologia emprada per dur a terme aquest estudi s’estructura en 3 fases:

• Obtenció i validació dels diferents models digitals d’elevacions necessaris per l’estudi: Model Digital del Terreny (MDT), Model Digital de Superfícies (MDS) i Model de Capçades d’Arbre (MCA).
• Identificació dels arbres de grans dimensions mitjançant un model de conques hidrogràfiques extret de l’estudi hidrogràfic del MCA.
• Classificació dels arbres identificats segons la seva alçària i el tipus de coberta del sòl on es troben.

Obtenció dels Models Digitals d’Elevacions
A partir de la classificació automàtica dels punts LIDAR facilitada pel suministrador de les dades, s’han separat del fitxer .LAS els punts Classe-2 (punts terreny) i els punts Classe-3 (punts del primer eco). Amb els primers s’ha interpolat amb la funció regularitzadora spline (MiraMon, 2001) per generar el MDT; amb els segons s’ha interpolat amb IDW (MiraMon, 2001) per obtenir el MDS. La diferència d’alçades entre el MDS i el MDT dóna lloc al MCA el qual representa l’alçària relativa de la vegetació respecte el terreny. Els 3 models tenen una sortida de cel·la de 2 m.

S’observen alçàries mínimes negatives al MCA. Aquestes corresponen a zones de terreny nu, on la diferència de gradient altitudinal entre punts Classe-2 i punts Classe-3 es molt baixa. Això pot donar lloc a corbes d’interpolació que s’entrecreuin, situant-se en ocasions la corba corresponent al MDT per sobre de la corba corresponent al MDS. Les alçàries negatives suposen 77701 cel·les (0.86%) d’un total de 9 milions que conformen tot l’àmbit d’estudi, la majoria en zones sense arbres, la qual cosa no suposa cap impediment per considerar vàlid el MCA per la posterior identificació dels arbres de grans dimensions a partir de l’estudi hidrogràfic.

Identificació d’arbres de grans dimensions
Amb l’objectiu d’individualitzar els arbres de grans dimensions, s’ha aplicat al MCA el model hidrogràfic (Hyyppä i Inkinen, 1999; Lee i Fisher, 2006) utilitzant ArcInfo. Aquest, consisteix en invertir el signe de les cotes del MCA convertint les convexitats en concavitats, fet que permet extreure’n les conques hidrogràfiques. Cada conca de drenatge correspon a la capçada d’una arbre i el seu embornal al corresponent àpex.

Abans de començar l’estudi cal dur a terme un pre-processament del MCA. Es dóna valor 0 a totes les alçàries negatives per no confondre el sistema a l’hora de calcular els fluxos. Seguidament, es suavitza el MCA per eliminar cel•les aïllades amb alçàries molt divergents respecte a les seves veïnes, fet que dificultaria molt la definició de les conques hidrogràfiques. Amb aquesta finalitat s’ha filtrat la imatge amb un filtre de mitjanes amb finestra de convolució de 3×3, per tal de no distorsionar en excés el valor original de cel·la.

Un cop es disposa del MCA amb el pre-processament i les cotes invertides, l’estudi hidrogràfic comprèn els passos següents:

• Càlcul de la direcció de flux (flow direction) que determina la direcció que drena cada cel·la tenint en compte el pendent respecte les seves veïnes.
• Càlcul dels mínims locals (sink) per determinar cap a on convergeixen els grups de cel•les que conformen cadascuna de les conques hidrogràfiques. Aquests punts conformen els àpex dels arbres i a la vegada se’ls considera el peu de cada arbre (Viñas i Ruiz, 2009).
• Càlcul de les conques hidrogràfiques (watershed). A partir del ràster de fluxos, el de mínims locals i el MCA es calculen les conques hidrogràfiques que determinaran el nombre de peus i la forma, el perímetre i l’àrea de capçada de cada arbre.

