Área de estudio

El estudio se realizó en el Sitio de Monitoreo Intensivo de CO₂ (SMIC), ubicado entre las coordenadas 20° 35’ 00”- 20° 38’ 30” N y 98° 34’ 00”- 98° 38’ 00” O, al sureste del municipio de Zacualtipán, Hidalgo, México. El SMIC comprende una superficie de 900 ha; sin embargo, por el alcance del dron de ala fija, el presente estudio se limita a sus 100 ha centrales (Figura 1). Esta región es rica en humedad, su precipitación media anual oscila entre 700 mm y 2 050 mm y es común encontrar días nublados a lo largo del año. Si bien, la estación de lluvia se presenta de junio a octubre, el invierno tiene una humedad elevada como resultado de los frentes fríos procedentes del norte, por lo que el clima de la región es clasificado como templado húmedo (C(fm)w”b(e)g) (^{Ortiz-Reyes et al., 2015}).

El manejo del SMIC se enfoca en la producción de madera mediante silvicultura coetánea, por lo que se organiza en rodales de edades que van desde los cuatro hasta los 88 años. Las especies arbóreas dominantes son Pinus patula Schl. et Cham., Quercus crassifolia Humb. & Bonpl., Q. affinis Scheidw., Q. laurina Bonpl., Q. sartori Liebm., Q. excelsa Liebm., Q. xalapensis Bonpl., Clethra mexicana DC., Cornus discifloral DC., Viburnum spp., Cleyera theaoides (Sw.) Choisy, Arbutus xalapensis Kunth, Prunus serotina Kunth y Vaccinium leucanthum Schltdl. (^{Chávez-Aguilar et al., 2023}).

Figura 1 Ubicación geográfica del área de estudio en el municipio de Zacualtipán, Hidalgo, México. Se muestra la organización del bosque en rodales. 

Adquisición de imágenes

Se tomaron 2 752 imágenes con un dron de ala fija modelo senseFly eBee X® equipado con un sensor multiespectral Parrot Sequoia® que dispone de cuatro canales monocromos de 12 megapíxeles, cada uno de los cuales corresponde a las bandas siguientes: verde, con una longitud de onda central (CW) de 550 nm y ancho de banda (BW) de 40 nm; rojo, con CW de 660 y BW de 40 nm; borde del rojo, con CW de 735 nm y BW de 40 nm; e infrarrojo cercano (NIR), con CW de 790 nm y BW de 40 nm.

El plan de vuelo autónomo para la toma de imágenes se diseñó en el software eMotion® (^{senseFly, 2018}) con una altura de vuelo de 125 m sobre el suelo y solapamientos de 75 % entre imágenes y 65 % entre líneas de vuelo. El vuelo se realizó entre las 11:00 a. m. y las 12:00 p. m. con cielo despejado y velocidad del viento inferior a 8 m·s^-1. Antes del despegue del dron y al aterrizar, se configuró el panel de calibración Sequoia® (AIRINOV) para el registro de las condiciones lumínicas utilizadas en la calibración radiométrica y las correcciones de reflectancia de las bandas de la cámara Sequoia (^{Franzini et al., 2019}). La posición geográfica de las fotografías aéreas se rectificó con el sistema global de navegación por satélite V90 PLUS RTK (Real Time Kinematics).

Procesamiento de las fotografías

Las 2 752 imágenes se procesaron con el software Pix4Dmapper® versión 4.1 (^{Pix4D, S. A., 2017}). La desviación media de la geolocalización de las imágenes fue de 15 cm en longitud, 14 cm en latitud y 18 cm en altitud. Inicialmente, se obtuvieron ortomosaicos de las bandas monocromáticas verde, roja, de borde rojo e infrarrojo cercano con una resolución espacial de 0.16 m por píxel en un área boscosa de 100 ha. Posteriormente, cada imagen se remuestreó con la herramienta QGIS (^{Quantum GIS Team Development, 2021}) para obtener capas de información con resoluciones espaciales de 0.2 a 2.5 m a intervalos de 0.1 m.

