EVALUACIÓN DE TRES PRODUCTOS DE SENSORES … · Memorias de resúmenes en extensos...

Memorias de resúmenes en extensos SELPER-XXI-México-UACJ-2015

12-16 de Octubre de 2015, Ciudad Juárez, Chihuahua, México.

EVALUACIÓN DE TRES PRODUCTOS DE SENSORES REMOTOS

PARA LA ACTUALIZACIÓN DE INVENTARIOS DE

ÁRBOLES URBANOS

Fabiola D. YÉPEZ RINCÓNa, Roberto E. HUERTA GARCÍAb, Nelly L. RAMÍREZ

SERRATOb, Diego F. LOZANO GARCÍAb, Johana M. CARMONA GARCÍAc y Freddy X.

LASSO GARZÓNb

aFacultad de Ingeniería Civil-Instituto de Ingeniería Civil, Universidad Autónoma de Nuevo León, Calle Pedro de

Alba s/n, Centro, 64000 San Nicolás de los Garza, N.L., México. Email: [email protected] bCentro de Calidad Ambiental del Instituto Tecnológico y de Estudios Superiores de Monterrey, Av. Eugenio Garza

Sada 2501 Sur, C.P. 64849, Col. Tecnológico, Monterrey N.L. c Departamento de Ingeniería Química del Instituto Tecnológico y de Estudios Superiores de Monterrey, Av.

Eugenio Garza Sada 2501 Sur, C.P. 64849, Col. Tecnológico, Monterrey N.L.

RESUMEN La tecnología de los sensores remotos continúa avanzando y con ella la gama de aplicaciones para la

estimación y análisis de problemas urbanos. Las ciudades son ambientes cada vez más impactados por los

efectos directos y externalidades del desarrollo, tales como la disminución de espacios,

impermeabilización del suelo, pavimentación, cambios en los flujos hídricos y en las temperaturas locales,

aumentos en las niveles de partículas en el aire, entre otros. La vegetación urbana, además de su rol

ecológico, funge como un sistema amortiguador ante los impactos antrópicos negativos en las ciudades.

Sin embargo, pese al claro reconocimiento de la importancia de la vegetación para la salud ambiental y del

entorno, ésta se encuentra en una continua presión por la falta de gestión forestal a nivel local. La gestión

forestal en la ciudad requiere de inventarios del arbolado urbano que permitan conocer las características

dasonómicas y condición de los árboles. Esta investigación se llevó a cabo en 1000 m2 de bosque urbano,

en el sur del Área Metropolitana de Monterrey dentro del Campus del Instituto Tecnológico y de Estudios

Superiores de Monterrey, donde se analizaron 10 árboles de manera individual, con el objetivo de

comparar tres productos generados con sensores remotos (Light Detectionn And Ranging, LIDAR móvil;

Cámara digital en color normal; Cámara digital en infrarrojo-IR). El ejercicio evaluó: (1) Densidad de

puntos generados por cada sensor, (2) Precisión métrica alcanzada, y (3) Tiempos de procesamiento para

lograr el resultado. Se utilizaron tres conjuntos de datos, uno que corresponde al levantamiento en 3D de

una nube de puntos producto del LIDAR y dos nubes de puntos generadas mediante la técnica de

fotoreconstrucción a) de las fotografías en color normal y b) de las fotografías en IR. Las nubes de puntos

fueron georreferenciadas, alineadas y finalmente segmentadas para la obtención de los arboles

individuales. La comparación se realizó con un criterio de precisión menor a 0.03 m entre las nubes de

puntos y consistió en documentar una base de datos con las características dasométricas de: altura del

árbol (AA), diámetro de copa (DC) y diámetro a la altura del pecho (DAP). La densidad de puntos fue

mayor en las fotografías fotoreconstruidas con la cámara GoPro-IR, el promedio en el error de precisión

geográfica fue de 0.0102 m y en la precisión métrica varió en AA de 10±6.4 cm, DC 25±3.2 cm y DAP

8±1.4 cm; el mejor tiempo de procesamiento para lograr el resultado fue de 5.3 h, del LIDAR móvil. Se

concluyó que cualquiera de las tres técnicas ayudaría a la actualización de parámetros dasométricos,

siendo el producto LIDAR móvil el más rápido y la técnica de fotoreconstrucción en color la más precisa.

Palabras clave: Mediciones forestales, Reconstrucciones 3D, Infrarrojo, LIDAR, Structure from motion.