Classificació dels arbres identificats
Un cop s’ha obtingut el mapa de conques que determinarà els resultats de l’inventari, cal classificar-lo per excloure tots aquells peus que, o bé per alçària no se’ls pot considerar arbres de grans dimensions, o bé es troben situats sobre cobertes on és molt poc probable la presència de les espècies objectiu final de l’estudi.

Es vectoritza el ràster de mínims locals (sink) i el de conques hidrogràfiques (watershed). Del primer se n’obté un arxiu de punts que defineixen la posició de cada arbre i del segon l’àrea i la forma de cada capçada. Mitjançant la combinació analítica de capes es realitza una sèrie de creuaments amb l’objectiu de crear un fitxer de peus que, a més de la localització, hereti els atributs d’alçària, perímetre i àrea de capçada i tipus de coberta del sòl. El resultat és un fitxer de punts (peus d’arbres) amb tots els atributs del mapa de conques combinat.

La classificació final dels arbres detectats s’ha dut a terme a partir de dos criteris. D’una banda, s’ha determinat una alçària de tall per sota de la qual l’arbre no es considera arbre de grans dimensions. Aquest valor ha estat deduït a partir de l’estudi de l’histograma de freqüències d’alçària del MCA (Gràfic 1) i l’histograma de freqüències d’alçària de 35 dels 44 arbres de test (Gràfic 2), dels quals es té la dada d’alçària. Si es té en compte que gran part de la massa forestal té una alçària mitjana semblant, cal buscar una davallada de les freqüències per la part alta de l’histograma, que indiqui el valor d’alçària on es comencen a detectar els arbres que sobresurten per damunt d’aquesta alçària mitjana. A la vegada, aquesta alçària de tall ha de tenir similitud amb els valors més baixos de la distribució de freqüències de les alçàries recollides a camp. Observant els histogrames, es fa palès aquest valor de tall entre els 11 i 13 m, establint-lo en 12 m.

Gràfic 1. Histograma d’alçàries MCA. Gràfic 2. Histograma d’alçàries d’arbres de camp.

D’altra banda, cal fer una segona classificació dels arbres, els quals, degut a la coberta on es troben és molt poc probable que puguin pertànyer a les espècies d’interès de l’estudi. A partir del mapa de peus classificat per alçàries, s’ha fet una selecció per atributs per tal d’excloure les cobertes no susceptibles d’incloure les esmentades espècies.

Resultats i discussió

Validació dels models digitals d’elevacions

• MDT: s’ha dut a terme la bateria de proves expressada a la Taula 2. Totes les proves han estat realitzades a partir d’un enriquiment de punts d’ajust i punts de test del 70% i el 30% respectivament. La sortida de cel•la és en tots els casos de 2 m. El RMSE final ha estat de 0.53 m i s’ha obtingut amb la funció regularitzadora Spline amb una tensió de 50 i una desviació de 25. La distància d’interpolació local ha estat de 5 m.

Taula 2. Valors interpolació MDT.

Per a boscos de coníferes i amb densitats de 4 punts/m², Reutebuch et al., 2003 accepten un error de 0,31 ± 0,29 m., el que fa pensar que amb densitats de 0,76 punts/m², un error de 0,53 m. es consideri un error assumible.

• MDS: s’ha dut a terme la bateria de proves expressada a la Taula 3. Totes les proves han estat realitzades a partir d’un enriquiment de punts d’ajust i punts de test del 70% i el 30% respectivament. La sortida de cel·la és en tots els casos de 2 m. El RMSE final ha estat de 3.03 m i s’ha obtingut amb IDW i exponent 1. La distància d’interpolació local ha estat 5 m.

  IDW			SPLINE
  Exponent	Distància interpolació (m)	RMSE (m)	Tensió/Desviació	Bloc costat d’anàlisi (m)	RMSE (m)
  0.5	10	3.91	25/0	5	3.94
  1	10	3.51	50/0	5	3.88
  2	10	3.32	60/0	5	3.68
  0.5	5	3.18	60/25	5	3.62
  1	5	3.03	50/30	5	3.59
  1.5	5	3.10	50/40	5	3.65
  2	5	3.13
  2.5	5	3.19
  3	5	3.36

Taula 3. Valors interpolació MDS.

