Artículos

 

Mapeo del arbolado urbano con lidar aéreo

 

Urban tree mapping with aerial lidar

 

Fabiola Doracely Yépez Rincón¹ y Diego Fabián Lozano García²

 

¹ Instituto Tecnológico y de Estudios Superiores de Monterrey, Campus Monterrey, Ciencias de Ingeniería, Sistemas Ambientales y Energía. Correo-e:fabiola.yepez@gmail.com

² Instituto Tecnológico y de Estudios Superiores de Monterrey, Campus Monterrey, Centro de Calidad Ambiental, Laboratorio de Sistemas de Información Georreferenciada.

 

Fecha de recepción: 1 de julio de 2013;
Fecha de aceptación: 15 de abril de 2014.

 

Resumen

Los recientes avances en las tecnologías de sensores remotos han hecho posible que algunas características físicas de la vegetación sean estimadas con mayor rapidez y permiten distinguir las especies del arbolado urbano y analizar su distribución en el espacio y tiempo, lo cual resulta en mejoras notables de precisión cartográfica. En el presente trabajo se utilizaron datos de LIDAR aéreo para estimar la altura y el diámetro de copa de árboles individuales en un área urbana al sur de Monterrey a fin de diseñar un método eficiente para cartografiar el arbolado de las ciudades. Se usaron dos técnicas de extracción: 1) diseño de filtros semiautomatizados para los puntos asociados a la vegetación y 2) uso de líneas de contorno sobre un modelo digital de superficie. Los resultados se verificaron con la información de campo que se obtuvo durante el mismo periodo mediante el empleo de métodos tradicionales de medición forestal, lo que se realizó en 57.80 ha y se contabilizaron 2 575 árboles. El mapeo de las copas fue eficaz para 74.7 % de los individuos y se registró 6.4 % de error de medición en el geoposicionamiento e inventario. Se observó una eficacia similar entre el muestreo en campo y la nube de puntos de LIDAR aéreo (xy=0.70m; z=0.10 m), de acuerdo con el análisis de regresión lineal de alturas (R²= 0.885) y del ancho de copa (R²= 0.902). Las mejores estimaciones fueron en Quercus shumardii (95 %) y Quercus vaseyana (94 %).

Palabras clave: Cartografía, dendrometría, gestión urbana, LIDAR, modelos digitales, sensores remotos.

 

Abstract

Recent advances in remote sensing technologies enable rapid estimation of some physical characteristics of the vegetation, as well as to distinguish species of urban trees and analyze spatiotemporal distribution, which results in significant improvements in mapping accuracy. By using aerial LIDAR data, height and crown diameter of individual trees were estimated in an urban area south of Monterrey, Mexico in order to design an efficient mapping methodology for urban trees. 1) semi-automathized design filters for extracting points associated vegetation and 2) use of contour lines on a digital surface model, two extraction techniques were used. The results were verified with field data obtained during the same period belonging to the Arboretum project Tecnológico de Estudios Superiores de Monterrey, and obtained with traditional methods of forest measuring 57.80 hectares with 2 575 trees reported. Canopy mapping was efficient for the 74.7 % of individuals despite registering a 6.4 % measurement error in geoposition and inventory measurements according to the comparison of the position and crown width LIDAR data versus 2010 inventory. Results showed similar efficacy between field sampling at the point cloud and aerial LIDAR (x = 0.70 m, z = 0.10 m) according to linear regression analysis of height (R2= 0.885) and crown width (R2= 0.902). The best estimates were for Quercus shumardii (95 %) and Quercus vaseyana (94 %).

Key words: Cartography, dendrometry, urban management, LIDAR, digital models, remote sensing.

 

Introducción

La vegetación urbana desempeña funciones fundamentales en la calidad de vida de los habitantes de las ciudades (Zhangab et al., 2010; Rivera, 2012); por ello su manejo, conservación, gestión además de la reforestación representan un gran reto para las metrópolis que desean mejorar el medio ambiente y el entorno ecológico (Bradley, 1989; Moll y Ebenreck, 1989) y es un recurso clave para obtener beneficios locales y globales (Linn, 1983).

Una correcta gestión de las áreas verdes que involucre al arbolado urbano requiere de cartografía detallada para lograr identificar parámetros a nivel individual. Este grado de información generalmente se crea a través de la fotointerpretación de fotografías aéreas o por medio de inventarios de campo, lo que resulta en un alto consumo de tiempo y requiere de personal capacitado y con poca rotación para evitar errores (Renaud et al., 2007).

