Multi-scale Remote Sensing for Tree and Forest Species Identification in Ecuadorian Andes using Machine Learning and Deep Learning Methods

[ES] La cordillera de los Andes que atraviesa Ecuador contribuye a la presencia de una enorme variedad de microclimas, que junto a factores como altitud y humedad del suelo influyen fuertemente en la distribución y crecimiento de distintas especies forestales, haciendo del país uno de los más megadiversos del mundo. En el cantón Cuenca (área de estudio), ubicado en la zona centro/sur del Ecuador, se pueden encontrar ecosistemas como páramos, bosques montanos, humedales, lagunas, valles interandinos. De estos, los bosques montanos andinos tienen una alta prioridad de conservación dadas sus funciones de regulación del flujo de agua, secuestro de carbono, regeneración de suelos y retención de nutrientes y sedimentos. Sin embargo, la deforestación y la expansión agrícola son una amenaza latente para estos ecosistemas. Esta problemática también se manifiesta dentro del área urbana, donde la expansión urbana y el mantenimiento de las áreas verdes públicas han desplazado a las especies nativas de la región. Por ello, la identificación forestal se convierte en una tarea clave para la conservación y el manejo sostenible de los ecosistemas nativos. En este contexto, la identificación de especies forestales se abordó en tres escalas, definidas según la extensión espacial y el sensor usado para la toma de datos. La primera escala, denominada regional, evaluó los datos satelitales en el cantón Cuenca (Ecuador). La segunda escala denominada local, evaluó los datos fotogramétricos obtenidos con dron a nivel de árbol. En la última escala denominada a corta distancia, se evaluaron fotografías tomadas con smartphone a nivel de árbol. Las dos últimas escalas fueron evaluadas dentro del área urbana del cantón. En la escala regional (satelital), se consiguió la identificación de rodales del género Polylepis, con una fiabilidad global de 0,91 y un coeficiente Kappa de 0,80. Para ello se utilizaron las variables topográficas (elevación, pendiente y orientación), junto con variables espectrales (bandas e índices) obtenidas de Sentinel-2. Esto se realizó en la plataforma Google Earth Engine con el algoritmo Random Forest. Cabe destacar que, en varios mapas oficiales, estos rodales se encontraban generalizados como bosques nativos o eran absorbidos por la clase mayoritaria que rodeaba a estos rodales que es el Páramo. En la escala local (dron) se identificaron con una fiabilidad global de 0,70 y Kappa de 0,65 las especies Populus alba L., y Melaleuca armillaris (Sol. ex Gaertn.) Sm, entre ocho especies evaluadas. Para ello se utilizó la información RGB de las nubes de puntos fotogramétricas de dron, complementadas con la caracterización vertical del árbol basada en la coordenada Z (normalizada) de la nube de puntos, a través de los valores de Z máximo y los percentiles 10, 50 y 90; además de la densidad de la nube de puntos por árbol. Finalmente, en la escala a corta distancia (smartphone), las especies Yucca gigantea Lem., Salix humboldtiana y Melaleuca armillaris (Sol. ex Gaertn.) Sm. tuvieron una alta tasa de acierto entre 14 especies evaluadas. En esta escala se registró una fiabilidad global de 0,80 y kappa de 0,79. Para la identificación, en la escala regional y local la selección de las características más relevantes se realizó evaluando múltiples variables obtenidas de una revisión bibliográfica. De todas estas se usó la técnica Recursive Feature Elimination (RFE) a través de Random Forest, para eliminar las variables de menor importancia. Con ello se buscó reducir al mínimo la cantidad de variables a usar en la identificación, y a su vez mantener el nivel de fiabilidad. Finalmente, en la escala a corta distancia, al usar un modelo de Deep Learning, donde las características se presentan como una "caja negra", no se pudieron determinar las variables usadas para la identificación. En su lugar se utilizaron los mapas de activación para determinar qué regiones de la fotografía fueron las más relevantes en la asignación de la especie forestal.