S’han realitzat proves amb enriquiments de punts d’ajust i de test del 80% i del 20% respectivament, i amb sortida de cel•la de 1 m. Els resultats han estat molt similars (Taula 4).

Taula 4. Valors interpolació MDS. Enriquiment 80/20 i cel·la d’1 m.

A diferència del MDT, en aquest cas la funció regularitzadora Spline no té un comportament tant adequat, ja que la superfície a reproduir és molt més accidentada, amb canvis sobtats de cota en poc espai (diferència d’alçària entre arbres molt propers). En aquest context, l’interpolador IDW es mostra més eficaç, tot i que el RMSE final de 3,03 m cal considerar-lo elevat per l’objectiu final de l’estudi.

S’ha fet un estudi dels punts amb més error (superior a 10 m) per veure la seva distribució (Figura 1). Es fa notar com la gran majoria es troben en fons de vall, carenes o zones de força pendent, on el classificador automàtic pot confondre els canvis sobtats de gradient altitudinal i classificar un punt Classe-2 com a Classe-3, pensant que aquesta variació de cota ve donada per un element de la superfície terrestre i no pel propi terreny (Ruiz, 2009).

Figura 1. Detall de distribució punts de test amb més error del MDS.

El nombre final de punts amb error superior a 10 m és de 47.852 (1.22%) d’un total de 3.897.778 que formen el fitxer de punts de test. Si es torna a calcular el RMSE final sense aquests punts de més error, s’obté un valor de 2,86 m -encara força elevat- que fa pensar que les incongruències en la classificació automàtica no són el principal argument que explica l’error final. La baixa densitat de punts per a reproduir un MDS tant complex com el que representa una zona forestal explica l’error assumit.

Finalment, s’ha calculat el RMSE del MCA, a partir de la suma dels errors quadràtics del MDS i MDT.

√ (RMSE²_MDS + RMSE²_MDT) = 3.07 m

L’error final del MCA és igualment elevat com a conseqüència del valor de RMSE del MDS.

Estudi de localització de peus: Resultats del model hidrogràfic
L’estudi hidrogràfic i la posterior classificació del mateix, ha donat els següents resultats (Taula 5):

Taula 5. Resultats estudi hidrogràfic.

Per validar aquests resultats s’ha superposat el mapa de conques classificat amb el fitxer de punts de localització dels 44 arbres de grans dimensions testats a camp. D’aquests 44 arbres, 31 queden situats dins d’una conca hidrogràfica on l’alçària és igual o superior a 12 m i pertany a sòl susceptible de presència d’espècies d’interès; mentre que els altres 13, el model els situa o bé dins una conca amb presència ja d’un altre arbre o bé dins una conca sense les característiques anteriors (Taula 6 i Figura 2). Es consideren aquests arbres com a arbres no localitzats pel model. Així doncs, obtenim una fiabilitat de:

(31 / 44) * 100 = 70.45%

Taula 6. Relació realitat-model.

Figura 2. Detall dels problemes de localització dels arbres de camp.

Seguidament s’han comparat les dades del nombre de peus d’arbres de grans dimensions obtingudes pel model hidrogràfic amb les mateixes dades de les 20 parcel·les de l’IEFC-IFN3 enclavades dins l’àmbit d’estudi (Taula 7).

     Taula 7. Comparativa Model i IEFC-IFN3.