El sistema LIDAR (Light Detection and Ranging) es una herramienta tecnológica para crear información 3D con utilidad y eficacia demostrada (Benhamu y Doytsher, 2003; Kauffman y Steudler, 1998; Larsson, 1991; Stoler, 2000; Stoler y Salzmann, 2003), para caracterizar la superficie y cobertura del suelo (Bergen et al., 2009) y resolver mediciones forestales (Lefsky, 1997; Parker, 1995). Avances recientes han demostrado que con LIDAR se puede conocer la distribución espacio-temporal de las distintas especies de árboles urbanos según Small (2001) y estimar las características físicas de la vegetación (Tookea et al., 2009). Entre los estudios sobre estimación de la altura de los árboles individuales con LIDAR destacan los realizados por Kwak et al. (2007), Magnussen et al. (1999) y Naesst (1997); mientras que estudios enfocados a la extracción de datos para calcular el dosel del género Quercus han sido registrados por Jones et al. (2011).

Como parte de su política ambiental para impulsar el desarrollo sostenible, el Instituto Tecnológico de Estudios Superiores Monterrey (ITESM) generó el proyecto "Arboretum" en 2003, como un propósito de sostenibilidad para la gestión del arbolado y que se basa en un Sistema de Información Geográfica (SIG) con el inventario de los árboles del Campus Monterrey; en él se espera integrar la información que se genere con los datos LIDAR. En la actualidad, el Campus tiene un área total de 57.80 ha, de las cuales 39.31 % corresponde a los jardines que conforman el área verde, que en 65.76 % están cubiertas por las copas de los árboles, cuyas dimensiones varían de 0.80 a 26.20 m en diámetros y alturas de 1.03 a 25.60 m. El arbolado se compone de 19 especies nativas (959 árboles) y 39 introducidas (1 616 árboles), que en conjunto propician un paisaje agradable en el lugar, contribuye a la captura de bióxido de carbono, y brinda un hábitat a diversas especies silvestres de la región que han quedado confinadas a los pocos y reducidos espacios verdes de la metrópoli. Las especies forestales más frecuentes en el campus son el fresno (Fraxinus americana L.) y el encino siempre verde (Quercus fusiformis Small).

El objetivo general de este trabajo fue estimar la altura y el tamaño de la copa en un arbolado urbano con datos LIDAR de mediana resolución (0.70 m) a partir de filtros basados en tres variables generadas. Los objetivos específicos consistieron en: identificar variables e intervalos de valores de los datos LIDAR que permitan agrupar umbrales para la segmentación de la nube de puntos en clases; generar filtros que favorezcan la segmentación de la nube de puntos en vegetación arbórea, edificios, suelo, pavimentos e infraestructura; elaborar una capa de información con la ubicación de los árboles individuales mediante el cálculo del valor de la altura y copas individuales de los árboles; y finalmente, comparar los resultados obtenidos con los datos LIDAR con mediciones de campo, para estimar la precisión del uso de la herramienta.

 

Materiales y Métodos

Área de estudio

El polígono graficado en la Figura 1 corresponde al ITESM Campus Monterrey e incluye las áreas deportivas y el estadio Tecnológico.

 
Figura 1. Localización del área de estudio.
Haga clic para agrandar

Datos del inventario forestal

El inventario se ha actualizado mediante la toma de datos en campo en 2006, 2009 y 2010; la información que se utilizó corresponde al último año y se obtuvo entre noviembre de 2010 y febrero de 2011 por dos brigadas de campo. Para cada árbol se consideraron las siguientes variables: altura, diámetro a la altura del pecho (DAP), diámetro de copa del árbol, factor de riesgo, cavidades en el tronco, declinación del árbol y fenología. Para las mediciones se utilizó un hipsómetro Vertex IV y un LaserAce 2D/3D; para el DAP una cinta diamétrica (Forestry Suppliers) y para el diámetro de copa, densiómetro GRS (Geografic Resource Solutions) y una cinta Lufkin 1850MM de 50 metros de longitud (diámetro norte-sur y este-oeste).

