Alberto López-Amoedo 1, Xana Álvarez 2,, Henrique Lorenzo 2 y Juan Luis Rodríguez 2
(1) Enxeñería Forestal Asefor, S.L.
(2) Escola de Enxeñería Forestal. Universidade de Vigo.
Empleando imágenes satélite Sentinel-2 se pueden controlar las talas de madera en pequeñas parcelas forestales por medio de la selección de los valores obtenidos en las diferencias del índice de vegetación NVDI. El empleo de estas imágenes los permiten emplear resoluciones de 10×10 m que son suficientes para el control de talas en parcelas de pequeño tamaño y mitigar así el efecto borde.
Comparando las caídas y las variaciones de los índices NVDI entre períodos podremos detectar y enmarcar la tala tanto superficial como temporalmente. Se calcularon los valores umbrales que que pueden incluir la tala para posteriormente estudiar los estadísticos y la disposición de estos valores dentro de la parcela forestal de tal manera que podamos garantizar la detección de la tala. La metodología desarrollada es eficaz en la detección teniendo en cuenta las particularidades de la propiedad (variabilidad de formas, tamaños, coberturas…) y la ausencia de datos satelitales en determinados períodos por presencia de nubosidad.
Desde ASEFOR piensan que la capacidad detectar y enmarcar temporal y espacialmente una tala de madera puede aportar valor a los procesos de control de los sistemas de gestión formados por miles de miembros y propiedades. La metodología tiene que ser eficiente y eficaz y debe poder adaptarse a la casuística territorial, por eso se basa en el empleo de los índices de vegetación y la sus variantes ya que estos vienen siendo probados con éxito desde ya hace años aunque se carecía de pruebas sobre su empleo e integración en un sistema de control de miles de parcelas, todas ellas inferiores a las 3 has y con superficies medias globales de 0.5 has.
PROCESO METODOLÓGICO
Desde ASEFOR se apoyan en el empleo del NVDI para la detección de talas comparando períodos (pueden ser períodos irregulares consecutivos) de tal manera que esas diferencias entre períodos podan indicar o no corta dentro de una parcela. Del que se trata es de determinar cuándo esa diferencia de índices entre períodos puede indicar tala y en qué circunstancias esa detección es válida. Cuando la diferencia es superior a un umbral determinado, podemos estar ante una tala. Esto deberá tener en cuenta además los valores del índice, su distribución estadística su relación con la parcela.
Realizaremos un reconocimiento de contraste de tal manera que podamos obtener un modelo de clasificación supervisada que nos permita posteriormente #replicar ese comportamiento para identificar talas en un futuro segundo los valores del índice de las diferencias NVDI registrados entre períodos y su disposición y valores estadísticos dentro de la parcela. La totalidad de las talas estudiadas se realizan sobre especies del género Pinus y Eucalyptus, lo que supone una ventaja dada la estabilidad fenológica y su repercusión en las diferencias NVDI en estas especies. Se estudiaron 4231 parcelas (bastante para comprobar la operatividad y adaptabilidad del método y se revisaron de manera visual 135, con el objetivo de estudiar el comportamiento en la disposición de los valores de los índices y a entrenar así el modelo mediante procesos de matching-learning. Importante destacar que no todas las parcelas se van a cortar en su totalidad al poseer vegetación no cortable.
PROCESAMIENTO Y OBTENCIÓN DEL ÍNDICE NVDI
Se emplean 55 imágenes de los años 2018, 2019 y 2020 y se obtiene el índice de vegetación NVDI para cada una. El objetivo es calcular las diferencias NVDI entre períodos, ver cómo se comporta este índice en las parcelas forestales y comprobar si la detección de los cambios bruscos que indican los valores ayudan a enmarcar y acotar las talas espacial y temporalmente. Cada parcela de las 4231 está identificada unívocamente de tal manera que podemos conocer los cambios que se producen desde el punto de vista de la variación del índice NVDI.
