ciaiq2016isqr2016 upload your paper...

>>Atas CIAIQ2016 >>Investigação Qualitativa em Engenharia e Tecnologia//Investigación Cualitativa en Ingeniería y Tecnología//Volume 4

95

Determinación de biomasa en parcelas de cultivos herbáceos mediante cámaras ópticas elevadas por medio de vehículos aéreos no tripulados (UAV)

José Luis Marcos Robles1, María de la luz Gil Docampo2, Juan Ortiz Sanz2, Santiago Martínez Rodríguez2, Fermín Garrido Laurnaga3, Luis Fernando Sánchez Sastre4, Salvador Hernández Navarro4, Zacarías Clérigo

Pérez1, Luis Ortiz Sanz1

1 Departamento de Ciencias de los Materiales, Universidad de Valladolid. España [email protected]. 2 Departamento de Enxeñaría Agroforestal. Universidad de Santiago de Compostela. España. [email protected]

3 Departamento de Producción Vegetal y Recursos Forestales. Universidad de Valladolid. España. [email protected] 4Departamento de Ingeniería Agrícola y Forestal. Universidad de Valladolid. España. [email protected]

Resumen. Estimar con precisión la biomasa por métodos tradicionales con muestreos de campo destructivos es caro y tedioso. Los métodos basados en sensores remotos aeroportados con vehículos aéreos no tripulados pueden ser utilizados para generar la información necesaria y estimar la biomasa y el carbono fijado por los sistemas agroforestales en un amplio rango de escalas. La velocidad de obtención y procesamiento de los datos y el relativo bajo coste de este procedimiento hace que su potencial empleo en sistemas agroforestales pudiera tener una gran importancia. En este estudio se desarrolla un procedimiento para evaluar la biomasa aérea en distintas parcelas agroforestales en España por medio de la fotogrametría de rango cercano, un multirrotor y una cámara fotográfica convencional. Como conclusión de este estudio, se propone una metodología de trabajo mediante el uso de estas tecnologías que estime la producción de biomasa de manera precisa, fiable y económicamente rentable.

Palabras clave: Vehículos Aéreos No tripulados. Drones. Estimación de Biomasa. MDS. MDT. Fotogrametría de rango cercano. Cambio climático. CO2

Determination of biomass in areas of arable crops with high optical cameras using UAVs

Abstract. To accurately estimate the biomass by using traditional methods with destructive field sampling is expensive and tedious. Methods based on airbone remote sensing with UAVs can be used to generate the necessary information and to estimate biomass and carbon fixed by agroforestry systems in a wide range of scales. Speed on collecting and processing data and the relatively low cost of this procedure makes that their potential use in agroforestry systems could have a great importance. In this study, a process is developed to evaluate aboveground biomass in different agroforestry areas in Spain by using a close range photogrammetry, a multirotor and a conventional camera. As a conclusion of this study, a methodology is proposed in which these technologies are used in order to estimate biomass production in an accurate, reliable and economic way.

Keywords: UAV, Estimating biomass, DSM, DEM, Close range photogrammetry. Climate Change. CO2

1 Introducción

La estimación precisa de biomasa es esencial para comprender mejor los ciclos de carbono en los ecosistemas terrestres, donde los bosques actúan como depósito primario del carbono terrestre (Houghton, 2005). Los métodos de campo tradicionales proporcionan medios consistentes para evaluar la biomasa, pero por lo general a un alto costo, ya que a menudo implica un muestreo destructivo en una cobertura geográfica limitada (Popescu, 2007). Los métodos basados en sensores remotos pueden ser integrados con evaluaciones sobre el terreno para producir la información necesaria en la estimación de la biomasa. Las ventajas de la utilización de estos sensores incluyen la posibilidad de obtener mediciones de cada lugar, la velocidad con la