[CA] La serralada dels Andes que travessa l'Equador contribueix a la presència d'una enorme varietat de microclimes, que, juntament amb factors com l'altitud i la humitat del sòl, influeixen fortament en la distribució i el creixement de distintes espècies forestals, fent del país un dels més megadiversos del món. Al cantó Cuenca (àrea d'estudi), situat a la zona centre/sud del Ecuador, es poden trobar ecosistemes com els páramos, boscos montans, aiguamolls, llacunes i valls interandines. D'aquests, els boscos montans andins tenen una alta prioritat de conservació per les seues funcions de regulació del flux hídric, segrest de carboni, regeneració del sòl i retenció de nutrients i sediments. Tanmateix, la desforestació i l'expansió agrícola són una amenaça latent per a aquests ecosistemes. Aquesta problemàtica també es manifesta dins de l'àrea urbana, on l'expansió urbana i el manteniment de les zones verdes públiques han desplaçat les espècies natives de la regió. Per això, la identificació forestal es converteix en una tasca clau per a la conservació i la gestió sostenible dels ecosistemes natius. En aquest context, la identificació d'espècies forestals es va abordar en tres escales, definides segons l'extensió espacial i el sensor utilitzat per a la presa de dades. La primera escala, denominada regional, va avaluar dades satellitals al cantó Cuenca (Equador).La segona escala, denominada local, va avaluar dades fotogramètriques obtingudes amb dron a nivell d'arbre. L'última escala, denominada a curta distància, va analitzar fotografies preses amb telèfon intel·ligent a nivell d'arbre. Les dues últimes escales van ser avaluades dins de l'àrea urbana del cantó. A l'escala regional (satellit), es va aconseguir identificar rodals del gènere Polylepis amb una precisió global de 0,91 i un coeficient Kappa de 0,80. Per a això s'utilitzaren variables topogràfiques (elevació, pendent i orientació), juntament amb variables espectrals (bandes i índexs) obtingudes del Sentinel-2. El processament es va dur a terme en la plataforma Google Earth Engine mitjançant l'algorisme Random Forest. Cal destacar que en diversos mapes oficials, aquests rodals apareixien generalitzats com a boscos natius o eren absorbits per la classe majoritària que els envolta, el páramo. A l'escala local (dron), es van identificar amb una precisió global de 0,70 i un Kappa de 0,65 les espècies Populus alba L. i Melaleuca armillaris (Sol. ex Gaertn.) Sm., entre vuit espècies avaluades. Per a això, s'utilitzà la informació RGB de núvols de punts fotogramètrics del dron, complementada amb la caracterització vertical de l'arbre basada en la coordenada Z (normalitzada) del núvol de punts, mitjançant els valors de Z màxim i els percentils 10, 50 i 90; a més de la densitat del núvol de punts per arbre. Finalment, a l'escala a curta distància (telèfon intel·ligent), les espècies Yucca gigantea Lem., Salix humboldtiana i Melaleuca armillaris (Sol. ex Gaertn.) Sm. mostraren una alta taxa d'encert entre 14 espècies avaluades. En aquesta escala es registrà una precisió global de 0,80 i un Kappa de 0,79. Per a la identificació, a les escales regional i local, la selecció de les característiques més rellevants es va realitzar avaluant múltiples variables obtingudes d'una revisió bibliogràfica. De totes aquestes, s'utilitzà la tècnica Recursive Feature Elimination (RFE) mitjançant Random Forest, per eliminar les variables de menor importància. Amb això es buscava reduir al mínim la quantitat de variables utilitzades en la identificació, mantenint alhora el nivell de fiabilitat. Finalment, a l'escala a curta distància, en utilitzar un model de Deep Learning, on les característiques es presenten com una "caixa negra", no es pogueren determinar les variables utilitzades per a la identificació. En el seu lloc, es van emprar mapes d'activació per determinar quines regions de la imatge van ser les més rellevants en l'assignació de l'espècie forestal.

[EN] The Andes mountain range that runs through Ecuador contributes to the presence of a wide variety of microclimates, which, along with factors such as altitude and soil moisture, strongly influence the distribution and growth of various forest species, making the country one of the most megadiverse in the world. In Cuenca canton (the study area), located in the central-southern region of the Ecuador, ecosystems such as paramos, montane forests, wetlands, lagoons, and inter-Andean valleys can be found. Among these, Andean montane forests are of high conservation priority due to their functions in water flow regulation, carbon sequestration, soil regeneration, and the retention of nutrients and sediments. However, deforestation and agricultural expansion pose ongoing threats to these ecosystems. This issue is also evident in urban areas, where city expansion and the maintenance of public green spaces have displaced native species. Therefore, forest species identification becomes a key task for the conservation and sustainable management of native ecosystems. In this context, forest/tree species identification was addressed at three spatial scales, defined according to the spatial extent and the type of sensor used for data acquisition. The first scale, referred to as regional, evaluated satellite data in Cuenca canton (Ecuador). The second, or local scale, assessed drone-based photogrammetric data at the tree level. Finally, close-range scale involved evaluating photographs taken with a smartphone at the tree level. The last two scales were evaluated within the urban area of the canton. At the regional scale (satellite), stands of the Polylepis genus were identified with a global accuracy of 0.91 and a Kappa coefficient of 0.80. This was achieved using topographic variables (elevation, slope, and aspect), along with spectral variables (bands and indices) obtained from Sentinel-2. Processing was carried out on the Google Earth Engine platform using the Random Forest algorithm. It is worth noting that in several official maps, these stands were generalized as native forests or absorbed by the dominant surrounding class, which is paramo. At the local scale (UAV), Populus alba L. and Melaleuca armillaris (Sol. ex Gaertn.) Sm. were identified with a global accuracy of 0.70 and a Kappa of 0.65, among eight species evaluated. This identification used RGB data from drone-derived photogrammetric point clouds, complemented by vertical tree characterization based on the normalized Z coordinate of the point cloud, using maximum Z values and the 10th, 50th, and 90th percentiles, as well as the point cloud density per tree. Finally, at the close-range scale (smartphone), Yucca gigantea Lem., Salix humboldtiana, and Melaleuca armillaris (Sol. ex Gaertn.) Sm. achieved a high identification rate among 14 species evaluated. This scale yielded a global accuracy of 0.80 and a Kappa of 0.79. For the regional and local scales, the selection of the most relevant features was carried out by evaluating multiple variables obtained from a literature review. Among these, the Recursive Feature Elimination (RFE) technique using Random Forest was applied to eliminate less important variables. This approach aimed to minimize the number of variables used in identification while maintaining model accuracy. In contrast, at the close-range scale, a Deep Learning model was used, in which the relevant features are treated as a "black box," making it impossible to directly determine which variables were used for identification. Instead, activation maps were employed to identify which regions of the image were most relevant to species classification.

Tesis por compendio