En comparación con los inventarios realizados en la ciudad de Monterrey, el campus cuenta con 70 % de las especies registradas por Reséndiz (2003), las cuales corresponden a 29 familias, 13 nativas y 16 introducidas, con 16 y 34 géneros respectivamente. La altura promedio de las nativas fue de 8.84 ± 2.99 m y la máxima de 19.20 m (un ejemplar de la familia Platanaceae, Platanus mexicana Moric); el diámetro de copa promedio fue de 7.40 ± 3.10 m y el máximo, de 20.20 m para la familia Fabaceae (Acacia farnesiana L. Willd.). Las introducidas tuvieron una altura promedio de 9.69 ± 3.83m, la altura máxima correspondió a la especie Junglans nigra L. de la familia Junglandaceae, con 25.60 m de altura, el diámetro de copa promedio fue 9.03 ± 4.74 m y la copa más grande correspondió a Fraxinus americana L., de la familia Oleaceae, con 26.20 m de diámetro.

Datos LIDAR 2010

La nube de puntos que se utilizó fue obtenida a partir de un vuelo de diciembre del 2010, en el cual se empleó un ALS50 Airborne Laser Scanner Phase 2+ de Leica, a resolución 0.70m (xy) y precisión vertical, de acuerdo al RMSE, de 0.10m (z).

Se incluyó la altitud (E) del terreno (msnm), la intensidad (I), que es el grado de reflectividad de los objetos en función de la longitud de onda utilizada por el LIDAR (0 a 255) y el número de retornos (R), 4 en total (Figura 2). La nube de puntos dentro del polígono fue extraída para analizar los datos en tiles (secciones) de 100 x 100 m.

Figura 2. Nube de puntos que incluye la altitud, la intensidad y los retornos.
Haga clic para agrandar

Filtrado y Clasificación

La extracción de los datos de árboles de la nube de puntos LIDAR consistió en: a) filtrado, b) construcción de las medidas de altura y c) definición del tamaño de la copa (Figura 3). Se elaboró un filtro con los algoritmos disponibles en el programa MARS que en un procedimiento semiautomático fue complementado con trabajo manual para solventar algunos errores.

Figura 3. Esquema del modelo para extracción de copas por árbol.
Haga clic para agrandar

El diseño del filtro se basó en una combinación de intervalos de altitud, de acuerdo con la fórmula propuesta por Meng et al. (2010), cuyas categorías son: (i) el suelo desnudo, (ii) los objetos sobre el suelo y (iii) el ruido.

 

 

La representación matemática de la superficie terrestre es la más simple y se describe con la ecuación siguiente, propuesta por Cayley (1876) y modificada por Hengl y Reuter (2008):

 

Extracción de datos por individuo

La nube de puntos clasificada permite extraer información de los puntos correspondientes al arbolado, pero las mediciones no son automáticas; para ello los datos se exportaron en formato ESRI- Ascii GRID, con un tamaño de celda de 0.5 m (Figura 3). El modelo digital del terreno (DTM) se construyó con las clases de suelo y pavimento, y la correspondiente a los edificios y vegetación se exportó en el mismo formato para obtener el modelo digital de superficie (DSM).

El valor de DSM se sustrajo celda por celda desde el DTM, y se generó el modelo digital de alturas (DHM). Este procedimiento se aplicó también para la nube de puntos, con la clase de vegetación y altura de celda de 0.5 cm; así se formaron las líneas de contorno de la copa de los árboles de manera directa y se obtuvo una capa de información (shape) que se refiere al modelo digital del dosel (CDM) para conocer las medidas del dosel por individuo. Se tomaron la altura y el ancho de copa mayor de cada uno de los 260 ejemplares muestreados. Se realizó un análisis de regresión lineal con base en los resultados inventariados con técnicas de campo.

Mediciones en gabinete. Se seleccionaron 261 árboles (10 % del total) del Arboretum para validar los resultados del análisis de datos LIDAR. Las medidas fueron tomadas con MARS y se integraron a la base de datos del Inventario, para lo cual se agregaron dos nuevas columnas con las alturas (ALT10 _ LIDAR y COP10 _ LIDAR); las altitudes y el ancho de copa seeditaron con ArcGIS 9.3. (ESRI, 2003).