96

que los datos pueden ser recogidos y procesados, el relativamente bajo costo de muchos de estos sensores, y la capacidad de recopilar datos en áreas de difícil acceso desde el suelo (Bortolot & Wynne, 2005). La capacidad de los sensores LIDAR (Light Detection And Ranging) para medir directamente la estructura vegetal, ha supuesto un gran avance en el inventario remoto de los recursos forestales. A pesar de que la tecnología LIDAR se postula como la más adecuada para la estimación de biomasa, el alto coste del hardware y de la ejecución de los vuelos, únicamente aconseja su aplicación en proyectos de gran envergadura. En proyectos más reducidos o menor presupuesto, se plantean otros sistemas como los basados en sensores pasivos. Estos dependen de la variabilidad de las respuestas espectrales de la vegetación en las regiones del visible e infrarrojo cercano. Índices ampliamente aceptados como el NDVI (Índice de Vegetación de Diferencia Normalizada) y el LAI (Índice de Área Foliar) (Jonckheere, Nackaerts, Muys, van Aardt, & Coppin, 2006; Morsdorf et al., 2004; Morsdorf, Kötz, Meier, Itten, & Allgöwer, 2006) han sido empíricamente correlacionados con parámetros estructurales del dosel de copas. Los sensores ópticos pasivos proporcionan mediciones detalladas de la distribución horizontal del dosel de copas mientras que los sistemas LIDAR son capaces de ofrecer información precisa en ambas dimensiones, horizontal y vertical. Al igual que la teledetección, la fotogrametría permite realizar mediciones detalladas de la distribución horizontal de la parte aérea de la planta (visible desde el aire) pero no permite extraer información de su estructura vertical. Por este motivo, para calcular la biomasa aérea es fundamental disponer de un Modelo de Elevación del Terreno (MDT) y de modelos de superficie de cultivos (MCS) (Bendig et al., 2014).

2 Material y Métodos

2.1. Área de estudio

El área de estudio abraca tres parcelas situadas en tres provincias diferentes de España. Soto de Cerrato en Palencia (Castilla y León) con una superficie modelada de 1,37 ha, San Mateo de Gállego en Zaragoza (Aragón) con una superficie modelada de 1,77 ha y Ayoó de Vidriales en Zamora (Castilla y León) con una superficie modelada de 2,27 ha. Las tres parcelas están sembradas con cultivos herbáceos anuales.

2.2. Plataforma de vuelo de Ala Rotatoria (Microdrone MD4-‐1000 )

Es un vehículo aéreo, autónomo, con despegue y aterrizaje vertical. Su construcción a base de fibra de carbono lo hace robusto, muy ligero y resistente. Los giros y desplazamientos de la aeronave se consiguen variando la potencia de uno o varios rotores simultáneamente. Por ser de cuatro hélices está encuadrado en el grupo de los cuadricópteros y por tener unas dimensiones pequeñas en la subcategoría micro UAV (Nebiker, Christen, Eugster, Flückiger, & Stierli, 2007). Es capaz de soportar un peso máximo de 1,2 kg (aunque el rendimiento de la batería será menor), más que suficiente para sustentar el sensor que se manejará en este trabajo. A mayor peso menor será la autonomía de vuelo, que en ningún caso supera los 60 minutos. La altura máxima está fijada en 120 metros mientras que la altura máxima sobre el nivel del mar no deberá superar los 2.500 metros. Las


97

condiciones meteorológicas exigidas para su buen funcionamiento son: humedad menor al 90%, vientos máximos de 10-‐13 m/s y temperaturas entre 0 y 40ºC.

Fig. 1. (Microdron MD4-‐1000)

2.3. Cámara convencional óptica

El trabajo fotográfico se ha llevado a cabo íntegramente con una cámara fotográfica digital convencional: la Olympus Pen EPM-‐1 (12,3 Megapíxeles y sensor Live MOS de 4/3”). Se trata de una cámara cuyo sistema micro cuatro tercios posibilita el utilizar objetivos intercambiables, pero con un tamaño y peso menor (265 g el cuerpo con batería y tarjeta de memoria incluidas). Junto a la cámara se empleó el objetivo M.Zuiko Digital ED 12 mm f/2 de 130 g de peso.

