Identificación automática de vegetación en áreas urbanas
Caso Estudio: Ferrol
Objetivo
- Identificar áreas de vegetación en entornos urbanos
- Diferenciar tipos de vegetación según su porte:
- Porte bajo: césped, prado, arbusto...
- Porte alto: arbolado
Área estudio

Materiales
Imágenes Pleiades 1A

50cm/pixel
Bandas: Pan- R-G-B-NIR
Datos LiDAR 2009-2010 clasificados

Datos LiDAR 2014-2015 sin clasificar
PNOA_2015_GAL-W_546-4802_ORT-000-CIR.las
PNOA_2015_GAL_W_546-4802_ORT-000-COL.las

Datos LiDAR. Nomenclatura
- 2009: vuelo lidar PNOA 2009
- Lote5: nº de lote interno
- CLM: zona Castilla la Mancha
- Coordenadas esquina superior izquierda fichero X=454.000, Y=4346.000
- ORT: alturas ortométricas
- CLA: fichero clasificado automáticamente según estándar del ASPRS
- COL: información color procedente de ortofoto correspondiente de la imagen PNOA
- RGB: color RGB procedente de ortofoto tomada en mismo momento que datos LiDAR
- CIR: color infrarrojo procedente de otro vuelo en la misma zona
- IRC: color infrarrojo procedente del mismo vuelo en el mismo momento de adquirir datos LiDAR
PNOA_2009_Lote5_CLM_454_4346_ORT-CLA-COL.las
Metodología
Tratamiento de imágenes Pleiades
-
Split bandas
- Cada imagen multibanda se separa en 4 monobandas (b1-b2-b3-b4) correspondientes a B-G-R-NIR. Con Gdal Calc en proceso por lotes, para extraer cada banda por separado.
-
Merge bandas
- Se unen todas las imágenes monobanda para toda el área de estudio (mosaic to raster -SAGA sobre QGIS-)
- Cálculo de NDVI
Tratamiento de imágenes Pleiades
- Cálculo del NDVI empleando bandas 3 y 4 Pleiades



Rouse et al 1974
Tratamiento de datos LiDAR
-
Sobre datos CIR 2015 no clasificados:
- Rasterizar a 1m/pixel
- Calcular NDVI
- Seleccionar pixeles con NDVI >0.4
-
Sobre datos CLA-COL 2010 clasificados:
- Rasterizar a 1m/pixel
- Calcular MDT y MDS
- Calcular altura relativa (MDS-MDT)
- Seleccionar pixels con altura relativa >150cm
- Identificar pixels con NDVI>0.4 y altura relativa >150cm
Modelo cartográfico

Resultados
Sobre Pleiades: NDVI

Sobre LiDAR: NDVI
AUF_NDVI_vex_1m.tif
Sobre LiDAR: MDT y MDS
AUF_2015_AltTotal_1m.tif


AUF_2015_AltGround_1m.tif
Sobre LiDAR: altura relativa (MDS-MDT) e identificación de puntos con h>150cm
AUF_2015_2010_Alt150_1m.tif
AUF_2015_2010_AltRelat_1m.tif


Identificación arbolado
AUF_ARB_1m.tif
AUF_ARB_Buffer2m_1m.tif


Resultado Final
Validación






Conclusiones
- Permite identificar y diferenciar tipos vegetación
- Puede automatizarse mediante pipeline procesamiento
- Falta realizar una validación cuantitativa de resultados (valores de completado, falsos negativos...)
¡Muchas gracias!
Geomática y Sostenibilidad. Detección automática de vegetación en áreas urbanas: caso estudio Ferrol
By darango
Geomática y Sostenibilidad. Detección automática de vegetación en áreas urbanas: caso estudio Ferrol
Uso de teledetección para determinar áreas verdes en zonas urbanas - Caso estudio Ferrol
- 851