ABSTRACT

The remote sensing technology continues to advance and thus the range of applications for the estimation

and analysis of urban problems. Cities are increasingly impacted by the direct effects and externalities of

mailto:[email protected]



development such as the reduction of spaces, land sealing, paving, changes in water flows, local

temperatures and increased Particle Matter in the air ambient. Urban vegetation in addition to their

ecological role system serves as a buffer against the negative human impact in cities. However, despite the

clear recognition of the importance of vegetation for environmental health and the environment

sustainability, it is in continuous pressure by the lack of forest management at the local level. Forest

management in the city requires inventory of urban trees that reveal the dasonometric characteristics and

condition of the trees. In this paper an investigation is conducted in an urban forest of 1000 m2 south of

the Metropolitan Area of Monterrey in the Campus of the Monterrey Institute of Technology and Higher

Education, where 10 trees were analyzed individually in order to compare three products generated by

remote sensors (Light Detection And Ranging, LIDAR mobile; normal color digital camera and infrared-

IR digital camera). The exercise evaluated: (1) density of points generated by each sensor, (2) metric

accuracy achieved, and (3) processing times to achieve the result. Three datasetes were used, one

corresponding to the 3D survey LIDAR product poin cloud and two point clouds generated by the

technique of photoreconstruction: a) of the normal color photographs b) of the IR photographs and in IR.

The point clouds were georeferenced, aligned and finally segmented to obtain individual trees. The

comparison was made when a precision of less than 0.03 m from the point clouds was reached and it was

documented in a database with dasometric characteristics: tree height (AA), crown diameter (DC) and the

diameter at breast height (DBH). The point density was higher in the photo-reconstructed pictures with IR,

the average in the geographic precision error was 0.0102 m and on the metric accuracy varied for AA 10 ±

6.4 cm, DC 25 ± 8 ± 3.2 cm and DBH 1.4 cm, the best processing time to achieve the result was 5.3 h by

the mobile LIDAR. Concluding that any of the three techniques help on the updating of dasometric

parameters being the LIDAR mobile the fastest and the color photo-reconstruction technique the most

precise.

Keywords: Forest measurements, 3D reconstructions, Infrared, LIDAR, Structure from motion.

1 INTRODUCCIÓN

Las ciudades son ambientes cada vez más

impactados por los efectos directos y

externalidades del desarrollo, especialmente las

grandes metrópolis donde las áreas verdes sufren

distintas presiones para su buen desarrollo como lo

son: espacio, agua, clima, contaminación, plagas y

enfermedades debido al deterioro ambiental. La

vegetación urbana tiene un rol amortiguador ante

dichos efectos, al disminuir o mitigar los impactos

antrópicos negativos en las ciudades (Zhangab et.

al., 2010); además de brindar beneficios

recreacionales, sociales y de paisaje. Un solo árbol

representa la imagen deseada del entorno en la

ciudad y por lo tanto, en teoría la vegetación

urbana genera la identidad colectiva, valor

histórico, valor económico, científico y

educacional (Moll & Ebenreck, 1989; Lin, 1983).

Sin embargo, hoy en día las áreas verdes urbanas

representan un reto para el desarrollo urbano

sustentable por la fuerte presión en el crecimiento

de las ciudades, lo cual llama a tomar medidas de

protección y conservación de estos espacios ya que

desempeñan funciones esenciales en la calidad de

vida de los habitantes y salud del ecosistema

urbano (Rivera, 2012). Los árboles pueden influir

en forma directa o indirecta en la mejora de la

calidad ambiental y el bienestar humano. Los

árboles mejoran la calidad ambiental del aire,

proveen sombras y moderan las temperaturas,

impactan al microclima afectando al uso de la

energía, además disminuyen las emisiones de

compuestos orgánicos volátiles y aumentan el

valor patrimonial (Escobedo et al., 2008 y Nowak

et. al., 2006). Empero, los árboles urbanos no sólo

se enfrentan a los daños directos por corta y poda,

sino también al estrés de enfermedades producidas

por factores biológicos o ambientales, entre otros.

