Evaluación del potencial de los modelos de Deep Learning para la clasificación de árboles a nivel de género utilizando datos LiDAR
DOI:
https://doi.org/10.17398/3101-7177.2.135Palabras clave:
nube de puntos LiDAR, Deep Learning, clasificación de árboles, técnicas de muestreoResumen
La identificación y reconocimiento de especies forestales es crucial en el sector agroforestal para garantizar una gestión adecuada de los recursos naturales, promover la conservación de la biodiversidad, optimizar los servicios ecosistémicos y mejorar la productividad y sostenibilidad de los ecosistemas forestales. Los avances en Deep Learning (DL) han revolucionado esta tarea, permitiendo el procesamiento y el análisis de datos LiDAR aéreos y terrestres. En este contexto, el presente estudio evalúa el potencial de dos redes neuronales, PointNet y PointNet++, para clasificar individuos en áreas forestales donde coexisten principalmente tres géneros: Eucalyptus, Pinus y Quercus. Dos técnicas de muestreo efectivas (FPS y SMOTE) se aplicaron para determinar la densidad de puntos óptima por árbol. Los análisis estadísticos basados en Kolmogorov-Smirnov y la prueba t de Student revelaron que el número de puntos y la metodología óptimas fueron 1.024, 2.048 y 4.096, y PointNet++, respectivamente. Por lo tanto, la metodología propuesta servirá como base para futuros trabajos que requieran una clasificación precisa, tales como cambios en hábitat y ecosistemas, secuestro de carbono e inventarios forestales.
Descargas
Referencias
Allen, M. J., Grieve, S. W., Owen, H. J., & Lines, E. R. (2023). Tree species classification from complex laser scanning data in Mediterranean forests using deep learning. Methods in Ecology and Evolution, 14(7), 1657-1667. https://doi.org/10.1111/2041-210X.13981.
Dalponte, M., Coomes, D.A. (2016). Tree-centric Mapping of Forest Carbon Density from Airborne Laser Scanning and Hyperspectral Data. Methods in Ecology and Evolution, 7, 1236-1245. https://doi.org/10.1111/2041-210X.12575.
Fan, Z., Wei, J., Zhang, R., & Zhang, W. (2023). Tree Species Classification Based on PointNet++ and Airborne Laser Survey Point Cloud Data Enhancement. Forests, 14(6), 1246. https://doi.org/10.3390/f14061246.
Fassnacht, F. E., Latifi, H., Stereńczak, K., Modzelewska, A., Lefsky, M., Waser, L. T., ... & Ghosh, A. (2016). Review of studies on tree species classification from remotely sensed data. Remote sensing of environment, 186, 64-87 https://doi.org/10.1016/j.rse.2016.08.013.
Kingma, D. P., Ba, J. (2015). Adam: A method for stochastic optimization. En 3rd International Conference for Learning Representations. San Diego.
Kovács, G. (2019). An empirical comparison and evaluation of minority oversampling techniques on a large number of imbalanced datasets. Applied Soft Computing, 83, 105662. https://doi.org/10.1016/j.asoc.2019.105662.
Liu, B., Chen, S., Huang, H., & Tian, X. (2022). Tree Species Classification of Backpack Laser Scanning Data Using the PointNet++ Point Cloud Deep Learning Method. Remote Sensing, 14(15), 3809. https://doi.org/10.3390/rs14153809.
Qi, C.R., Su, H., Mo, K., Guibas, L. (2017a). PointNet: Deep Learning on Point Sets for 3D Classification and Segmentation. En 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR) (pp. 77-85). Honolulu, HI, USA.
Qi, C.R., Yi, L., Su, H., Guibas, L.J. (2017b). PointNet++: Deep Hierarchical Feature Learning on Point Sets in a Metric Space. En I. Guyon., U. Von Luxburg., S. Bengio., H. Wallach., R. Fergus., S. Vishwanathan., R. Garnett., (Eds), Advances in Neural Information Processing Systems 30 (NIPS 2017) (pp. 5099-5108).
Roussel, J.R., Auty, D., Coops, N.C., Tompalski, P., Goodbody, T.R., Meador, A.S., Bourdon, J.F.,de Boissieu, F., Achim, A. (2020). lidR: An R package for analysis of Airborne Laser Scanning (ALS) data. Remote Sensing of Environment, 251, 112061. http://dx.doi.org/10.1016/j.rse.2020.112061.
Wang, Z., & Menenti, M. (2021). Challenges and opportunities in Lidar remote sensing. Frontiers in Remote Sensing, 2, 641723. https://doi.org/10.3389/frsen.2021.641723.
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2026 Alejandro Morales-Martín, Francisco Javier Mesas Carrascosa, Fernando Pérez Porras, Víctor Manuel Vargas, Francisco Moreno-Cano, Pedro Antonio Gutiérrez (Autor/a)
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Todo el contenido disponible en el Portal de Revistas-UEx se distribuye bajo una licencia Creative Commons: Atribución 4.0 Internacional (CC BY 4.0)
