Clasificación de especies arbustivas y arbóreas de bosque mediterráneo mediante técnicas de Deep Learning y nubes de puntos LiDAR terrestre

[ES] La identificación y clasificación de la composición de especies en zonas forestales es una base fundamental para la elaboración de inventarios detallados, los planes de conservación de la biodiversidad y la gestión sostenible de los recursos que nos brindan los bosques. Además, la identificación de especies arbóreas y arbustivas en bosques es esencial para poder estimar la distribución de la densidad de combustible en la masa forestal y su introducción en los modelos físicos de comportamiento del fuego, de gran utilidad en los planes de prevención y gestión de incendios forestales. La clasificación de especies forestales ha evolucionado desde métodos tradicionales, basados en la observación directa de características de las plantas, como las morfológicas, hacia técnicas modernas que emplean sensores remotos capaces de registrar información espectral, espacial y estructural en cortos periodos de tiempo, pero con la dificultad práctica en el tratamiento y el análisis de la información recopilada. Hoy en día, gracias a los avances en las técnicas y algoritmos de Inteligencia Artificial (IA), es posible analizar grandes volúmenes de datos de forma eficiente y prácticamente automatizada, lo que permite optimizar procesos como la clasificación y la monitorización de la diversidad forestal a partir de datos geoespaciales. A partir de nubes de puntos LiDAR terrestre de parcelas forestales obtenidas mediante escáner láser terrestre (TLS) y un dispositivo móvil de bajo coste (iPad), localizadas en la Serra d Espadà, parque natural ubicado al sur de la provincia de Castellón de la Comunitat Valenciana, en el presente trabajo se desarrolla una metodología para la clasificación automática de nubes de puntos en entornos forestales mediante el uso de técnicas de Deep Learning (DL). El objetivo general es la clasificación de especies arbóreas y arbustivas propias de bosque mediterráneo, así como la comparación de resultados en función de distintas fuentes de datos. Con todo ello, se pretende contribuir a proporcionar datos y herramientas para facilitar la prevención y gestión de los incendios forestales.

[EN] Identifying and classifying species in forested areas provides a fundamental basis for developing detailed inventories, biodiversity conservation plans, and the sustainable management of forest resources. Additionally, identifying tree and shrub species in forests is crucial for estimating fuel density distribution within the forest stand and integrating this information into physical fire behavior models, which are highly beneficial for wildfire prevention and management planning.

Forest species classification has evolved from traditional methods, based on the direct observation of plant characteristics such as morphological traits, towards modern techniques that employ remote sensors capable of capturing spectral, spatial, and structural information in short periods. However, these methods present practical challenges in terms of data processing and analysis. Thanks to recent advances in Artificial Intelligence (AI) techniques and algorithms, it is possible to analyze large volumes of data efficiently and almost automatically, enabling the optimization of processes such as the classification and monitoring of forest diversity based on geospatial data.

This study develops a methodology for classifying point clouds in forest environments using Deep Learning (DL) techniques. To do this, data were collected using terrestrial LiDAR devices, such as terrestrial laser scanning (TLS) and a low-cost mobile device (iPad), in forest plots located in the Serra d Espadà natural park, in the southern part of the Castellón province (Comunitat Valenciana). The main objective is to classify typical tree and shrub species from Mediterranean forests and to compare results from different data sources. The aim is to contribute to providing data and tools to support wildfire prevention and forest fire management efforts.

[CA] En el present treball final de màster es va desenvolupar una metodologia per a la classificació automàtica d'espècies arbustives i arbòries en boscos mediterranis a partir de núvols de punts LiDAR (Light Detection and Ranging) terrestre i l'ús de tècniques avançades de deep learning, amb la finalitat de proporcionar dades i ferramentes útils per a la prevenció i gestió d'incendis forestals, on disposar d'informació precisa sobre l'estructura i composició de la vegetació resulta crític per tal d'avaluar la disponibilitat i continuïtat de combustibles forestals i predir el comportament del foc. L'estudi es va dur a terme a la Serra d’Espadà (Castelló, Comunitat Valenciana), una zona de gran biodiversitat però també altament vulnerable a incendis forestals a causa del seu clima mediterrani sec i càlid, el seu relleu abrupte i l'alta densitat de sotabosc. Les dades utilitzades van ser núvols de punts de parcel·les forestals obtingudes mitjançant escàner làser terrestre (TLS) i un dispositiu mòbil de baix cost (iPad). A partir d'esta informació es van elaborar catàlegs d'individus per espècie, es van generar escenaris forestals semi-reals i es van entrenar models de deep learning per a la classificació de núvols de punts a tres nivells: per espècies, per estrats de vegetació i la discriminació entre el sòl i la vegetació. Els resultats obtinguts mostren que la classificació per estrats de vegetació aconseguix les millors mètriques de validació enfront de la classificació per espècies, sent estos resultats útils, per exemple, per a identificar la continuïtat vertical (del sòl a les copes) i horitzontal del combustible forestal. Es conclou que, encara que la metodologia presenta reptes en la classificació a nivell d'espècies, demostra un alt potencial per a la caracterització estructural dels boscos mediterranis mitjançant l'estratificació vertical de la vegetació. A més, la metodologia pot ser d'utilitat per a l'entrenament de models més robustos i avaluar-los amb moltes parcel·les, amb major eficiència en temps i recursos.