El Área Metropolitana de Monterrey (AMM)

carece de un inventario preciso y actualizado del

arbolado urbano, lo que ha limitado la evaluación e

implementación de estrategias para su adecuada

gestión. Es en este punto donde se emana la

necesidad de contar con un sistema de información

geográfica que permita la ubicación a nivel

individual de cada árbol en la ciudad y así

establecer una línea base para el manejo forestal, al



menos en aquellos árboles que pertenezcan al

ámbito municipal o privado. La gestión adecuada

del arbolado urbano requiere de inventarios que

deben contener algunas características esenciales

para su correcto funcionamiento; y de cartografía

detallada para lograr identificar parámetros a nivel

individual. Éstos datos tradicionalmente se crean a

través de la fotointerpretación de fotografías aéreas

o por medio de inventarios de campo, lo que ha

resultado poco eficiente por el alto consumo de

tiempo (Renaud et. al., 2007), además de que se

requiere de personal capacitado y con poca

rotación para evitar errores en la medición de los

parámetros.

Las técnicas de reconstrucción urbana han

sido abordadas por tres líneas de investigación: (i)

Gráficos computacionales, (ii) Visión

computacional y (iii) fotogrametría y sensores

remotos (Musialski et.al., 2013). En esta última

línea se encuentra la presente investigación.

LIDAR, es un sistema que permite obtener

información en tres dimensiones (3D) para la

caracterización de superficies y resolver

mediciones forestales (Lefsky, 1997; Parker, 1995)

y se ha utilizado para conocer la distribución

temporal y espacial de distintas especies de árboles

urbanos (Small, 2001), así como de arbustos

(Streutker et. al., 2006). Por otro lado, la

fotoreconstrucción ha sido utilizada como un

esfuerzo para mejorar la eficiencia y eficacia de las

mediciones de la arquitectura de la copa de árboles

(St. Onge & Achaicha, 2001; Ayrey, 2015).

Agisoft Photoscan-Professional es uno de los

programas más utilizados para determinar los

parámetros dasométricos (Morgenroth & Gomez,

2013).

En México, se considera al AMM como la

tercera conurbación más poblada, de acuerdo al

último conteo (2010) realizado por INEGI,

CONAPO y SEDESOL, concentra a más de 4

millones de habitantes en una superficie

aproximada de 6,680 km2. Son pocos los estudios

para conocer las especies urbanas y su condición,

destancando Alanís, et. al. (2004) y Alanís (2005),

quienes analizan una diversidad arbórea de 115

especies, 53% introducidas y 47% nativas,

agrupadas en 37 familias y 73 géneros, siendo las

familias más representativas Leguminosae,

Oleaceae y Fagaceae, Moraceae y Salicaceae y los

géneros con mayor número de especies son los

Quercus (encinos), Fraxinus (fresnos), Pinus

(pinos), Citrus (cítricos) y Populus (alamillos).

Respecto al levantamiento de inventarios,

actualmente se realizan diversos esfuerzos como

los llevados a cabo por organizaciones no

gubernamentales, donde se cuenta con un registro

en línea de miles de árboles, sin embargo, las bases

de datos aún se encuentran en proceso de

construcción y se requerirá de un amplio análisis

para evaluar la precisión de la información

reportada. Yépez & Lozano, 2013; llevaron a cabo

un inventario de árboles dentro del Instituto

Tecnológico y de Estudios Superiores de

Monterrey, donde utilizaron datos LIDAR aéreo

para cartografiar el arbolado urbano y lograron una

precisión métrica de hasta el 96% en comparación

con las técnicas tradicionales.

El objetivo de la investigación reportada en el

presente documento, fue evaluar y comparar tres

productos generados con sensores remotos (Light

detección and ranging, LIDAR móvil; Cámara

digital en color normal; Cámara digital en

infrarrojo-IR). El ejercicio evalúa: (1) Densidad de

puntos generados por cada sensor, (2) Precisión

métrica alcanzada, y (3) Tiempos de

procesamiento para lograr el resultado.

2 METODOLOGIA

2.1 ÁREA DE ESTUDIO

La presente investigación se realizó en un bosque

urbano de 1000 m2 dentro de las instalaciones del

Tecnológico de Monterrey, donde se analizaron 10

árboles de manera individual.

Figura 1. Ubicación geográfica del área de

estudio.



2.2 DATOS POR SENSOR

Los árboles se encuentran en la base de datos del

proyecto de Arboretum, el cual tiene un registro de

más de 2,575 árboles dentro de las 578 ha del

Campus Monterrey (Figura 1).