Error. Se consideró un margen de error de 0.70 para el ancho de copa y de 0.10 m para la altura, dada la resolución debido a la precisión de los datos LIDAR. Los errores en el filtrado de datos fueron ajustados de forma manual con las herramientas de MARS en 3D, como la Herramienta de Línea Ajustable de Perfil (Adjustable Profile Line Tool) que permitió valorar algunos elementos que generaron ruido en las líneas de contorno, un ejemplo de ello son los coches dentro de los estacionamientos.

 

Resultados

En el mapa de clasificación (Figura 4) se incluyeron las distintas clases filtradas: la 1 representa edificios que se clasifican en distintos tipos, en función de su densidad (color guinda); la 2 comprende la vegetación (color verde) y su tono depende de la intensidad, y la 3 corresponde a los suelos (color beige-café). La extracción de datos por clase facilitó visualizar las copas de los árboles (Figura 4).

Figura 4. Datos clasificados en distintas clases y acercamiento con nube de puntos.
Haga clic para agrandar

Con un acercamiento a la zona de estudio es posible observar cada árbol (Figura 5). El filtrado permitió localizar geográficamente al 97.6 % de los individuos para su comparación con los datos registrados por el Arboretum; hubo casos en los que las líneas de contorno de las copas no se cerraron, lo cual redujo la eficiencia a 74.7 %; se validó hasta 99 % de los datos durante el manejo de la nube de puntos, aunque cerca de 6.4 % de ellos presentaron errores mayores y se requirió un re -muestreo en ejemplares adultos. Los datos corroborados arrojaron una reducción del error de 2.3 %.

Figura 5. Modelo digital del arbolado (DAM) en metros (información del Arboretum)- parte superior; y
clasificación en red irregular triangulada (Triangulated Irregular Network, TIN) con las curvas de
nivel del dosel (Canopy Contour Lines, CCL) de los árboles muestreados –parte inferior.
Haga clic para agrandar

Los errores específicos de filtrado promovieron que algunos elementos (como los automóviles) generaran ruido al trazar las líneas de contorno, en las figuras 6 y 7) se presentan los retornos de los árboles (verde) y de los automóviles (blanco), también hubo objetos con forma redonda (como antenas parabólicas) que generaron errores en las líneas de contorno debido a una confusión con los valores determinados para el filtrado de los individuos arbóreos como altura promedio y ancho de copa (Figura 7).

Figura 6. Ejemplo de retornos de árboles y automóviles y su confusión al crear las líneas de contorno.
Haga clic para agrandar

Figura 7. Los automóviles y las antenas parabólicas representaron elementos de ruido para generar las clases y las líneas de contorno.
Haga clic para agrandar

Hubo errores asociados al nivel de precisión entre el posicionamiento geográfico del inventario y los centroides obtenidos con las copas de los árboles de los datos LIDAR. Se compararon los errores por intervalo (de 1 m hasta los 5 m) entre el punto registrado para el árbol en la base de datos del Arboretum y el generado por líneas de contorno con errores corregidos (Figura 8).

Figura 8. Intervalo de error en el geoposicionamiento del inventario por individuo.
Haga clic para agrandar

En la Figura 9 se muestran los resultados finales de las copas y de líneas de contorno. Se pueden distinguir las diferentes familias que componen el inventario, las áreas verdes, los estacionamientos y los edificios dentro de los límites del Campus.

Figura 9. Ubicación de los árboles individuales (por familias) en el Campus Monterrey y áreas de
copa (líneas de contorno) generadas con los datos LIDAR aéreo.
Haga clic para agrandar

Las mediciones realizadas en campo y las obtenidas con los datos LIDAR fueron analizadas y comparadas mediante regresión lineal, para lo cual se consideraron las alturas y el diámetro de copa por individuo. Respecto a las dos alturas, la línea resultante mostró correlación de 88 % entre ellas y en el caso de la copa hubo correlación de 92 % (Figura 10). Se obtuvo la relación entre altura y diámetro de copa por especie en el género Quercus (Figura 11) y para Fraxinus y otras especies (Figura 12).

Figura 10. Relación entre la altura y el diámetro de copa para la muestra del inventario.
Haga clic para agrandar

Figura 11. Relación entre los datos de campo y las mediciones con LIDAR aéreo para especies del género
Quercus (cada estrella representa un individuo).
Haga clic para agrandar

Figura 12. Relación entre los datos de campo y las mediciones con LIDAR aéreo para especies del género Fraxinus y
otros géneros (cada estrella representa un individuo).
Haga clic para agrandar

La altitud, el número de retornos y la intensidad fueron las variables que se utilizaron para construir los filtros semiautomáticos que clasificaron los datos LIDAR; la herramienta de línea ajustable de perfil permitió corregir errores específicos. Las altitudes (msnm) que se identificaron en el área de estudio tuvieron una variación de 527 a 604 m y el promedio fue de 542 m. Se obtuvieron ocho clases para el Campus, que son agua, automóviles, edificios, pastos, pavimentos, suelo desnudo, vegetación arbórea y vegetación arbustiva.