S’ha pogut classificar les 20 parcel·les en 3 grups segons l’encert del model. Aquest encert varia en funció de la densitat d’arbres de grans dimensions de la parcel·la i la diferència d’alçàries entre aquests i la resta. Un primer grup amb baixes densitats d’arbres grans (<= 46 peus/ha) i marcades diferències d’alçària entre arbres grans i la resta (Gràfic 3). El model aconsegueix un encert mitjà del 85% en la localització dels arbres de grans dimensions i arriba a encerts del 100%. Un segon grup, caracteritzat per baixes densitats (28-46 peus/ha) i poques diferències d’alçària entre els arbres grans i la resta.

Gràfic 3. Histograma alçàries arbres parcel·la Grup-1.

En aquesta comparativa el model aconsegueix un encert mitjà del 17%. Finalment, un tercer grup caracteritzat per altes densitats d’arbres grans (> 48 peus/ha) independentment de les diferències d’alçària, el model no és capaç de diferenciar les capçades individuals i obté índexs d’encert baixos, un 19% de mitjana.

Dos factors principals expliquen per si mateixos el baix índex de resultats dels grups 2 i 3. Per una banda, la baixa densitat de punts de les dades LIDAR pel reconeixement individual d’arbres que es toquen les capçades (Kaartinen i Hyyppä, 2008), la qual cosa fa que la sortida de cel•la sigui de 2 m i amb el sistema de processament utilitzat les conques hidrogràfiques esdevinguin molt més grans que la capçada de qualsevol arbre. En aquest sentit, s’ha fet una comparació visual de la delimitació de capçades establerta pel model de conques i els valors d’intensitat de color per cel•la de les alçàries del MCA (Figura 3), i s’ha comprovat que el model, en la majoria d’ocasions, quan es tracta d’arbres aïllats té tendència a dibuixar una àrea de capçada bastant més gran que la real, mentre que quan es tracta d’arbres comprimits (gran part de l’àrea d’estudi) no és possible conèixer l’error d’omissió de peus del model.

Figura 3. Detall superposició mapa de conques i MCA.

El segon factor que explica el poc encert dels grups 2 i 3, és la data del vol LIDAR (16/02/2007, època de l’any on els arbres caducifolis encara no tenen fulla) fet que incrementa la dificultat d’identificar-los a nivell individual i encara més extreure’n característiques morfològiques. Altres factors també importants a l’hora d’explicar les divergències model-realitat, són les característiques del terreny (molt accidentat, amb forts pendents que poden igualar les diferències d’alçària entre arbres) i les característiques dels boscos de l’àrea d’estudi, els quals tenen un caràcter molt continu amb presència de peus molt comprimits. En contraposició, amb baixes densitats d’arbres plus i grans diferències d’alçària -les condicions més favorables per discriminar- el model es mostra eficaç.

Estudi d’alçàries
S’han comparat les dades d’alçària dels arbres de camp amb les dades dels mateixos punts que ha obtingut el model (Gràfic 3). Tenint en compte que només s’han comparat els arbres que el model ha localitzat (31), i dels quals es disposa del paràmetre d’alçària de camp, la regressió entre dades s’ha efectuat sobre 23 punts. S’ha obtingut un R²= 0,35. El motiu de la baixa correlació entre les dades de camp i el model rau en el RMSE final del MCA i la baixa precisió de les coordenades de localització dels arbres de camp, les quals han estat recollides amb GPS de mà sense correcció diferencial. A la vegada, cal sumar-hi a aquest error, la baixa densitat de punts i el fet de trobar els arbres nus.

Gràfic 3. Regressió entre alçàries de camp i MCA.

Conclusions

Les dades LIDAR procedents del projecte LIDARCAT, amb una densitat mitjana de 0,75 punts/m² han permès generar un model de conques hidrogràfiques per a la localització d’arbres dominants de grans dimensions que sobresurten de la resta de la massa forestal, amb un encert superior al 70%, i alhora estimar-ne l’alçada. El model es mostra ineficient quan hi ha tangència entre copes dels arbres de grans dimensions i quan aquests no destaquen prou en alçada respecte la resta de la massa forestal.