Datos reales: campos de entrenamiento

En los rodales del bosque se hicieron recorridos asistidos por el ortomosaico generado a partir de fotografías digitales RGB (Red-Green-Blue, por sus siglas en inglés). Esto permitió la identificación de seis clases de cobertura vegetal: pinos, encinos, otras latifoliadas, herbáceas, suelo desnudo y otras (principalmente zonas de sombra que pueden pertenecer a cualquier otra clase). Se generaron campos de entrenamiento mediante la digitalización de polígonos para cada clase de cobertura, distribuidos en los estadios de desarrollo (edad) de la masa forestal: 100 para pinos, 40 para encinos, 40 para otras latifoliadas, 40 para herbáceas, 40 para suelo desnudo y 50 para otros. Por último, mediante la herramienta de clasificación semiautomatizada de QGIS, se determinaron las firmas espectrales de cada clase para asegurar la separabilidad entre ellas (Figura 2). Las firmas espectrales de los encinos y otras latifoliadas fueron muy similares y pudieron agruparse en una sola clase; sin embargo, se evaluaron por separado, ya que los encinos son especies maderables de interés comercial en la región de estudio.

Figura 2 Reflectancia de los tipos de cobertura terrestre en longitudes de onda. Imágenes obtenidas por el sensor Sequoia® montado en un dron de ala fija en el Sitio de Monitoreo Intensivo de CO₂ en Zacualtipán, Hidalgo. 

Clasificación de imágenes

El algoritmo de aprendizaje automático de clasificación y regresión Random Forest, desarrollado por ^{Breiman (2001)}, se utilizó para la clasificar la vegetación a nivel macroescala (^{Mellor et al., 2013}). El algoritmo genera y combina árboles predictivos, caracterizados por su capacidad para la selección de vectores aleatorios de la muestra con distribuciones iguales. Cada árbol se entrena con una muestra aleatoria extraída de los datos de entrenamiento originales, usando la media de cada remuestreo con reemplazo (^{Medina-Merino & Ñique-Chacón, 2017}). En el presente estudio se utilizaron 100 árboles predictivos.

El algoritmo se entrenó tomando aleatoriamente 50 % de los 319 campos de entrenamiento identificados para la clasificación; el restante (50 %) se utilizó para evaluar el rendimiento del clasificador mediante una validación cruzada de k iteraciones (k-fold validación-cruzada). Este método divide los datos totales en k subconjuntos, de forma que el modelo utiliza un subconjunto diferente cada vez para validarlo k-1 (^{Zhong et al., 2020}). En el presente estudio se utilizó k = 10. El mismo proceso de clasificación se utilizó para cada ortomosaico de resolución espacial diferente, en la librería ‘randomForest’ del software de código abierto R® (^{R Development Core Team, 2021}).

Para cada clasificación se estimó la precisión y el índice kappa utilizando matrices de confusión (^{Congalton & Green, 2008}). La precisión se obtuvo dividiendo el número de píxeles identificados correctamente para una clase de vegetación por el número total de píxeles que el modelo predijo para la misma clase (^{Abraira, 2001}). El índice kappa (ƙ) es la relación entre la proporción de veces en que los calificadores están de acuerdo y la proporción máxima de veces en que los calificadores podrían estar de acuerdo, que a su vez se corrigen para que haya concordancia con las probabilidades (^{Abraira, 2001}): ƙ=Po-Pe1-Pe; donde, P _o es la proporción de acuerdos observados y P _e es la proporción de acuerdos esperados.

A través de la matriz de confusión se estimó la precisión del productor y del usuario con sus respectivos errores de omisión y comisión para cada clase de cobertura. El error de omisión corresponde a los píxeles de una clase de cobertura que no fueron clasificados de esta forma, mientras que el error de comisión corresponde a los píxeles clasificados como una clase de cobertura a la que no pertenecen (^{Sánchez-Muñoz, 2016}).

