O futuro dos nosos montes é de todos

Control de cortas forestais en minifundios: análise de datos multitemporais Sentinel-2

Alberto López-Amoedo 1, Xana Álvarez 2,, Henrique Lorenzo 2 e Juan Luis Rodríguez 2

(1) Enxeñería Forestal Asefor, S.L.

(2) Escola de Enxeñería Forestal. Universidade de Vigo.

Empregando imaxes satélite Sentinel-2 pódense controlar as cortas de madeira en pequenas parcelas forestais por medio da selección dos valores obtidos nas diferencias do índice de vexetación NVDI. O emprego destas imaxes permítenos empregar resolucións de 10x10m que son suficientes para o control de cortas en parcelas de pequeno tamaño e mitigar así o efecto borde.

Comparando as caídas e as variacións dos índices NVDI entre períodos poderemos detectar e enmarcar a corta tanto superficial como temporalmente. Calculáronse os valores limiares que que poden incluír a corta para posteriormente estudar os estatísticos e a disposición de estes valores dentro da parcela forestal de tal xeito que poidamos garantir a detección da corta. A metodoloxía desenvolta é eficaz na detección tendo en conta as particularidades da propiedade (variabilidade de formas, tamaños, coberturas…) e a ausencia de datos satelitais en determinados períodos por presenza de nebulosidade.

Dende ASEFOR pensan que a capacidade detectar e enmarcar temporal e espazalmente unha corta de madeira pode aportar valor aos procesos de control dos sistemas de xestión formados por miles de membros e propiedades. A metodoloxía ten que ser eficiente e eficaz e debe poder adaptarse á casuística territorial, por iso se basea no emprego dos índices de vexetación e a súas variantes xa que estes veñen sendo probados con éxito dende xa hai anos aínda que se carecía de probas sobre o seu emprego e integración nun sistema de control de miles de parcelas, todas elas inferiores ás 3 has e con superficies medias globais de 0.5 has.

PROCESO METODOLÓXICO

Dende ASEFOR apóianse no emprego do NVDI para a detección de cortas comparando períodos (poden ser períodos irregulares consecutivos) de tal xeito que esas diferencias entre períodos podan indicar ou non corta dentro dunha parcela. Do que se trata é de determinar cando esa diferenza de índices entre períodos pode indicar corta e en que circunstancias esa detección é válida. Cando a diferencia é superior a un limiar determinado, podemos estar ante unha corta. Isto deberá ter en conta ademais os valores do índice, a súa distribución estatística a súa relación coa parcela.

Realizaremos un recoñecemento de contraste de tal xeito que podamos obter un modelo de clasificación supervisada que nos permita posteriormente replicar ese comportamento para identificar cortas nun futuro segundo os valores do índice das diferencias NVDI rexistrados entre períodos e a súa disposición e valores estatísticos dentro da parcela. A totalidade das cortas estudadas se realizan sobre especies do xénero Pinus e Eucalyptus, o que supón unha vantaxe dada a estabilidade fenolóxica e a súa repercusión nas diferenzas NVDI nestas especies. Estudáronse 4231 parcelas (abondo para comprobar a operatividade e adaptabilidade do método e se revisaron de maneira visual 135, co obxectivo de estudar o comportamento na disposición dos valores dos índices e a adestrar así o modelo mediante procesos de matching-learning. Importante destacar que non tódalas parcelas se van cortar na súa totalidade ao posuír vexetación non cortable.

PROCESAMENTO E OBTENCIÓN DO ÍNDICE NVDI

Empréganse 55 imaxes dos anos 2018, 2019 e 2020 e obtense o índice de vexetación NVDI para cada unha. O obxectivo é calcular as diferencias NVDI entre períodos, ver como se comporta este índice nas parcelas forestais e comprobar se a detección dos cambios bruscos que indican os valores axudan a enmarcar e acoutar as cortas espacial e temporalmente. Cada parcela das 4231 está identificada univocamente de tal xeito que podemos coñecer os cambios que  se producen dende o punto de vista da variación do índice NVDI.