LIDAR móvil. Utilizando el sensor ZEB1 de

GeoSlam Limited, el cual tiene una precisión de

+/- 0.1 % y 30 m de rango máximo de alcance, se

produjo una nube de puntos en tres dimensiones

(3D) (Figura 2a). El recorrido se realizó,

siguiendo una trayectoria de 360 m a lo largo del

área de estudio en forma de “S”, de tal forma que

se consiguieron tres transectos con dos loops

(empalmes del trayecto) en puntos estratégicos

(Figura 3 para facilitar la alineación de puntos de

control con la altura ortogonal de la información

del ZEB1 (Figura 3). La nube de puntos se generó

en formato LAS y PLY, para posteriormente ser

manejadas en otros formatos compatibles con el

resto de los programas tales como XYZ y BIN.

Fotoreconstrucción Nikon. Utilizando una cámara

digital Nikon CoolPix P520 (Figura 2b), con

18.1MPx y lente de cristal NIKKOR 42x, se

tomaron 120 fotografías en serie, capturadas a una

distancia promedio de 3.5 m con respecto a los

árboles, una altura de 1.60 m y tomadas de manera

consecutiva aproximadamente cada 1 m, para ser

alineadas con un traslape del 70% en el campo de

visión.

Se utilizó el programa de prueba (trial) de

Agisoft PhotoScan Professional Versión 1.1.6.

para realizar el alineado y la producción de las

nubes de puntos puntos. Para la toma de los datos

se siguió el mismo recorrido (Figura 3) utilizado

con ZEB1.

Fotoreconstrucción Gopro. Utilizando una cámara

GoPro, versión Hero 3+ Black Edition (Figura

2c). La distancia focal es de 21 mm y los grados

verticales, horizontales y diagonales del campo de

visión FOV son: 55 (V), 94.4 (H), 107.1 (D). Se

utilizó un filtro IR, de IR-pro llamado NDVI

InfraBlu 22 con rangos espectrales de 400-560nm/

688-740nm ((http://www.ir-pro.com/ndvi) y 0.14m

mejorado.

Para la toma de los datos se siguió el

mismo recorrido (Figura 3) utilizado con ZEB1 y

la cámara Nikon. Se tomaron 119 fotografías en

serie, capturadas a una distancia promedio de 3.5

m con respecto a los árboles, una altura de 1.60 m

y tomadas de manera consecutiva

aproximadamente cada 1 m, para ser alineadas con

un traslape del 70% en el campo de visión.

Georreferenciación. Para el posterior registro de

las nubes de puntos, se realizaron tres

levantamientos geodésicos utilizando el GPS

Promark 500 de Magellan. Los cuales fueron

corregidos con la estación Mty2 de la Red

Geodésica Nacional Activa (Coordenadas

Geodésicas de las Estaciones de la RGNA

(ITRF2008, ÉPOCA 2010.0, 25 42 55.82372 N,

100 18 46.46275 W, 521.741m) utilizando el

programa GNSS.

a b

c

Figura 2. Sensores utilizados para el estudio: a) ZEB1, b) Nikon, c) GoPro.

http://www.ir-pro.com/ndvi



Figura 3. Croquis del levantamiento con ubicación

de los árboles, punto de inicio y final.

Medición dasométrica. Las nubes de puntos

fueron montadas a un proyecto de CloudCompare,

un programa de procesamiento de nubes de puntos

que permite alinear la información. Se ubicaron la

mayor cantidad de árboles dentro del área de

estudio que contaran con al menos el 60% de

completitud de información de la copa y el tronco.

Evaluación de la precisión métrica. Las nubes de

puntos de cada árbol individual fueron nuevamente

alineadas entre sí, para corregir los errores de

precisión entre sensores, utilizando la nube de

puntos en color real, para ver las características de

las ramas y troncos que fueron tomados como

referencias. El valor del error medio cuadrático

(RMS) de la alineación de cada una de las nubes de

puntos individuales (Figura 4) se tomó en cuenta

para el llenado de la Tabla 1.

Tiempos de procesamiento. El tiempo de

procesamiento fue calculado para el levantamiento

de la información para cada uno de los sensores

incluyendo los tiempos del postproceso, en el caso

de la información LIDAR el envío y retorno de la

nube de puntos y en el caso de las fotografías el

alineado y producción de la nube de puntos, así

mismo.

Figura 4.. Precisión geográfica y precisión métrica.