El efecto de la resolución espacial de las imágenes en la clasificación de la cobertura terrestre se evaluó mediante una comparación múltiple de medias, utilizando la resolución espacial como variable independiente y la precisión y ƙ como variables dependientes. Esta comparación se realizó mediante la prueba no paramétrica de Kruskal-Wallis seguida de una comparación post-hoc Mann-Whitney-Wilcoxon (p < 0.05), donde la resolución espacial se consideró factor de agrupación. Adicionalmente, se analizó el comportamiento gráfico de los errores de comisión y omisión para las clases de cobertura del suelo. Tanto para la comparación de medias, como para la elaboración de gráficos se utilizó el software libre R®. Finalmente, para cada resolución espacial de imagen, se estimaron las superficies por tipo de cobertura en el área de estudio.

Mapeo de la cubertura del suelo

Se generó un mapa de cobertura del suelo con las imágenes cuya resolución espacial presentaba la mayor precisión e índice kappa, así como los menores errores de omisión y comisión. Para ello, la capa raster resultante del proceso de clasificación de la cobertura terrestre se transformó en una capa de formato vectorial y se añadió información silvícola y dasométrica relevante para el manejo forestal.

Clasificación de la vegetación

La Figura 3 muestra un claro efecto de la resolución espacial de las imágenes sobre la precisión de la clasificación de la cobertura terrestre y el índice kappa; ambos estadísticos de calidad de la clasificación disminuyeron cuando la resolución espacial fue submétrica. A partir de las interacciones definidas en la validación cruzada k-fold, se observó que, en las imágenes de resolución centimétrica, los resultados de clasificación de la cobertura terrestre se distribuyen en un rango menor; por el contrario, en las imágenes con resoluciones mayores de 1 m, el rango de distribución de la precisión y el índice kappa aumentó.

Figura 3 Efecto de la resolución espacial de imágenes multiespectrales tomadas con drones en la clasificación de la cobertura terrestre: precisión e índice kappa. En cada gráfica, letras diferentes indican diferencias estadísticas significativas de acuerdo con la prueba estadística no paramétrica de Mann-Whitney-Wilcoxon (p < 0.05). Los puntos rojos indican valores atípicos. 

La precisión de la clasificación de la cobertura terrestre con todas las resoluciones espaciales fue aceptable, ya que estas fueron superiores a los estándares actuales (>80 % ─ ^{Ahmed et al., 2017}; ^{Díaz-Varela et al., 2018}; ^{Liu et al., 2020}; ^{Xu et al., 2018}). La mayor precisión fue de 96 % con imágenes de 0.2 m de resolución espacial y la más baja fue de 82 % con imágenes de 2.5 m (Figura 3a). En cuanto al índice kappa, los valores más altos de concordancia en las clases de vegetación/coberturas definidas se obtuvieron con imágenes de resolución espacial de 0.2 a 0.7 m por píxel (Figura 3b). El análisis de comparación de medias mostró diferencias significativas (p < 0.001) en la precisión e índice kappa (Figura 3), lo que indica que la resolución espacial de las imágenes multiespectrales influye en la clasificación de la vegetación de los bosques bajo manejo forestal.

De acuerdo con la Figura 4, el efecto de la resolución espacial de la imagen en los errores de omisión y comisión varió a lo largo del intervalo evaluado. Para las imágenes con una resolución espacial de 0.2 a 1.2 m, los errores de omisión y comisión en la clasificación fueron menores y constantes; por el contrario, para las imágenes con una resolución espacial de 1.3 a 2.5 m, los errores fueron mayores y más variables.

Figura 4 Distribución de errores de omisión y comisión en la clasificación de la cobertura terrestre mediante imágenes multiespectrales con diferente resolución espacial, obtenidas con un dron de ala fija. 

En general, la precisión en la clasificación de las clases de vegetación/cobertura del suelo fue alta, entre 77 % y 100 %. Los valores más bajos correspondieron a los encinos y otras especies latifoliadas. Las clases mejor clasificadas fueron suelo desnudo y herbáceas con errores de omisión y comisión más bajos (<1 %; Figura 4).

La confusión más alta se produjo entre las clasificaciones de cobertura de encinos y otras latifoliadas, ya que algunas de las zonas clasificadas como otras latifoliadas pertenecen a encinos. Estos errores son habituales en las clasificaciones detalladas de la vegetación, ya que el follaje de algunos encinos es muy similar al de otras especies de latifoliadas.

