Detección automática de vegetación en entornos urbanos
Caso Estudio: área urbana de Ferrol
Estructura:
- Objetivo
- Estado del arte
- Materiales
- Metodología
- Resultados
- Comprobación resultados
- Falta por hacer...
- Problemas encontrados
1 - Objetivo
- Identificar áreas de vegetación en entornos urbanos
-
Diferenciar tipos de vegetación en las áreas urbanas de las 7 ciudades gallegas:
- Vegetación baja: césped, prado...
- Vegetación de porte alto: árboles
2 - Estado del arte
- Infraestructura verde a nivel municipal (Barcelona, 2016)
- Haboudane et al 2004 - ¿¿¿¿SARVI???
- ????
3 - Materiales
-
Imágenes Pléiades
- Resolución espacial = 50 cm
- Resolución espectral = R-G-B-NIR
-
Datos LiDAR 2009-2010 clasificados
- Resolución espacial = 0.5 ptos/m2
-
Datos LiDAR 2015-2016 sin clasificar
- Resolución espacial = 0.5 ptos/m2
3 - Materiales: Imágenes Pleiades
Escenas multibanda de 2014: 8d43, 42eb, 169f, c0e8 con formato Unsigned Integer 16 bits

3- Materiales: Imágenes Pleiades

3 - Materiales: Datos LiDAR - especificaciones
- 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
3 - Materiales: Datos LiDAR 2015 sin clasificar
PNOA_2015_GAL-W_546-4802_ORT-000-CIR.las
PNOA_2015_GAL_W_546-4802_ORT-000-COL.las

3 - Materiales: Datos LiDAR 2015 sin clasificar

PNOA 2015 546_4802_CIR_432
4 - Metodología
4 - Metodología I: tratamiento previo 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
4 - Metodología I: tratamiento previo de imágenes Pleiades
- Cálculo del NDVI empleando bandas 3 y 4 Pleiades



Rouse et al 1974
4 - Metodología II. Tratamiento previo de datos LiDAR
- Descomprimir *.laz a *.las mediante lastools
- Creación de las dataset (ArcGIS)
4 - Metodología II. Tratamiento previo de datos LiDAR

AUF_lasDataset
4 - Metodología III. Clasificación mediante Random Forest
explicar el procedimiento de tratamiento de los datos lidar:
4 - Metodología IV. Modelo cartográfico

5 - Resultados
5 - Resultados Intermedios. Imágenes Pleiades

NDVI
5 - Resultados Intermedios. Imágenes Pleiades

NDVI
5 - Resultados Intermedios.
Datos LiDAR

AUF_2015_432_1m.tif
5 - Resultados Intermedios.
Datos LiDAR
AUF_NDVI_1m.tif


AUF_NDVI_vex_1m.tif
Cálculo NDVI e identificación de vegetación
5 - Resultados Intermedios.
Datos LiDAR
AUF_2015_AltTotal_1m.tif


AUF_2015_AltGround_1m.tif
Cálculo Alturas (MDS-MDT)
5 - Resultados Intermedios.
Datos LiDAR
AUF_2015_2010_Alt150_1m.tif
AUF_2015_2010_AltRelat_1m.tif


Cálculo alturas > 150cm
5 - Resultados Intermedios.
Datos LiDAR
AUF_ARB_1m.tif
AUF_ARB_Buffer2m_1m.tif


5 - Resultados finales (vegetación baja / alta)
A Coruña
6. Comprobación resultados
- Inventario arbolado Coruña, Ferrol???
- Digitalización sobre cuadrículas aleatorias
- ???
7. Falta por hacer
- ¿Fusionar vegetación baja y alta en una misma capa?
- Excluir edificios
- Pasar arbolado a calles
- ...

8 - Problemas encontrados y más...


Uso de datos LiDAR PNOA SIN CLASIFICAR, con datos RGB+NIR
valores procedentes del archivo *.col
valores procedentes del archivo *.cir


Uso de datos LiDAR PNOA SIN CLASIFICAR, con datos RGB+NIR
valores procedentes del archivo *.col
valores procedentes del archivo *.cir
Problema: no conocemos datos de longitud de onda de los valores CIR y por tanto no sabemos qué banda emplear para calcular SARVI, ya que no aparece información relacionada en los metadatos
Resultados (sólo imágenes)

Resultados (sólo imágenes)

Resultados (sólo imágenes)

Prueba 1: Uso de datos LiDAR PNOA clasificados (categoria 5: high vegetation)


Problema 1: faltan árboles por identificar y hay falsos positivos (edificios identificados como árboles)
Prueba 1: Uso de datos LiDAR PNOA clasificados (categoria 5: high vegetation)


Problema 2: genera falsos positivos en todos los puentes y diferencias topológicas similares

SARVI
Valores obtenidos (-1.48, 1.49)

Haboudane et al, 2004



Modelo cartográfico
Detección automática de vegetación en áreas urbanas: caso estudio Ferrol
By darango
Detección automática de vegetación en áreas urbanas: caso estudio Ferrol
Uso de teledetección para determinar áreas verdes en zonas urbanas - Caso estudio Ferrol
- 848