Methods for tree cover extraction from high resolution orthophotos and airborne LiDAR scanning in Spanish dehesas

Abstract

Dehesas are high value agroecosystems that benefit from the effect tree cover has on pastures. Such effect occurs when tree cover is incomplete and homogeneous. Tree cover may be characterized from field data or through visual interpretation of remote sensing data, both time-consuming tasks. An alternative is the extraction of tree cover from aerial imagery using automated methods, on spectral derivate products (i.e. NDVI) or LiDAR point clouds. This study focuses on assessing and comparing methods for tree cover estimation from high resolution orthophotos and airborne laser scanning (ALS). RGB image processing based on thresholding of the 'Excess Green minus Excess Red' index with the Otsu method produced acceptable results (80%), lower than that obtained by thresholding the digital canopy model obtained from the ALS data (87%) or when combining RGB and LiDAR data (87.5%). The RGB information was found to be useful for tree delineation, although very vulnerable to confusion with the grass or shrubs. The ALS based extraction suffered for less confusion as it differentiated between trees and the remaining vegetation using the height. These results show that analysis of historical orthophotographs may be successfully used to evaluate the effects of management changes while LiDAR data may provide a substantial increase in the accuracy for the latter period. Combining RGB and Lidar data did not result in significant improvements over using LIDAR data alone. Métodos para la estimación de la cabida cubierta a partir de ortofotografías de alta resolución y LiDAR aeroportado en dehesas españolasResumen: Las dehesas son agroecosistemas de alto valor que se benefician del efecto de la cobertura arbórea sobre el pasto. Este efecto facilitador aparece cuando la cobertura arbolada es incompleta y homogénea. La cobertura arbórea puede caracterizarse con datos de campo o mediante fotointerpretación de datos de teledetección, ambas tareas que requieren mucho tiempo. Una alternativa es extraer la cobertura arbórea a partir de imagen aérea, derivados espectrales (i.e. NDVI) o nubes de puntos LiDAR. Este estudio se centra en evaluar y comparar métodos para la estimación de cobertura arbolada a partir de ortofotografías de alta resolución y LiDAR aeroportado (ALS).To cite this article: Borlaf-Mena, I., Tanase, M.A., Gómez-Sal, A. 2019. Methods for tree cover extraction from high resolution orthophotos and airborne lidar scanning in Spanish dehesas. Revista de Teledetección, 53,[17][18][19][20][21][22][23][24][25][26][27][28][29][30][31][32]. https://doi.

Fuel Modelling Characterisation Using Low-Density LiDAR in the Mediterranean: An Application to a Natural Protected Area

“…This was because the density of pulses was low, so it was difficult for a high number of pulses to penetrate the tree canopy and provide information on the vegetation below the canopy. In the area under study, the canopy usually has no gaps, and it is possible that in more open areas, such as a dehesa, the study of the stand characteristics with the PNOA LiDAR information would yield better results [31]. To confirm this assumption, the same statistical study was carried out using the stand characteristics while differentiating them by genus, and we obtained the results shown in Table 5 for pine stands.…”

Individualización de copas en encinares (Quercus ilex L.) mediante el empleo de técnicas de segmentación de imágenes y clasificación por objetos

“…Dentro de los sensores remotos empleados con estos fines podemos distinguir entre los sensores pasivos, que captan la radiación emitida o reflejada por fuentes naturales, y los activos, que generan ellos mismos la radiación y la captan en su retorno. La combinación de ambos tipos de sensores en trabajos forestales es hoy en día una realidad, habiéndose utilizado con éxito en multitud de ocasiones (Bork y Su, 2007;Cantero Fauquier et al, 2017;Borlaf-Mena et al, 2019). En este sentido, en España se dispone del Plan Nacional de Ortofotografía Aérea (PNOA), el cual cuenta tanto con productos procedentes de sensores pasivos, imágenes orto-rectificadas PNOA en formato IRC (infrarrojo color: infrarrojo cercano, rojo, verde) y RGB (rojo, verde, azul), como procedentes de sensores activos, nube de puntos lidar PNOA de baja densidad (MITMA, 2020), lo que posibilita la combinación de información espectral y estructural en el análisis de vegetación.…”

“…En el caso concreto de las masas de Quercus ilex L., en los últimos años se han desarrollado varios estudios enfocados a la obtención de la fracción de cabida cubierta (Castillejo-González et al, 2010;Borlaf-Mena et al, 2019) y la individualización de copas (Fragoso-Campón et al, 2020). Estos estudios, realizados sobre masas adehesadas y sin presencia de matorral, hacen hincapié en la limitación de los métodos propuestos en la individualización de los pies en los casos con tangencia de copas.…”