A partir de un modelo de extracción se separaron las medidas del arbolado, por individuo; este consistió en dividir el modelo digital de terreno del modelo digital de superficie y sustraer la información del resto de las clases para generar un modelo digital de dosel y uno de alturas.

Los errores por tipo de metodología variaron de 3.2 a 7.3 % y en el caso de los datos obtenidos del filtrado LIDAR el error fue de 3 %, que se puede atribuir a la resolución de la información y al nivel cartográfico pretendido.

Hubo una diferencia de 5 % entre las estimaciones efectuadas con LIDAR y las del Arboretum, lo que pudo originarse a partir de los valores métricos del árbol o de la actualización de árboles removidos, ya que de un total de 2 613 individuos registrados en el inventario de 2010 se eliminaron 38 por distintas razones y, al menos, la mitad no estaban actualizados.

Los errores por morfología indican que las alturas de los ejemplares de especies introducidas son más precisas (7 %) que las de las nativas, lo que puede justificarse porque la densidad del follaje por especie (o su pérdida) depende de la estación del año (fecha de muestreo). La familia Fagaceae tuvo la mayor coincidencia, tanto en altura como en el de diámetro de copa, fue la más observada y mostró una correlación superior a 95 % en ambas bases de datos; la segunda fue Oleaceae y Fraxinus fue el género con mayor presencia. El género más representativo en el Arboretum fue Quercus, que se caracterizó por presentar líneas de contorno circulares y estratos conspicuos, lo que facilitó su identificación. Entre las especies, la relación más elevada en cuanto a las mediciones por altura fue para Q. shumardii Buckley (97.58 %) y Q. vaseyana Buckley (95.3 %) y por diámetro de copa para Q. polymorpha Schltdl. et Cham. (95.60 %) y Q. vaseyana (96.53 %) (Figura 11). Fraxinus americana tuvo los especímenes más grandes y es el segundo género con mejor relación al comparar las bases de datos con una R²= 0.898 para las alturas y R²= 0.875 para las copas (Figura 12).

 

Conclusiones

Los datos LIDAR procesados constituyen una herramienta eficaz para evaluar las medidas de diámetro de copa y alturas para 97 % de los árboles; las variables consideradas fueron útiles para clasificar distintos elementos de la superficie; el número de retornos (específicamente el Single return) representó el valor más adecuado para filtrar las copas en el Campus y la altitud fue crucial para las líneas de contorno.

Aunque la generación de modelos de elevación digital y la formación de las líneas de contorno ayudaron al mapeo de copas de árboles quedan aún pendientes las tareas de incorporar otro tipo de datos para la identificación de especies y para el cálculo de volumen; haciéndose evidente que la información funcionó para árboles con anchos de copa mayores a los 2 m por lo que no funcionaría para algunas especies urbanas con menor altura.

La incorporación de una evaluación estadística que permita relacionar la forma geométrica de los segmentos y la especie podría ayudar a concluir por especie, pues se observa una tendencia a su diferenciación en las formas del género Quercus.

La fusión con otros datos de percepción remota como las imágenes multiespectrales de alta resolución podría ayudar a inventariar los individuos por especie, y el uso de LIDAR terrestre puede auxiliar en el levantamiento de troncos y ramas, para el cálculo de volumen y captura de carbono por especie.

 

Agradecimientos

A la planta física del ITESM Campus Monterrey y al grupo de trabajo del Dr. Mario Manzano.