2.4. Software

El procesado de las imágenes obtenidas con las cámaras fotográficas se realizó mediante el programa Agisoft PhotoScan (PS) (Agisoft LLC, San Petersburgo, Rusia). Se trata de una de las principales soluciones informáticas de restitución fotogramétrica, de tipo comercial, disponibles actualmente que implementa la SFM-‐DMVR. Estas siglas hacen referencia a la Fotogrametría Digital Automatizada (SFM, Structure From Motion) y a los algoritmos de Reconstrucción en 3D de Alta Densidad a partir de Múltiples Puntos de Vista (DMVR, Digital Multi-‐View 3D Reconstruction), que permiten producir modelos 3D de alta precisión y calidad fotorrealista a partir de una colección de imágenes desordenadas de una escena u objeto, tomadas desde diferentes puntos de vista. La gran precisión del sistema (Doneus et al., 2011) y la baja desviación existente frente a los modelos obtenidos a partir de datos provenientes de escáneres láser son avaladas en múltiples trabajos (Rodriguez-‐Navarro, 2012). El procesado de los modelos digitales del terreno se realiza a través de Global Mapper (Blue Marble Geographics, Maine, Estados Unidos). Global Mapper es un software de análisis y procesamiento de datos SIG (Sistemas de Información Geográfica). El programa puede ejecutarse de forma autónoma o bien integrado como un módulo en otras herramientas SIG, y tiene capacidad para acceder a gran cantidad de repositorios de imágenes, datos topográficos y archivos DEM/DSM. Permite cálculos de distancias y superficies, análisis espectral, cálculo de volúmenes de corte y relleno, etc., además, es también compatible con datos LIDAR.


98

2.5. Toma de datos

Se fijó la altura de vuelo a 60 metros (2 cm de resolución espacial) y el solape mínimo, longitudinal y transversal en 70% y 40% respectivamente, para garantizar la correcta generación del modelo 3D con Agisoft PhotoScan. Para obtener una buena georreferenciación se deben repartir sobre el terreno unos puntos de control (dependiendo del tamaño de la parcela) cubriendo la zona central y los extremos de la parcela. Los puntos deben ser identificables en las fotografías tomadas desde el multirrotor. Tras la finalización de cada vuelo se realiza el cálculo de biomasa por muestreo aleatorio de forma destructiva. En cada punto (se anotan las coordenadas GPS) se lanza un aro de superficie conocida (0,25 m2) y se extraen las plantas que se encuentren en su interior (parte aérea). Las plantas se pesan en húmedo, se secan y después se vuelven a pesar en seco. Los valores en peso que obtenidos se extrapolan posteriormente a toda la superficie de la parcela.

Fig. 2. (Muestreo de la biomasa con aro metálico)

2.6. Creación, ajuste y edición del Modelo Digital de Superficie (MDS)

Las fotografías en formato ORF (formato sin procesar RAW de las cámaras Olympus) se deben revelar digitalmente a JPG mediante cualquier programa de tratamiento de imágenes. Tras ello, se cargan los JPG en el PhotoScan para que calcule la orientación externa de las cámaras (su posición relativa en el espacio en el momento de la captura). Con ello se obtiene la malla de puntos homólogos sobre la cual se genera un modelo 3D aproximado de la superficie. Con ayuda del modelo 3D se marcan los puntos de control y se ajusta su posición en cada fotografía. Se le adjudican las coordenadas medidas en campo y se optimiza la orientación externa. Tras ello se genera el modelo 3D definitivo con la mayor densidad de malla posible (calidad “Ultra Alta”). Es importante limitar la densidad de caras de la malla a 10 millones para evitar que se colapse el ordenador. Al finalizar este proceso automático se está en disposición de generar la textura fotorrealista. El programa, también automáticamente, aplica la textura sobre el modelo 3D aplicado las imágenes utilizadas para hacer el modelo, lo que garantiza la exactitud de su colocación.