Els resultats es podrien millorar amb densitats de punts superiors, essent l’ideal 4 – 8 punts/m² per a identificar arbres individuals (Kaartinen i Hyyppä), 2008), i capturant les dades LIDAR en època en què els caducifolis estan en fulla.

Les dades obtingudes permeten estimar la densitat d’arbres de grans dimensions a la zona d’estudi i dirigir el treball de camp per a un estudi morfològic més profund dels arbres en qüestió, enfocat a un aprofitament per a fusta de qualitat, amb els conseqüent estalvi de temps i diners.

Bibliografia

AGUILAR, F.J., MILLS, J.P., DELGADO, J., AGUILAR, M.A., NEGREIROS, J.G. i PEREZ, J.L. (2009). Modelling vertical error in LiDAR-derived digital elevation models. ISPRS Journal of Photogrammetry and Remote Sensing. 65: 103-110.

Centre de Recerca Ecològica i Aplicacions Forestals (2009). Mapa de Cobertes del Sòl de Catalunya (2005/2007).
http://www.creaf.uab.es/mcsc/

FALKOWSKI, M.J., EVANS, J. S., MARTINUZZI, S., GESSLER P.E. i HUDAK, A.T. (2009). Characterizing forest succession with LIDAR data: An evaluation for the Inland Northwest, USA. Remote Sensing of Environment. 113: 946-956.

GRACIA C., IBÀÑEZ J.J., VAYREDA J., MATA T., 2006. Indicadores Ecològicos en el Marco del Tercer Inventario Forestal Nacional in Tercer Inventario Forestal Nacional 1997-2007: Catalunya. Obra completa. Dirección General para la Biodiversidad: Ministerio de Medio Ambiente, Madrid.

GOUGEON, F. (1995). A crown-following approach to the automatic delineation of individual tree crowns in high spatial resolution aerial images. Canadian Journal of Remote Sensing. 21(3): 274-284.

HOLMGREN, J. (2003). Estimation of forest variables using airborne laser scanning. Doctoral thesis. Dept. of Forest Resource Management and Geomatics, Umea. Acta Universitatis Agriculturae Sueciae. Silvestria. 278, 43pp.

HYYPPÄ, J. i INKINEN, M. (1999). Detecting and estimating attributes for single trees using laser scanner. Photogrammetric Journal of Finland. 16: 27-42.

KAARTINEN, H. i HYYPPÄ, J. (2008). Tree extraction. European Spatial Data Research. Ofitial publication nº53.

LEE, J.-H. i FISHER, J.B. (2006). ASPRS Annual Conference. 1-5 May. Reno, Nevada.

PONS, X. (2004) “MiraMon. Sistema d’Informació Geogràfica i software de Teledetecció” Centre de Recerca Ecològic i Aplicacions Forestals, CREAF. Bellaterra. ISBN: 84-931323-4-9.

POPESCU, S.C., WYNNE, R.H. i NELSON, R.F. (2003). Measuring individual tree crown diameter with lidar and assessing its influence on estimating forest volume and biomass. Canadian Journal of Remote Sensing. 29(5): 564-577.

REUTEBUCH, S. E., McGAUGHEY, R. J., ANDERSEN, H. -E., i CARSON, W. W. (2003). Accuracy of a high-resolution LIDAR terrain model under a conifer forest canopy. Canadian Journal of Remote Sensing, 29(5), 527- 535.

RUIZ, A. (2009). Jornada de treball: Altímetre làser, 8 anys d’experiència a l’ICC. Presentació oral del 22 d’octubre de 2009 a l’Institut Cartogràfic de Catalunya (Barcelona).
http://www.icc.cat/content/download/9750/30865/file/edicio_manual_lidar.pdf

VIÑAS, O, RUIZ, A., PALÀ, V., SOLER, E., DOMINGO, A., i MARCO, V. (2009). Análisis de la sinergia de LÍDAR con DMC y CASI para diferenciar olivos, algarrobos y almendros. Revista de Teledetección. ISSN: 1988-874032: 86-105