Desarrollo de un algoritmo para la detección, identificación y posicionamiento automático de árboles mediante deep learning y métodos topográficos

Resumen

Se presenta el desarrollo de un sistema automático para la detección, identificación y posicionamiento planimétrico de árboles individuales a partir de imágenes panorámicas terrestres georreferenciadas, sin empleo directo de sensores LiDAR en el cálculo posicional. La metodología integra un modelo de detección basado en Deep Learning (YOLOv8) con un algoritmo de seguimiento multiobjeto (Deep SORT) y un procedimiento topográfico de intersección directa simple para estimar coordenadas planimétricas. El dataset fue generado a partir de inventarios de vegetación en carreteras de la Comunidad de Madrid, utilizando imágenes equirectangulares capturadas mediante sistema Mobile Mapping. Se entrenó el modelo con imágenes etiquetadas manualmente, estructuradas en subconjuntos de entrenamiento, validación y prueba. El ajuste de hiperparámetros se realizó mediante optimización automática. Las detecciones obtenidas se asociaron entre imágenes consecutivas y se transformaron en lecturas angulares a partir de la geometría de la proyección panorámica y la orientación del sensor. La posición final de cada árbol se estimó mediante intersección de visuales desde estaciones GNSS conocidas. La validación se realizó comparando los resultados con la nube de puntos LiDAR del mismo sistema. Los resultados muestran que la combinación de detección 2D y métodos topográficos permite obtener posiciones planimétricas coherentes, con errores compatibles con inventarios forestales de carácter operativo, reduciendo significativamente la intervención manual.