99

El MDS generado en el paso anterior se carga en el programa Global Mapper junto con el MDT de la zona. El MDT puede ser descargado a través del centro de descargas de la Web del Instituto Geográfico Nacional (IGN). Este modelo posee una resolución espacial de 5 m. Una vez se han cargado ambos modelos digitales, se procede a identificar 30 puntos sin vegetación en el MDS y se anota su coordenada Z. Del mismo modo, se anota la coordenada Z de esos mismos puntos medidos sobre el MDT. Para finalizar, se calcula la media de las diferencias entre la coordenada Z del MDT y del MDS. Este factor de corrección se suma (su valor puede ser positivo o negativo) a cada coordenada Z de los puntos de control empleados en la georreferenciación del MDS original, y se reposiciona el modelo 3D, con lo que se consigue un MDS modificado que minimiza los errores de cota.

Para calcular correctamente el volumen y la superficie es necesario editar el modelo 3D para eliminar las calles u otra superficie que no se corresponda con la zona objeto de la medición. La idea es obtener el modelo 3D únicamente de la zona de vegetación cuya superficie se corresponda con la superficie final en la cual se va a estimar la biomasa.

Tras finalizar la edición se exporta el nuevo modelo digital de superficie editado en formato GeoTIFF y con la coordenada Z ajustada al MDT: el MDSz. Es importante anotar el dato de superficie que calcula el PhotoScan, ya que se corresponde con el valor real de la superficie.

Fig. 3. (Izquierda, ortofoto georreferenciada de la parcela de Soto de Cerrato (Palencia) generada a partir del modelo 3D con

PhotoScan. Derecha, parcela editada con información de la zona a estudiar)

2.7. Cálculo de volumen por unidad de superficie de la parcela

Se cargan de nuevo los dos modelos digitales de elevación (MDT y MDSz) en el Global Mapper y se calcula el volumen comprendido entre ambos a través de una rutina automatizada del programa. El resultado generado por el programa se da en m3. Con el dato de superficie generado en el paso anterior, se puede definir el volumen por unidad de superficie de cada parcela, en este caso en m3/ha.


100

Fig. 4. (Superposición del MDSz de Soto de Cerrato sobre el MDT de la zona en Global Mapper.)

2.8. Cálculo del factor de densidad

Para poder estimar la biomasa de cada una de las parcelas es necesario calcular un factor de densidad que nos permita pasar de m3/ha a kg/ha. Para ello se van a utilizar los puntos de muestreo de biomasa medidos en campo. El proceso del cálculo del volumen por unidad de superficie en cada uno de los puntos de muestreo implica la siguiente metodología:

• Identificar en cada modelo, a partir de las coordenadas GPS de los puntos de muestreo de biomasa realizados en cada parcela.

• Recortar cada uno de los puntos de muestreo en el modelo 3D mediante PhotoScan, cogiendo una superficie amplia alrededor del punto.

• Anotar la superficie recortada en cada punto de muestreo (dato generado por PhotoScan). • Exportar en formato GeoTIFF cada punto independiente. Es decir, obtener un modelo digital

de superficie para cada punto de muestreo (MDSm). • Cargar de nuevo el MDT junto con todos los MDSm de cada parcela en el Global Mapper. • Calcular el volumen de cada punto de muestreo. • Con el dato de superficie y volumen se definen los m3/ha de cada punto. • Con el dato de volumen y peso por unidad de superficie de cada punto de muestreo, se

aplica la siguiente fórmula para calcular su factor de densidad:

𝐹𝑑 =𝐵𝑉

Donde: Fd: factor de densidad (kg/m3) B: biomasa por unidad de superficie (kg/ha) V: Volumen por unidad de superficie (m3/ha)

2.9. Cálculo de la biomasa por unidad de superficie y biomasa total aérea

El primer paso es definir el factor de densidad de cada parcela como la media de los factores de densidad de los puntos de muestreo. Con el valor obtenido y aplicando la siguiente fórmula se obtiene el valor de la biomasa por unidad de superficie:

𝐵 = 𝐹𝑑 𝑥 𝑉


101

Todos los datos necesarios ya han sido calculados anteriormente. Para calcular la Biomasa total, únicamente será necesario aplicar la siguiente fórmula:

𝐵𝑇 = 𝐵 𝑥 𝑆

Donde: BT= Biomasa Total de la parcela (Kg) B= Biomasa por unidad de superficie (kg/ha) S= Superficie Real de la parcela (ha)

3. Resultados

Referidos al proceso de la toma de imágenes: • La cubierta vegetal de Soto de Cerrato favorece la toma de fotografías a mayor altura. En

este caso se realizaron 56 fotografías a una altura media de 66 metros sobre el terreno, lo que resulta suficiente. El tamaño medio del píxel sobre el terreno es de 0.020 m/pix.

• La cubierta vegetal de San Mateo de Gállego requiere fotografiar a una altura menor que en el caso de Soto de Cerrato. En este caso se realizaron 100 fotografías a una altura media de 116 metros sobre el terreno (probablemente la altura definida haya sido excesiva). El tamaño medio del píxel sobre el terreno es de 0.037 m/pix.

• La cubierta vegetal de Ayoó de Vidriales requiere una toma de fotografías a baja altura (máximo de 60 metros). En este caso se realizaron 99 fotografías a una altura media de 161 metros sobre el terreno (demasiado alta). El tamaño medio del píxel sobre el terreno es de 0.052 m/pix.

Los resultados de las muestras tomadas en campo se pueden apreciar en la tabla 1.

Tabla 1. Puntos de muestreo en biomasa medidos en campo

Parcela Puntos de Muestreo Biomasa (kg/ha)

Soto de Cerrato S1 7.776

S2 10.839

S3 11.277

S4 9.865 S5 9.498

San Mateo de Gállego C1 7.112 C2 10.340

Ayoó de Vidriales B1-‐1p 7.117

B1-‐2p 5.650

B1-‐3p 772

B2-‐1p 557

B2-‐2p 10.712

B2-‐3p 10.249

B3-‐1p 8.567 B3-‐2p 7.823 B3-‐3p 11.124


102

Los resultados extraídos de la información generada a través de los MDZs de la parcela se pueden comprobar en la tabla 2.

Tabla 2. Resultados extraídos del MDSz de la parcela

Parcela Sup. real de la zona (m2)

Volumen total entre MDT y MDSz (m3)

Volumen por unidad de superficie (m3/ha)

Soto de Cerrato 13.707 9.599 7.003

San Mateo de Gállego 17.738 4.829 2.722

Ayoó de Vidriales 226.888 48.243 2.126

Los resultados de la biomasa obtenidos en las tres parcelas aparecen reflejados en la tabla 3.

Tabla 3. Resultados de biomasa obtenidos en las tres parcelas

Parcela Factor de densidad (kg/m3)

Biomasa (kg/ha) Biomasa total (kg)