Para cada unha das 4231 parcelas posuímos información de 197.398 posicións (centros de píxel). En cada posición están rexistradas 55 medicións de índice NVDI e 54 diferenzas de índice entre os distintos períodos analizados. Os cambios bruscos relacionados coas distintas perturbacións teñen que incluír as cortas. As parcelas de corta están poboadas pos Pinus e por Eucalyptus, se ben en moitas delas existirán outras coberturas intercaladas (caducifolias, mato, cultivos, pasteiros…) que non serán cortadas e que teñen unha evolución diferente co transcorrer da anualidade e da estacionalidade. Moitos dos cambios bruscos do NVDI entre períodos consecutivos poden ser debidos a unha corta (ao marxe doutras posibles variacións)

DETECCIÓN DE CAMBIOS BRUSCOS DE TENDENCIA

Para entender como conseguimos detectar os cambios bruscos de tendencia de NVDI en onde poden estar enmarcadas as cortas poderemos centrarnos no estudo dunha parcela amosada nas imaxes seguintes. Os cambios bruscos deberán estar situados valores extremos e son os extremos inferiores os que deberían enmarcar as cortas.

O que buscamos son os límites inferiores que son os valores que van incluír as cortas. Para detectar estes valores realizouse unha análise estatística que permitirá extraer os extremos. Aplícase esta análise sobre os 197.398 valores de tendencia dos 54 períodos das 4231 parcelas.

O valor límite buscado será entón o -0.1254 xa que un píxel pode conter unha corta cando o valor de tendencia entre períodos é ≤ -0,1254. Os valores por riba de este valor non serán tidos en conta porque non serán corta. Tendo en conta so os valores que compren a condición ≤ -0,1254, a súa disposición dentro da parcela e os datos relativos a súa superficie tratamos de identificar un patrón, un comportamento común para todas as cortas que nos permitan coñecer con un grao máis ou menos preciso se as caídas de índice para un período en concreto y para una parcela en concreto se corresponden ou non con unha corta

Patrones de corta

BUSCA DE PATRÓNS DE CORTA

Seleccionamos una serie de parcelas piloto (135) e visualizamos os datos contidos nas imaxes RGB para identificar os períodos exactos nos que se identifica visualmente a corta. Cando se detecta a corta a través da imaxe se identifica o período, analízanse os estatísticos dos píxeles -0,1254 e a súa disposición extraendo a seguinte información para o período en cuestión: “media de valores”, “Percentil 25”, “Percentil 50”, “Percentil 75”, “Percentil 95”, “área e perímetro da parcela catastral”, “área que ocupan os píxeles” e “relación entre a área que ocupan os píxeles e a área de toda a parcela catastral”. Estes mesmos valores tamén se estudan para a mesma parcela nos períodos nos que non se detecta corta. O obxectivo é crear unha base de datos que será a que alimente a nosa árbore de clasificación.

Para estudar o comportamento realizase unha árbore de clasificación que é un algoritmo de matching-learning supervisado que nos vai a amosar unha serie de decisións secuenciais. Sendo conscientes que os seus resultados poden variar dependendo da mostra de datos empregada para adestrar o modelo (70 % de datos para o adestramento e 30% de datos para a proba) as variables non serán moi distintas.

A variable obxectivo é a detección de corta “Corta” = Si ou “Corta” = Non. Obterase unha función que nos permitirá predicir, a partir das variables preditoras, o valor da variable obxectivo. O que fai o modelo é atopar as variables preditoras que mellor separan os datos en grupos. Esta separación correspóndese cunha regra: A cada regra correspóndelle un nodo e os datos son separados en grupos a partires da regra obtida. Despois, para cada un dos grupos resultantes, repítese o mesmo proceso. Búscase a variable que mellor separa os datos en grupos, obtense unha regra e sepáranse os datos. Facemos esta operación de maneira recursiva ata que non é posible obter unha mellor separación. Cando isto acontece o modelo detense.

Na árbore de clasificación obtida, cada un dos rectángulos representa un nodo cunha regra de clasificación. Dentro do rectángulo de cada nodo amosamos que proporción de casos pertencen a cada categoría e a proporción total de datos que foron agrupados alí. Por exemplo, o rectángulo inferior esquerdo da árbore ten un 96% de casos clasificados como “corta”. E un 0.4 clasificados como “non corta” e representa un 24 % de tódolos casos. Estas proporcións dannos unha idea da precisión do modelo para facer predicións. Segundo a matriz de confusión as regras marcadas pola árbore de clasificación amosan un 88% de clasificacións correctas o que nos vai permitir monitorizar as cortas de pequenas propiedades cun alto grado de fiabilidade dentro do sistema de control de Asefor.