Actualización del inventario. Cada árbol se midió

utilizando distintas técnicas (Yépez & Lozano,

2013) para la obtención de parámetros como altura

del árbol, dimensiones de la copa y el DAP

(Figura 6). Los resultados fueron vertidos en una

base de datos previa donde se encuentra la clave y

especie de los árboles muestreados (Tabla 2)

3 RESULTADOS

3.1 LIDAR.

El archivo de ZEB1 fue enviado al proveedor

(GeoSLAM) a posproceso para realizar la

ubicación y alineación ortogonal. El

producto posprocesado permitió

detectarerrores horizontales de hasta de 0.3

m y en vertical de 0.15 m (Figura 7b).

Después de realizar su corrección con los



puntos geodésicos tomados en campo, el

error disminuyó a 0.05 m (Figura 5).

Producción de puntos. Se calcularon 14,608,900

puntos de la nube LIDAR (Figura 7b). La

resolución en promedio fue un punto cada 2cm. El

tiempo del levantamien)to fue de 15 min y para el

preprocesamiento (envío de la información y

regreso en formato .LAZ y .PLY fue de 1.5 h).

Precisión geográfica. Para ZEB1, la precisión

alcanzada durante el levantamiento fue de 0.08m

(Tabla 1), mientras que el promedio de las nubes

individuales alcanzó 0.014m.

Precisión métrica. El ZEB1 varió en AA de

17±8.2 cm, DC 20±8.2 cm y DAP 12±5.4 cm.4

3.2 NIKON

El producto representó en tiempo, un trabajo

aproximado de 45 min para la toma de los datos y

2.5 h más para realizar alineado y correcciones del

procesado (Tabla 1). Se utilizó la más alta

resolución de producción y se obtuvieron

2,181,543 puntos. Esta nube de puntos generó

resoluciones de hasta 1 cm (Figura 11c). Los

resultados de la producción de puntos comparada

con el programa Cloud Compare indicó:


puntos de la nube de Nikon (Figura 7c). La

resolución en promedio fue un punto cada 1.5 cm.

El tiempo del levantamiento fue de 35 min.

Precisión geográfica. Para Nikon, la precisión



individuales alcanzó 0.014m.

Precisión métrica. La Nikpn tuvo una precisión

métrica varió en AA de 7±2.3 cm, DC 9±4.3 cm y

DAP 3±1.2 cm.

3.3 GO PRO-IR

El producto representó un trabajo aproximado de

40 min para la toma de los datos y 3.5 h más para

realizar alineado y correcciones del procesado

(Tabla 1). Se utilizó la más alta resolución de

producción y se obtuvieron 3,961,692 puntos.

Esta nube de puntos generó resoluciones de hasta

1.5 cm (Figura 11d).En el caso de los datos en

infra-rojos, el resultado arrojó:


puntos de la nube GoPro-IR (Figura 7d). La

resolución en promedio fue un punto cada 3 cm. El

tiempo del levantamiento fue de 30 min.

Precisión geográfica. Para ZEB 1, la precisión



individuales alcanzó 0.016 m.

Precisión métrica. la precisión métrica varió en

AA de 10±6.4 cm, DC 25±3.2 cm y DAP 8±1.4

cm.

Tabla 1. Parámetros medidos por sensor

Sensor Número de

puntos

Precisión RMS

NPC/xNPI

Tiempo del

levantamiento

Tiempo de pre-

procesamiento

Tiempo de pos-

procesamiento

MR / AR

ZEB1 14,608,900 0.08/0.056 15 90 min 0 / 0 min

Nikon 2,181,543 0.06 / 0.030 35 45 min 1 / 2.5 hr

GoPro IR 3,961,692 0.09 / 0.016 30 40 min 1.5 / 3.5 hr

Dónde: RMS (Root Mean Square), NPC (Nube de puntos completa), xNPI (promedio de las nube de

puntos individuales), MR (Resolución media), AR (Resolución alta).



Figura 5. Vistas de la nube de puntos generada con ZEB1, haciendo la corrección de georreferencia y con

reportes del RMS.

3.3. GoPro. Los puntos generados por el proceso

fueron de 3,961,692 puntos, esta producción

representó en tiempo, un trabajo aproximado de 40

min de preproceso y 3.5 h más para realizar

alineado y correcciones del procesado (Tabla 1).

3.4. Mediciones En CloudCompare las 3 nubes

(Figura8) y los árboles individuales (Figura 9)

pudieron compararse efectivamente de manera

individual (Figura 10). Para calcular los

parámetros dasométricos las nubes de puntos de

los árboles fueron seccionadas entre 1.6 m de

elevación para calcular el DAP, el cual se tomó

aprocimadamente a 1.3 m de altura (Figura 6).