Soto de Cerrato 1,413 9.895 13.563

San Mateo de Gállego 2,631 7.163 12.705

Ayoó de Vidriales 2,000 4.253 96.486

4. Conclusiones

Se ha conseguido determinar la cantidad de biomasa de las parcelas con la metodología propuesta, obteniendo resultados que guardan una gran coherencia con lo observado en campo. Sim embargo, cabe destacar que en la determinación de la biomasa, los factores descritos relativos a la ejecución de los vuelos, captura de puntos de control y toma de datos de campo pueden haber afectado negativamente a la fiabilidad de los resultados alcanzados. Estos factores, pueden condicionar la validez de los datos obtenidos fundamentalmente en las parcelas de San Mateo de Gállego y Ayoó de Vidriales. Respecto de la cámara fotográfica empleada, es recomendable recurrir a una réflex con un sensor de mayor tamaño y un mínimo de 18 Megapíxeles. Con una cámara de estas características la altura de vuelo es, además, menos limitante, ya que el tamaño del píxel sobre el terreno a la misma altura va a ser considerablemente menor. La definición de la metodología aquí propuesta junto con la consecución de las condiciones requeridas de los datos de campo relativos a muestreos, imágenes y puntos de control, permitirán obtener resultados con mayor fiabilidad en los ensayos sucesivos. Agradecimientos. Los autores quieren agradecer al Proyecto Europeo del Programa LIFE+ “Operación CO2” LIFE11/ENV/ES/000535, así como a los Ayuntamientos de San Mateo de Gállego (Zaragoza), Ayoó de Vidriales (Zamora), Fundació Catalunya La Pedrera y al resto de socios del proyecto. También agradecen el esfuerzo del personal de mantenimiento de los campos experimentales de la UVa en Soto de Cerrato (Palencia) y la labor de coordinación de la Fundación General de la Universidad de Valladolid.


103

Referencias

Bendig, J., Bolten, A., Bennertz, S., Broscheit, J., Eichfuss, S., & Bareth, G. (2014). Estimating biomass of barley using crop surface models (CSMs) derived from UAV-‐based RGB imaging. Remote Sensing, 6(11), 10395-‐10412.

Bortolot, Z. J., & Wynne, R. H. (2005). Estimating forest biomass using small footprint LiDAR data: An individual tree-‐based approach that incorporates training data. ISPRS Journal of Photogrammetry and Remote Sensing, 59(6), 342-‐360.

Doneus, M., Verhoeven, G., Fera, M., Briese, C., Kucera, M., & Neubauer, W. (2011). From deposit to point cloud–a study of low-‐cost computer vision approaches for the straightforward documentation of archaeological excavations. Geoinformatics FCE CTU, 6, 81-‐88.

Houghton, R. A. (2005). Aboveground forest biomass and the global carbon balance. Global Change Biology, 11(6), 945-‐958.

Jonckheere, I., Nackaerts, K., Muys, B., van Aardt, J., & Coppin, P. (2006). A fractal dimension-‐based modelling approach for studying the effect of leaf distribution on LAI retrieval in forest canopies. ecological modelling, 197(1), 179-‐195.

Morsdorf, F., Kötz, B., Meier, E., Itten, K. I., & Allgöwer, B. (2006). Estimation of LAI and fractional cover from small footprint airborne laser scanning data based on gap fraction. Remote Sensing of Environment, 104(1), 50-‐61.

Morsdorf, F., Meier, E., Kötz, B., Itten, K. I., Dobbertin, M., & Allgöwer, B. (2004). LIDAR-‐based geometric reconstruction of boreal type forest stands at single tree level for forest and wildland fire management. Remote Sensing of Environment, 92(3), 353-‐362.

Nebiker, S., Christen, M., Eugster, H., Flückiger, K., & Stierli, C. (2007). Integrating mobile geo sensors into collaborative virtual globes-‐design and implementation issues. En Mobile Mapping Technologies Symposium MMT. Citeseer.

Popescu, S. C. (2007). Estimating biomass of individual pine trees using airborne lidar. Biomass and Bioenergy, 31(9), 646-‐655.

Rodriguez-‐Navarro, P. (2012). Automated Digital Photogrammetry versus the systems based on active 3D sensors. La Fotogrametría Digital Automatizada frente a los sistemas basados en sensores 3D activos. EGA, 17(20), 100-‐111.

ciaiq2016isqr2016 upload your paper...

Documents