Para cada una de las 4231 parcelas poseemos información de 197.398 posiciones (centros de píxel). En cada posición están inscritas 55 mediciones de índice NVDI y 54 diferencias de índice entre los distintos períodos analizados. Los cambios bruscos relacionados con las distintas perturbaciones tienen que incluir las talas. Las parcelas de tala están pobladas polvos Pinus y por Eucalyptus, si bien en muchas de ellas existirán otras coberturas intercaladas (caducifolias, mato, cultivos, pastos…) que no serán cortadas y que tienen una evolución diferente con el transcurrir de la anualidad y de la estacionalidad. Muchos de los cambios bruscos del NVDI entre períodos consecutivos pueden ser #deber a una tala (al margen de otras posibles variaciones)
DETECCIÓN DE CAMBIOS BRUSCOS DE TENDENCIA
Para entender cómo conseguimos detectar los cambios bruscos de tendencia de NVDI en donde pueden estar enmarcadas las talas podremos centrarnos en el estudio de una parcela mostrada en las imágenes siguientes. Los cambios bruscos deberán estar ubicados valores extremos y son los extremos inferiores los que deberían enmarcar las talas.
El que buscamos son los límites inferiores que son los valores que van a incluir las talas. Para detectar estos valores se realizó un análisis estadístico que permitirá extraer los extremos. Se aplica este análisis sobre los 197.398 valores de tendencia de los 54 períodos de las 4231 parcelas.
El valor límite buscado será entonces el -0.1254 ya que un píxel puede contener una tala cuando el valor de tendencia entre períodos es ≤ -0,1254. Los valores por encima de este valor no serán tenidos en cuenta porque no serán tala. Teniendo en cuenta so los valores que compren la condición ≤ -0,1254, su disposición dentro de la parcela y los datos relativos su superficie tratamos de identificar un patrón, un comportamiento común para todas las talas que nos permitan conocer con un grado más o menos preciso si las caídas de índice para un período en concreto y para una parcela en concreto se corresponden o no con una tala.
BUSCA DE PATRONES DE CORTA
Seleccionamos una serie de parcelas piloto (135) y visualizamos los datos contenidos en las imágenes RGB para identificar los períodos exactos en los que se identifica visualmente la tala. Cuando se detecta la tala a través de la imagen se identifica el período, se analizan los estadísticos de los píxeles -0,1254 y su disposición extrayendo la siguiente información para el período en cuestión: “media de valores”, “Percentil 25”, “Percentil 50”, “Percentil 75”, “Percentil 95”, “área y perímetro de la parcela catastral”, “área que ocupan los píxeles” y “relación entre el área que ocupan los píxeles y el área de toda la parcela catastral”. Estos mismos valores también se estudian para la misma parcela en los períodos en los que no se detecta tala. El objetivo es crear una base de datos que será la que alimente nuestro árbol de clasificación.
Para estudiar el comportamiento realizara un árbol de clasificación que es un algoritmo de matching-learning supervisado que nos va a mostrar una serie de decisiones secuenciales. Siendo conscientes que sus resultados pueden variar dependiendo de la muestra de datos empleada para entrenar el modelo (70 % de datos para el entrenamiento y 30% de datos para la prueba) las variables no serán muy distintas.
La variable objetivo es la detección de tala “Corta” = Sí o “Tala” = No. Se obtendrá una función que nos permitirá predecir, a partir de las variables predictoras, el valor de la variable objetivo. El que hace el modelo es encontrar las variables predictoras que mejor separan los datos en grupos. Esta separación se corresponde con una regla: La cada regla le corresponde un nodo y los datos son separados en grupos a partir de la regla obtenida. Después, para cada uno de los grupos resultantes, se repite el mismo proceso. Se busca la variable que mejor separa los datos en grupos, se obtiene una regla y se separan los datos. Hacemos esta operación de manera recursiva hasta que no es posible obtener una mejor separación. Cuando esto acontece el modelo se detiene.
En el árbol de clasificación obtenida, cada uno de los rectángulos representa un nodo con una regla de clasificación. Dentro del rectángulo de cada nodo mostramos que proporción de casos pertenecen la cada categoría y la proporción total de datos que fueron agrupados allí. Por ejemplo, el rectángulo inferior izquierdo del árbol tiene un 96% de casos clasificados como tala”. Y un 0.4 clasificados como “no tala” y representa un 24 % de todos los casos. Estas proporciones nos dan una idea de la precisión del modelo para hacer predicciones. Segundo a matriz de confusión las reglas marcadas por el árbol de clasificación muestran un 88% de clasificaciones correctas lo que nos va a permitir monitorizar las talas de pequeñas propiedades con un alto grado de fiabilidad dentro del sistema de control de Asefor.