Clases de cobertura del suelo

La Figura 5 muestra la fracción de superficie total estimada por el algoritmo Random Forest para cada clase de cobertura vegetal, en función de la resolución espacial de la imagen. Aparentemente, la resolución espacial no tiene efecto sobre la superficie estimada de cada clase de cobertura terrestre. De forma consistente, la mayor cobertura del suelo estimada fue la de pinos, seguida de encinos y otras latifoliadas; sin embargo, la clase de cobertura pinos presentó un valor fraccionario inferior cuando la resolución espacial de las imágenes fue centimétrica, oscilando entre 77 % y 85 %. Los encinos cubrieron entre 1.9 % y 4.0 % de la superficie total analizada, mientras que otras latifoliadas representaron entre 7 % y 12 %. Las clases de cobertura de baja presencia, como el estrato herbáceo y el suelo desnudo, cubrieron una fracción del 0.7 al 3 % y del 0.1 al 1 %, respectivamente; estas coberturas se localizaron principalmente en caminos de extracción y brechas cortafuego. Un inconveniente de las imágenes de alta resolución tomadas por drones es la clara presencia de sombras; en el análisis, estas representaron entre 3.6 % y 6.6 % de la superficie, teniendo sus valores más altos en las imágenes con resolución mayor de 1.5 m.

Figura 5 Fracción del área total (%) por clase de cobertura del suelo terrestre derivada de imágenes multiespectrales de diferentes resoluciones espaciales. Imágenes obtenidas por el sensor Sequoia® montado en un dron de ala fija. 

Las imágenes de alta resolución espacial obtenidas por el sensor Sequoia® detectaron condiciones diferentes y fragmentadas dentro de los rodales y entre rodales de edades distintas. La Figura 6 muestra la clasificación de la cobertura terrestre mejor lograda (0.2 m de resolución espacial por píxel) en términos de precisión, índice kappa y errores más bajos de omisión y comisión. Las condiciones de las zonas cubiertas por pinos, encinos y otras latifoliadas destacan en función de la edad del rodal. En los rodales jóvenes, la cobertura vegetal está dominada por especies de encinos y otras latifoliadas con una población elevada de pinos; sin embargo, al ser árboles jóvenes, cubren solo una superficie pequeña del rodal. Las zonas cubiertas por pinos aumentan a medida que los rodales maduran, cubriendo entre 85 y 90 % de la superficie del rodal cuando los árboles tienen más de 20 años. Por el contrario, la cobertura de especies latifoliadas disminuye a medida que la masa madura, debido principalmente a la aplicación de tratamientos silvícolas.

Figura 6 Variación porcentual de las clases de cobertura del suelo a medida que los rodales maduran bajo un esquema de gestión maderera. Se utilizaron imágenes multiespectrales tomadas con drones de 0.2 m de resolución espacial para obtener estimaciones de la cobertura del suelo. 

La cartografía tradicional representa las condiciones de los rodales como una sola clase de vegetación, mientras que las imágenes de alta resolución diferencian la composición de la vegetación en varios tipos de cobertura (Figura 7). La fina resolución espacial de las imágenes desempeñó un papel importante en la detección de coberturas herbáceas y de suelo desnudo, ya que estas no se detectaron cuando se utilizaron imágenes con una resolución espacial de 2.5 m por píxel; además, en los rodales jóvenes, la presencia de sombra (otras clases) fue menor que en las zonas con árboles altos.

Figura 7 Mapa de cobertura del suelo/vegetación de un bosque templado bajo manejo forestal (área de estudio), a partir de imágenes multiespectrales de 0.2 m de resolución espacial obtenidas con un dron de ala fija. La etiqueta numérica representa la edad del rodal en años. 