3.5. Actualización del inventario. Los datos con

las mediciones de cada árbol (Tabla 2), indican

que entre el 2010 y el 2015 se plantaron dos

árboles nuevos dentro del área de estudio (Árbol 1

y Arbol 5).

El 90% de los árboles pertenecen al género

Quercus. Las edades y dimensiones fueron

también diferentes, siendo el árbol más joven,

pequeño y delgado, el Árbol 1 (Quercus fusiformis,

Q. fusiformis en Tabla 2)

Figura 6. Nube de puntos seccionada de uno de

los árboles individuales para la toma del DAP.



a

b

c

d

Figura 7 Vistas aéreas de las nubes de puntos generadas con cada sensor, a) dimensionamiento del

recorrido, b) Producto del ZEB1,c) con Nikon yd) con GoPro - IR.



Figura 8. Vistas aérea de los tres levantamientos colocados en un proyecto de CloudCompare. Los puntos

blancos corresponden al ZEB1, los verdes a Nikon y los rojos a GoPro.

Figura 9. Vista aérea de dos árboles tomados como ejemplo a) Árbol 1 y b) Árbol 2.

Tabla 2. Precisión geográfica medida por árbol individual y sensor.

Número de árbol

Sensor 1 2 3 4 5 6 7 8 9 10 xNPI

ZEB1 0.0350 0.0815 0.0562 0.0302 0.0452 0.0352 0.0513 0.0433 0.0955 0.0785 0.0552

Nikon 0.0202 0.0152 0.0282 0.0254 0.0514 0.0321 0.0245 0.0351 0.0289 0.0321 0.0293

GoPro-IR 0.0102 0.0150 0.0296 0.0100 0.0140 0.0108 0.0126 0.0215 0.0125 0.0245 0.0159



Árb

ol

1

a

b

c

d

Árb

ol

2

a

b

c

d

Figura 10. Vistas de los árboles indiviudales en: a) fotografía del árbol, b) nubes de putnos de ZEB1, b) nube de

puntos producida con la fotorreconstrucción de Nikon, y d) nube de puntos de GoPro-IR.

Tabla 2. Parámetros dasométricos medidos por árbol individual para la actualización del inventarios.

Clave de identificación Coordenadas UTM Inventario 2010 Actualización 2015

Árbol Clave Especie x y z AA DAP DC AA DAP DC

1 MT...199 * Q. fusiformis Small 370210.706 2837937.61 536.742 0 0 0 3.26 0.145 3.13

2 MT...016 Q. shumardii Buck. 370199.491 2837938.23 536.964 10.8 0.272 7.93 9.86 0.281 7.73

3 MT...012 Q. fusiformis Small 370215.291 28837948.6 537.036 8.1 0.307 8.8 7.14 0.312 7.81

4 MT…017 Q. fusiformis Small 370218.574 2837940.27 536.586 6.6 0.289 7.17 6.59 0.289 7.22

5 MT…198 * Q. vaseyana Buckl. 370198.897 2837930.46 537.376 0 0 0 7.72 0.253 8.17

6 MT…022 Q.fusiformis Small 370200.025 2837924.39 537.665 10.4 0.252 9.15 9.82 0.289 9.42


8 MT…020 Q.fusiformis Small 370220.782 2837909.05 537.845 9.1 0.353 10.5 10.2 0.357 10.40

9 MT…013 Q. vaseyana Buckl. 370209.964 2837910.32 537.421 9.4 0.275 10.3 9.61 0.276 10.82


Dónde: Todas las claves de los árboles muestreados se compone de 12 letras (que identifican al área del Campus al que corresponde y 3 dígitos

que identifican al árbol, i.e. MTYCEDCD000); el (*) son los árboles nuevos; UTM (Universal Transversal Mercator); AA es la altura del árbol, DC diámetro de copa y DAP diámetro a la altura del pecho,en metros.



4 DISCUSIÓN

Durante los últimos 15 años la tecnología LIDAR

ha sido utilizada moderadamente debido a los altos

costos de los sensores, a pesar de que sus ventajas

aplican a diferentes áreas del conocimiento. Sin

embargo, durante los últimos 5 años la técnicas de

producción de puntos por algoritmos como SFM

(Structure for Motion) han aventajado a la

tecnología LIDAR al menos en la accesibilidad de

costos.

A pesar de sus dimensiones el árbol fue

levantado exitosamente por los tres sensores.

