Carabassa Torre 2018a

• Objectius
• Característiques de la plataforma de captura de dades i els sensors
• Característiques de l’àrea d’estudi
• Anàlisis dels resultats
• Respostes a les qüestions claus
• Autors

Objectius

Des de finals de 2017 el CREAF i la Direcció General de Qualitat Ambiental i Canvi Climàtic del Departament de Territori i Sostenibilitat estan realitzant proves per a la utilització de drons en el seguiment de la restauració d’activitats extractives, en col·laboració amb el Centre Tecnològic Forestal de Catalunya (CTFC) i el Departament de Geografia de la UAB.

L’objectiu d’aquestes proves és explorar les possibilitats d’aquesta tècnica per tal de caracteritzar les cobertes existents en les zones restaurades (tipus, extensió, dimensions, composició), de manera que pugui servir com a suport a la tasca d’inspecció que realitza la Direcció General de Qualitat Ambiental i Canvi Climàtic.

Al llarg del primer semestre del 2018 s’han realitzat dos vols a la pedrera Montlleó (Castellgalí), amb l’objectiu de millorar els resultats del vol efectuat a la mateixa pedrera entre la tardor del 2017 i la primavera de 2018, així com testar diferents sensors i avaluar la vegetació en diferents estats fisiològics. En el present informe es presenten els resultats preliminar obtinguts.

Característiques de la plataforma de captura de dades i els sensors

El dron utilitzat per efectuar els vols ha estat el mateix que es va fer servir per al vol realitzat l’octubre de 2017. Es tracta de la plataforma DJI Phantom 3 pro, que és la més utilitzada per aplicacions professionals, a causa de les seves prestacions i el seu relatiu baix cost. Del qual en destaquem que l’altura màxima de vol és de 6.000 m i una durada màxima de 23’ amb unes velocitats d’ascens i descens com a màxim de 5 m/s i 3 m/s.

En els vols efectuats s’han utilitzats dos sensors diferents. Per una banda, el sensor  1/2.3” CMOS, de 12.4 MP, amb una resolució de 4.000 x 3.000 píxels, que també permet la realització de vídeos. Per l’altra, el sensor MicaSenseSequoia, amb una resolució més petita que l’anterior però amb l’avantatge de poder disposar d’informació de l’infraroig i la finestra del vermell.

 

Imatge de la plataforma DJI Phantom 3 pro

L’aparell de comandament

Imatges del sensor Parrot Sequoia, instal·lat al dron DJI Phantom 3 pro

Característiques de l’àrea d’estudi

L’àrea estudiada està situada a la part intermèdia de la pedrera Montlleó (Castellgalí). És una àrea restaurada on hi trobem un mosaic de diferents cobertures (herbassar, matollar, arbres < 2m, arbres > 2m, sòl nu, etc.) i pendents (bermes, talussos de pendent moderat, talussos de fort pendent). Les tasques d’adaptació morfològica, construcció de la xarxa de drenatge i construcció dels talussos es va iniciar a principis dels anys 2000. No obstant, les tasques de revegetació, bàsicament plantacions, s’han anat efectuant de forma gradual fins a principis del 2013, de forma que s’hi poden observar diferents estadis evolutius de la restauració. D’acord amb aquests estadis, l’àrea s’ha dividit en diferents zones, incloent, a més, zones de regeneració natural i zones de referència, fora dels límits de l’activitat.

Pel que fa a la delimitació de parcel·les de camp i realització de vols, el primer objectiu és obtenir parcel·les 2x2 m per a l’entrenament i la validació dels algorismes de detecció. Els vols es van realitzar a diferents altures 30 m, 60 m i 90 m, amb i sense el sensor addicional (per avaluar les possibilitat d’utilitzar sensors més generalistes o més específics), i en dues estacions diferents per captar estadis diferents de la vegetació. Els resultats han estat millors en l’època de tardor.

Imatge aèria de la pedrera Montlleó. Font: ortofotoimatge 25 cm ICGC i EXTCATA

Anàlisi per fotograma

S’ha escollit un fotograma que capta una zona on hi trobem sòls nus, vegetació herbàcia, vegetació de port baix, vegetació de port alt i els plafons de referència radiomètrica, tot i que al tractar-se de fotogrames a diferent altura de vol capten àrees diferents (més extensió com més altura de vol). Cal corregistrar les imatges mitjançant punts de control per poder evitar l’efecte que es mostra a la figura del desplaçament del centre òptic de les lents de la càmera.

Un conclusió derivada és que a més resolució espacial més detall, però com es mostra en les classificacions generals, com més resolució espacial més difícil és fer àrees d’entrenament homogènies degut a l’alta variabilitat de píxels, fet que també resulta en classificacions més confuses.

Anàlisi per mosaic de tots els fotogrames d’un vol

S’han enregistrat mosaics tots els fotogrames de cada vol, generant una ortofoto i un model digital d’elevacions (Agisoft Photoscan), per a cada mosaic s’ha realitzat una classificació (un dels mètodes emprats ha estat k-Neasrest Neighbor (KNN)) de les imatges que permeti traduir els valors espectrals en diferents categories o tipus de cobertes. L'algoritme kNN és un classificador que suposa que és plausible que els píxels que estiguin units a l'espai estadístic pertanyin a la mateixa classe informativa.