Clasificación de vegetación

El dron de ala fija equipado con el sensor multiespectral Sequoia® generó información detallada sobre la vegetación forestal. Mediante el uso combinado de imágenes de alta resolución espacial y el algoritmo de clasificación supervisada Random Forest se identificaron cuatro clases de vegetación, áreas de suelo desnudo y de sombras. La predicción de la cobertura del suelo estuvo acorde con lo esperado en un bosque gestionado con arbolado de edad uniforme dentro de los rodales y se captaron las diferencias de vegetación debidas a la etapa de desarrollo del rodal (edad). Aunque el área estudiada fue relativamente pequeña (100 ha) en comparación con el alcance de las imágenes de satélite, las resoluciones espaciales a nivel centimétrico obtenidas con el dron proporcionaron detalle suficiente para la zonificación adecuada del bosque, información base para la planificación y operación del manejo forestal. En México, 92.4 % de los predios forestales que solicitaron autorización al gobierno para aprovechamiento forestal maderable en 2019 tuvieron superficie menor de 300 ha (^{Torres-Rojo et al., 2022}), lo que enfatiza el potencial práctico del uso de imágenes de alta resolución espacial tomadas con dron.

Los resultados muestran claramente la ventaja del uso de imágenes de alta resolución espacial (<2.5 m) para cartografiar zonas boscosas en contraste con el uso de imágenes de resolución espacial media (10 a 30 m). Estas últimas son ineficaces para la detección de clases de cobertura con poca presencia, como suelo desnudo y plantas herbáceas, generalizando los resultados al asignar más superficie a la clase bosque mientras se omiten otras coberturas presentes.

La precisión de la clasificación de la cobertura forestal coincide con la señalada por ^{Ahmed et al. (2017)}, quienes también emplearon el algoritmo Random Forest e imágenes similares a las del presente estudio para clasificar la vegetación en zonas mixtas (bosque y agricultura). Estos autores obtuvieron una precisión del 85 % y 93 % para la vegetación arbustiva y herbácea, respectivamente, y del 100 % para los bosques, el suelo desnudo y las zonas urbanas, mientras que la precisión global fue de 95 %. En otro estudio, ^{Furukawa et al. (2021)} utilizaron el algoritmo Support-Vector Machine (SVM) para clasificar la vegetación, el suelo desnudo y la materia muerta en la isla de Hokkaido, Japón, utilizando imágenes multiespectrales y RGB obtenidas con un vehículo aéreo no tripulado. Dichos autores compararon el uso de imágenes tomadas en condiciones de nubosidad y de cielo despejado durante cuatro meses (abril-julio) y lograron una precisión del 94.44 % para las imágenes RGB en condiciones de nubosidad en el mes de abril, mientras que con las imágenes multiespectrales obtuvieron 97.7, 95.5, 96.6 y 98.8 % para cada mes del periodo de estudio.

Por otra parte, ^{Zhao et al. (2020)} clasificaron árboles, maíz, cacahuate y otros cultivos utilizando imágenes digitales RGB y lograron precisiones globales de 78.19, 73.26 y 76.53 % con los algoritmos Random Forest, SVM y máxima verosimilitud, respectivamente; asimismo, informaron índices kappa de 0.72, 0.71 y 0.72 que son inferiores a los del presente estudio. ^{Fraser y Congalton (2021)} también utilizaron imágenes multiespectrales tomadas con drones para examinar pinos y árboles caducifolios saludables y estresados, establecieron cinco tipos de ‘salud forestal’ y utilizaron los algoritmos Random Forest y SVM para el mapeo de las condiciones de los árboles. Dichos autores obtuvieron una precisión general del 65.4 %, que mejoró al 71.19 % cuando redujeron las clases de salud a solo ‘árboles sanos’, ‘estresados’ y ‘degradados’. Evidentemente, estos valores son inferiores a los determinados en el presente trabajo, aunque su estudio fue más detallado y con otra finalidad. En el mismo tópico de clasificación de vegetación, ^{Díaz-Varela et al. (2018)} clasificaron la cobertura del suelo en la Sierra del Gistral, al norte de Galicia, España, utilizando redes neuronales convolucionales (CNN). Los autores reportaron precisiones de 88.57, 87.30 y 87.50 % para las clases arbustiva, herbácea y pantanosa, respectivamente. Lo anterior sugiere que los algoritmos de clasificación de aprendizaje automático (Random Forest y SVM) y profundo (CNN) son capaces de clasificar la vegetación en detalle, utilizando como entrada imágenes derivadas del proceso fotogramétrico con drones.