Como se observa en las Figuras 8-10, la nube de

puntos de ZEB presentó una serie de puntos

alrededor de las hojas, este efecto es el considerado

como “ruido”, y puede ser parte del efecto del

movimiento por el viento. La nube de puntos con

menor densidad fue producida por la cámara

Nikon, quedando inclompletas alguas zonas del

árbol.

El árbol de mayores dimensiones (Árbol 2)

es un Quercus shumardii. Pese al conjunto de las

nubes de puntos, no pudo tenerse una cobertura

total de la copa. Algunos árboles presentaron

mayor cobertura que en otros, pero en general a

todos les faltó una mejor completitud.

En el caso de la nube de puntos producida

por la GoPro-IR, se observa el efecto de la parte

más alta del árbol se proyecta cuando continúan los

píxeles que corresponden al cielo. Para minimizar

éste efecto se realizaron máscaras con una técnica

dentro de Agisoft para minimizarlo. Este proceso

aumentó el tiempo de posprocesamiento para éste

sensor de 2 a 3 h extra, pero se nota una mejor

densidad de puntos que con la cámara Nikon.

En cuanto a los tiempos invertidos para el

levantamiento de datos se obtuvieron resultados

parecidos para los tres sensores, aunque el ZEB1

continúa siendo el más rápido. En cuanto a la

generación de las nubes de puntos, el tiempo que

se tarda en enviar la información al proveedor para

que el archivo sea ubicado y en el que lo regresan,

es igual a lo que se tarda el Agisoft en generar la

alineación y la nube de puntos en resolución

media. Sin embargo, si se requiere de alta

resolución para la generación de los puntos

entonces puede ser hasta cuatro veces más tardado,

pero se logra (si se tienen la cantidad de fotos

necesaria) una completitud de información mayor

y con menos ruido que en el ZEB1. .

Aunque la comparación se realizó cuando se

alcanzó una precisión menor a 0,03 m entre las

nubes de puntos, y posteriormente se

documentaron las características dasométricas, se

obtuvieron diferencias entre las nubes de puntos

por el ruido que presentaban (ZEB1), la

completitud de algunas áreas del árbol (Nikon), la

proyección que prolongaba la lectura de la

respuesta en el pixel de GoPro-IR, especialmente

en el área superior de la copa, por la falta de

alcance.

La densidad de puntos fue mayor en las

fotografías foto-reconstruidas con la cámara

GoPro-IR, y el promedio en el error de precisión

geográfica fue de 0.0102 m y en la precisión

métrica varió en AA de 10±6.4 cm, DC 25±3.2 cm

y DAP 8±1.4 cm; el mejor tiempo de

procesamiento para lograr el resultado fue de 5.3 h,

del LIDAR móvil.

5 CONCLUSIÓN A manera de conclusión resumimos las principales

características que son de importancia para la

actualización de inventarios:

1. El sensor que produjo la nube de puntos

más densa fue ZEB1.

2. El sensor más rápido para la toma de datos

fue ZEB1.

3. La precisión métrica fue similar para todas

las nubes destacándose la nube de puntos

Nikon en alta resolución.

4. La densidad entre las nubes de puntos

fotoreconstruidas fue mayor con la GoPro-

IR.

5. El tiempo total de producción y llenado de

datos para la actualización del inventario

fue menor para el ZEB1 y mayor para la

GoPro-IR.

Éste estudio demuestra que ambas tecnologías

son útiles para la actualización de los inventarios

de árboles urbanos, que ambas tienen la capacidad

de llegar a mediciones certeras con precisiones

métricas hasta del 96%.



6 RECOMENDACIONES

En una próxima aplicación se sugiere que desde el

momento de la planeación del experimento se

tomen en cuenta los parámetros que influyen en el

cálculo de traslape de la información,

especialmente en el campo de visión de las

fotografías. Se recomienda dentro de la etapa de

diseño del experimento realizar pruebas para

calcular el porcentaje de cobertura y distancia con

la que se generará la resolución de píxeles deseada.

Es necesario de ser posible complementar

con información aérea que permita llenar la parte

superior de la copa en cada árbol y así contar con

toda la estructura. Las tomas aéreas de un vehículo

no tripulado (UAV) serían de gran utilidad para los

datos faltantes y generaría una mayor certidumbre

con el plano general sobre el que se encuentra la

estructura.