En aquest procés de classificació s’han utilitzat les parcel·les delimitades sobre el terreny, i de cobertura coneguda. Aquestes parcel·les s’han digitalitzat sobre l'ortofotomapa i la meitat s’han utilitzat per entrenar els classificadors (àrees d’entrenament), mentre que l'altra meitat s’han reservat per validar la precisió temàtica (àrees de validació).

En aquesta classificació s’han considerat sis categories:

• Residus miners: afloraments de residus miners o materials molt pobres en matèria orgànica (<0,5%), sense vegetació.
• Sòl nu: sòl amb un contingut de matèria orgànica superior al 0,5%, però sense vegetació.
• Coberta arbòria: formacions arbòries, zones típicament forestals corresponents a estadis avançats de la restauració (fi del període de garantia).
• Coberta arbustiva: formacions arbustives de fins a 2 metres. Pot incloure espècies arbòries joves de <2m.
• Coberta herbàcia: formacions vegetals herbàcies amb alçades de fins a 1 metre, principalment compostes per gramínies i lleguminoses, amb una àmplia varietat de signatures espectrals.
• Ombres no detectades: ombres no corregides en el procés de reducció d'ombres que es poden considerar com a dades que falten.

De manera general, cal destacar que la correcció radiomètrica ha resultat en un bon ajust a la mesura radiomètrica independent. La reducció de l'ombra ha produït bons resultats en la classificació de píxels prèviament classificats com a ombres.

La informació multiespectral obtinguda mitjançant drons ha permès generar ortofotomapes a una mida de 9 cm de píxel, on els afloraments de residus miners, el sòl nu i la vegetació són clarament visibles. Els models digitals del terreny (MDT) que se’n deriven donen informació sobre la il·luminació del terreny (MDI) i permeten generar productes topogràfics simples, com per exemple mapes de vectors de línia de contorn.

La informació espectral s’ha combinat per generar informació addicional per detectar vegetació i propietats biofísiques del sòl i centrar-se en la distribució espacial de la presència i activitat vegetal (NDVI), el contingut d'humitat (NDWI1) i els efectes del sòl sobre àrees revegetades (SAVI i MSAVI2).

Finalment, la informació digital seleccionada s’ha utilitzat per generar una bateria de nou variables estadístiques (espectrals i estructurals) per caracteritzar cada coberta.

S'han utilitzat 60.402  píxels com a dades d'entrenament, combinant la fotointerpretació i trames delimitades visibles a la imatge adquirida pel dron. La combinació de dades de formació, variables estadístiques de teledetecció i el mètode de classificació kNN han permès generar un mapa de coberta de sòl amb les categories d'interès. La matriu de confusió ha mostrat una bona precisió al distingir residus i sòl nu (97%), així com també la cobertura arbòria (> 96%). Gran part de la confusió s’ha ubicat entre la vegetació herbàcia i arbustiva, principalment per la diversitat estructural i espectral intrínseca d'aquestes categories.

 

Matriu de confusió de la classificació supervisada utilitzant parcel·les de control

Respostes a les qüestions claus

En la classificació s’observa l’evolució de les diferents cobertes en els diferents estadis de la restauració, que van assemblant-se cada cop més a la referència a mesura que transcorre el temps. Cal destacar que la zona de regeneració natural, tot i tenir un procés d’evolució molt més llarg que les altres, presenta una dissimilitud més gran respecte de la referència. No obstant, aquesta zona no té parcel·les de control, al estar situada fora dels límits de l’explotació i ser de difícil accés, de manera que els resultats de la classificació cal prendre’ls amb cautela.

Pel que fa a la determinació de l’altura òptima de vol, s’han realitzat diferents proves amb les tres altures disponibles i calculat diferents índexs que han derivat en una classificació mitjançant diferent mètodes.

Analitzant en detall les classificacions realitzades utilitzant dades corresponents a diferents alçades de vol s’ha detectat que molts errors en la classificació es donen als marges de les capçades dels arbres i també dins de les mateixes capçades dels arbres. S’observen confusions entorn de les capçades dels arbres quan el píxel és més groller (9 cm), però també s’observa molt efecte “sal i pebre” en imatges amb píxels més petits (6 i 3 cm). De fet, si analitzem l’exactitud en la classificació, les imatges a 9 cm són les que presenten millors resultats. En part, aquest resultat és un artefacte degut a tenir menys píxels de control, però a la vegada també és degut al fet que es redueix l’efecte “sal i pebre” comentat anteriorment. A més, el fet de volar a major alçada permet reduir el temps de vol, optimitzant el cost de l’operació.

Finalment, en relació al sensor, les proves efectuades amb el sensor propi del dron (càmera 1/2.3” CMOS), no han donat bons resultats. Tot i que les imatges obtingudes amb la càmera CMOS tenen més resolució a la mateixa altura de vol, la qual cosa els dona valor per a tasques de fotointerpretació, aquesta càmera no és una bona eina per tal d’obtenir dades radiomètriques i estructurals ja que les imatges obtingudes presenten limitacions molt importants. Per una banda, alguns píxels queden saturats, la qual cosa no en permet la seva classificació i, per l’altra, es creen artefactes en les zones amb fort pendent o a les capçades dels arbres impossibilitant la generació de MDE fiables.

Autors

Redactat per: Vicenç Carabassa  i Marga Torre

Per saber-ne més: Vicenç Carabassa