 

Referencias

Benhamu, M. and Y. Doytsher. 2003. Toward a multispace 3D cadastre in Israel. Computers, Environment and Urban Systems 27: 359-374.         [ Links ]

Bergen, K. M., S. J. Goetz, R. O. Dubayah, G. M. Henebry, C. T. Hunsaker, M. L. Imhogff, R. F. Nelson, G. G. Parker and V.C. Radeloff. 2009. Remote sensing of vegetation 3-D structure for biodiversity and habitat: Review and implications for LIDAR and RADAR spaceborne missions. Journal of Geophysical Research 114(2): 1-13.         [ Links ]

Bradley, G. A. 1984. Land use and forest resources in a changing environment: the urban/forest interface. University of Washington Press. Seattle, WA, USA. 222 p.         [ Links ]

Enviromental Systems Research Institute (ESRI). 2003. ArcGIS 9.3. Redlands, CA, USA. s/p.         [ Links ]

Hengl, T. and H. I. Reuter. 2008. Geomorphometry: Concepts, software and applications. Developments in Soil Science. Ed. Elsevier. Buadapest, Hungary. Vol. 33. 772 p.         [ Links ]

Jones, T. G., N. C. Coops and T. Sharma. 2011. Exploring the Utility of Hyperspectral Imagery and LIDAR Data for Predicting Quercus garryana Ecosystem Distribution and Aiding in Habitat Restoration. Restoration Ecology 19(201): 245-256.         [ Links ]

Kauffman, J. and D. Steudler. 1998. Cadastre 2014. A vision for a Future Cadastral System. Rüdlingen, Bern, Switzerland. 38 p.         [ Links ]

Kwak, D. A., W. K. Lee, J. H. Lee, G. S. Biging and P. Gong. 2007. Detection of individual trees and estimation of tree height using LIDAR data. Journal of Forest Research 12:425-434.         [ Links ]

Larsson, G. 1991. Land Registration and Cadastral Systems: tools for Land Information Management. Longman Scientific and Technical. Harlow, Essex, England. 175 p.         [ Links ]

Lefsky, M. 1997. Application of lidar remote sensing to the estimation of forest canopy and stand structure. PhD Thesis. Deparment of Environmental Science. University of Virginia. Charlotteville, VA, USA. 185p.         [ Links ]

Linn, J. 1983. Cities in the Developing World: Policies for Their Equitable and Efficient Growth. Oxford University Press. New York, NY, USA. 230p.         [ Links ]

Magnussen, S., P. Eggemon and V. N. LaRiccia. 1999. Recovering tree heights from airborne laser scanner data. Journal of Forest Science 45: 407-422.         [ Links ]

Meng, X., N. Currit and K. Zhao. 2010. Ground filtering algorithms for airborne LIDAR data. Photogrammetric Engineering and Remote Sensing 75: 427-442.         [ Links ]

Moll, G. and S. Ebenreck. 1989. Shading our cities: A resource guide for urban and community forests. Island Press. Washington, DC, USA. 333p.         [ Links ]

Naesst, E. 1997. Estimating timber volume of forest stands using airborne laser scanner data. Remote Sensing of Environment 61:246-253.         [ Links ]

Parker, G. 1995. Structure and microclimate of forest canopies. In: Nadkarni, M. L. (eds.). Forest canopies: a review of research on a biological frontier. Academic Press. San Diego, CA, USA. 73-106p.         [ Links ]

Renaud M. R., J. Aryal and A. K. Chong. 2007. Object-Based Classification of Ikonos Imagery for Mapping Large-Scale Vegetation Communities in Urban Areas. Sensors 7: 2860-2880.         [ Links ]

Small, C. 2001. Estimation of urban vegetation abundance by spectral mixture analysis. International Journal of Remote Sensing 22:1305-1334.         [ Links ]

Stoler, J. 2000. Needs, possibilities and constraints to develop a 3D cadastral registration system. Proceedings 22nd Urban Data Management Symposium ‘Urban and Rural Data Management Common Problems—Common Solutions. Delft, The Netherlands. pp. 43-58.         [ Links ]

Stoler, J. E. and M. A. Salzmann. 2003. Towards a 3D cadastre: where do cadastral needs and technical possibilities meet? Computers, Environment and Urban Systems 27: 394-410.         [ Links ]

Tookea, T. R., N. C. Coopsa, N. R. Goodwina and J. A. Voogtb. 2009. Extracting urban vegetation characteristics using spectral mixture analysis and decision tree classifications. Remote Sensing of Environment 113 (2): 398-407.         [ Links ]

Zhangab, X., X. Fengb and H. Jiangac. 2010. Object-oriented method for urban vegetation mapping using IKONOS imagery. International Journal of Remote Sensing 31: 177-196.         [ Links ]