Se recomienda colocar cintillos para el

etiquetado de los árboles con el material que sea

resistente al clima y que tengan el suficiente

espacio para no provocar daños por ahorcamiento.

Se encontraron distintos árboles con éste problema,

por lo que ese sería muy útil verificar durante los

levantamientos tradicionales la condición de las

etiquetas y por ser cuidadosos en el vaciado de los

datos, debido a que se presentaron constantes

repeticiones de las claves, complicando su

identificación.

7 AGRADECIMIENTOS

Agradecemos al personal de Planta Física del

Tecnológico de Monterrey y al Dr. Mario

Manzano así como al LabSIG y sus colaboradores por continuar el esfuerzo del proyecto Arboretum.

8 REFERENCES

Alanís-Flores, G.J., C.G. Velazco-Macías, R.

Foroughbakhch, V. Valdez, M. Alvarado.

2004. Diversidad florística de Nuevo León:

especies en categoría de riesgo. Ciencia

UANL, 7 (2004): 209–218.

Alanís-Flores, G.J. 2005. El arbolado urbano en el

Área Metropolitana de Monterrey. Ciencia

UANL, 8(001):20-32.

Ayrey, E. 2015.Individual Tree Measurements From

Three-Dimensional Point Clouds Electronic

Theses and Dissertations. Paper 2284.

http://digitalcommons.library.umaine.edu/etd/22

84

Escobedo, F. & A. Chacalo. 2008. Estimación

preliminar de la descontaminación

atmosférica por el arbolado urbano de la

Ciudad de México. Interciecia. 33(1):29-33.

Lefsky, M. 1997. Application of LIDAR remote

sensing estimation of the forest canop and

stand structure. PhD. Thesis. Deparment of

Environmental Science. University of

Virginia. Charlotteville. VA., USA. 185p.

Lin, J. 1983. Cities in the Developing World:

Policies for their equitable and efficient

growth. Oxford University Press. New York,

USA. 230p.

Moll, G. & S. Ebenreck. 1989. Shading our cities:

A resource guide for urban and community

forests. Island Press, Washington, D.C.

USA. 333p.

Musialski, P., P. Wonka, D.G. Aliaga, M.

Wimmer, L.van Gool & W. Purgathofer.

2013. A surve of urban reconstruction.

Computer graphics forum. 32(6):146-177p.

Nowak, D., D. E. Crane & J. C. Stevens. 2006.Air

pollution removal by urban tres and shrubs

in the United States. Urban forestry and

Urban greening. (4):115-123.

Parker, G.1995. Structure and microclimate of

forest canopies. In Nadkarni, M. L (eds)

Forest canopies: a review of research on a

biological frontier. Academic Press. San

Diego, CA, USA. 73-106p.

Renaud, M.R., J. Aryal & A.K. Chong. 2007.

Object-based classification of Ikons Imagery

for mapping large-scale vegetation

comunities in urban areas. Sensors 7:2860-

2880.



Rivera Rivera, A.L. 2012. Urban heat islands in

Monterrey, Mexico using remote sensing

imagery and geographic information

systems analysis. Master Thesis. Instituto

Tecnológico de Monterrey, Monterrey,

Mexico.73p.

Small, C. 2001. Estimation of urban vegetation

abundance by spectral mixture analysis.

International Journal of Remote Sensing.

22:1305-1334.

St-Onge, B.A. & N. Achaicha. 2001. Measuring

forest canopy height using a combination of

LIDAR an aerial photography data.

International Archives of Photogrammetry

and Remote Sensing, Volume XXXIV-3

/W4 Annapolis, MD, 22 -24 Oct. 2001. 131-

137p.

Streutker, D.R., & N.F. Glenn. 2006. LiDAR

measurement of sagebrush steppe vegetation

heights. Remote Sensing of

Environment,201 (1): 135 -145.

Yépez Rincón, F.D. & D.F. Lozano García. 2013.

Mapeo del arbolado urbano con LIDAR

aéreo. Revista Mexicana de Ciencias

Forestales. 5 (26):58-74p.

Zhangab, X., X. Fengb & H. Jiangac. 2010.

Object-oriented method for urban vegetation

mapping using IKONOS imagery.

International Journal of Remote Sensing. 31:

177-196.

EVALUACIÓN DE TRES PRODUCTOS DE SENSORES … · Memorias de resúmenes en extensos...

Documents

Transcript of EVALUACIÓN DE TRES PRODUCTOS DE SENSORES … · Memorias de resúmenes en extensos...