Detección espectral de especies arbóreas mediante datos in-situ e imágenes hiperespectrales aérotrasportadas: caso de estudio Laguna Grande San Pedro de la Paz.
Loading...
Date
2024
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
Universidad de Concepción
Abstract
Este estudio evaluó el uso de imágenes hiperespectrales para identificar especies arbóreas alrededor del Santuario de la Naturaleza Laguna Grande - Humedal Los Batros, Chile, destacando la necesidad de técnicas avanzadas en la gestión de ecosistemas. Se usaron imágenes hiperespectrales con métodos de Machine Learning, específicamente Support Vector Machine (SVM) y Random Forest (RF), para clasificar y georreferenciar especies arbóreas y vegetación. Las muestras se identificaron y georreferenciaron in-situ, creando una librería espectral para entrenar y validar los modelos. Los resultados muestran que las imágenes hiperespectrales, especialmente con el preprocesamiento MNF (Minimum Noise Fraction), permitieron alta precisión en la clasificación de especies. SVM logró una precisión del 90% y un índice Kappa de 0,89 en imágenes en color verdadero, mientras que RF alcanzó un 43% de precisión y un índice Kappa de 0,33. En imágenes MNF, SVM obtuvo un 74% de precisión y un índice Kappa de 0,72, mientras que RF logró un 75% de precisión y un índice Kappa de 0,73. Las especies exóticas Eucalyptus globulus y Cupressus macrocarpa mostraron dominancia, afectando la cobertura forestal, aunque hubo errores de mezcla en la clasificación, especialmente con Acacia melanoxylon y Cupressus macrocarpa, debido a su baja reflectividad. Los resultados destacan la eficacia de las imágenes hiperespectrales y los modelos de Machine Learning en la identificación de especies arbóreas, aunque también revelan la necesidad de mejorar las técnicas de clasificación para resolver desafíos específicos. En conclusión, la teledetección hiperespectral es una herramienta valiosa para la gestión y conservación de ecosistemas forestales, proporcionando una base sólida para futuras investigaciones.
This study evaluated the use of hyperspectral imagery to identify tree species around the Laguna Grande Nature Sanctuary - Los Batros Wetland, Chile, highlighting the need for advanced techniques in ecosystem management. Hyperspectral images were employed with Machine Learning methods, specifically Support Vector Machine (SVM) and Random Forest (RF), to classify and georeference tree species and vegetation. Samples were identified and georeferenced in situ, creating a spectral library to train and validate the models. The results indicate that hyperspectral images, particularly with Minimum Noise Fraction (MNF) preprocessing, enabled high precision in species classification. SVM achieved 90% accuracy and a Kappa index of 0.89 in true color images, while RF achieved 43% accuracy and a Kappa index of 0.33. In MNF images, SVM achieved 74% accuracy with a Kappa index of 0.72, while RF achieved 75% accuracy with a Kappa index of 0.73. Exotic species such as Eucalyptus globulus and Cupressus macrocarpa exhibited dominance, impacting forest cover, though classification errors occurred, particularly with Acacia melanoxylon and Cupressus macrocarpa due to their low reflectivity. The results underscore the effectiveness of hyperspectral imagery and Machine Learning models in identifying tree species, while also highlighting the need to enhance classification techniques to address specific challenges. In conclusion, hyperspectral remote sensing proves to be a valuable tool for the management and conservation of forest ecosystems, laying a solid foundation for future research.
This study evaluated the use of hyperspectral imagery to identify tree species around the Laguna Grande Nature Sanctuary - Los Batros Wetland, Chile, highlighting the need for advanced techniques in ecosystem management. Hyperspectral images were employed with Machine Learning methods, specifically Support Vector Machine (SVM) and Random Forest (RF), to classify and georeference tree species and vegetation. Samples were identified and georeferenced in situ, creating a spectral library to train and validate the models. The results indicate that hyperspectral images, particularly with Minimum Noise Fraction (MNF) preprocessing, enabled high precision in species classification. SVM achieved 90% accuracy and a Kappa index of 0.89 in true color images, while RF achieved 43% accuracy and a Kappa index of 0.33. In MNF images, SVM achieved 74% accuracy with a Kappa index of 0.72, while RF achieved 75% accuracy with a Kappa index of 0.73. Exotic species such as Eucalyptus globulus and Cupressus macrocarpa exhibited dominance, impacting forest cover, though classification errors occurred, particularly with Acacia melanoxylon and Cupressus macrocarpa due to their low reflectivity. The results underscore the effectiveness of hyperspectral imagery and Machine Learning models in identifying tree species, while also highlighting the need to enhance classification techniques to address specific challenges. In conclusion, hyperspectral remote sensing proves to be a valuable tool for the management and conservation of forest ecosystems, laying a solid foundation for future research.
Description
Tesis presentada para optar al título profesional de Ingeniero Forestal
Keywords
Análisis espectral, Árboles Análisis, Análisis de imagen