El tipo de vegetación analizada puede explicar las diferencias de precisión entre los estudios citados y el presente trabajo. Las respuestas espectrales en zonas con coberturas genéricas de suelo como bosques, agricultura, cuerpos de agua y zonas urbanas tienden a diferenciarse con mayor claridad; por lo tanto, se puede conseguir una clasificación más precisa de la vegetación (^{Chuvieco, 2020}). En contraste, cuando la clasificación de la vegetación es más detallada y se pretende cartografiar especies arbóreas o doseles muy densos es probable que la clasificación se dificulte y la precisión disminuya (^{Baena et al., 2017}). Además, el tipo de información utilizada también es un factor para considerar en la clasificación de vegetación, ya que las imágenes multiespectrales proporcionan datos sobre la reflectancia de la vegetación, mientras que las imágenes digitales RGB solo producen información de color verdadero.

Resolución espacial de las imágenes

El nivel de detalle obtenido en las imágenes tomadas con drones no se alcanza con imágenes de satélite como Landsat o Sentinel (^{Aliaga et al., 2016}); por lo tanto, se puede argumentar un efecto ventajoso de las imágenes con drones sobre la precisión de la clasificación de la cobertura terrestre; sin embargo, ¿qué tan alta debe ser la resolución espacial de una imagen? Con base en el procedimiento de comparación de medias, las imágenes con una resolución espacial de 0.2 a 0.7 m proporcionan una alta precisión e índice kappa sin diferencias significativas. Por lo tanto, para optimizar el tiempo de clasificación, se pueden utilizar imágenes con una resolución espacial de 0.7 m por píxel sin perder precisión y calidad en el análisis de clasificación de la cobertura terrestre.

Contrariamente a la creencia común, el uso de resoluciones espaciales de imagen extremadamente altas puede generar problemas, ya que puede detectar información en espacios pequeños, como los que hay entre el follaje de los árboles, y, por tanto, provocar incertidumbre en el proceso de clasificación de la vegetación. Además, cuanto mayor es la resolución, mayor es la cantidad de datos por procesar y, por tanto, el manejo requiere más tiempo de análisis y computadoras con gran capacidad de almacenamiento y procesamiento que normalmente son más caras que las comunes. En este sentido, ^{Liu et al. (2020)} analizaron la importancia de la resolución espacial para la clasificación de la vegetación en zonas muy fragmentadas del distrito de Xingbin, Guangxi, China, y concluyeron que la mayor precisión no siempre se da en la resolución original de las imágenes (0.025 m), sino en resoluciones espaciales intermedias (0.5 m).

Implicaciones de la clasificación de la cobertura forestal en el manejo forestal

Las imágenes con alta resolución espacial tomadas con drones pueden resultar ventajosas para la clasificación de las condiciones de vegetación presentes en una propiedad forestal, sobre todo cuando la producción de madera es el objetivo principal; es decir, esta tecnología podría ser útil para la detección de cambios temporales en la vegetación (^{van Lersel et al., 2018}). Por ejemplo, los resultados del presente estudio mostraron que los rodales de más de 20 años tienen una cobertura de copas más homogénea, dominada por especies de pino, lo cual es relevante conocer para la planificación y proyección de la producción maderera. Este resultado es lógico para un bosque con intervención silvícola intensiva, cuyo objetivo es convertir la estructura irregular en regular al final del turno (^{Hernández-Díaz et al., 2016}). También se detectaron pequeños claros en el continuo del dosel, algunos cubiertos por vegetación herbácea, mientras que otros produjeron información de reflectancia insuficiente para generar una clasificación (sombras). Estos pueden explicarse por el aclareo, una actividad silvícola que promueve el crecimiento diamétrico de los árboles residuales o bien por fenómenos naturales como la muerte de árboles por competencia o plagas y enfermedades (^{Pérez-López et al., 2020}; ^{Ramírez-Santiago et al., 2019}).

En los rodales jóvenes (<15 años), la clasificación de la vegetación mostró una cobertura elevada de encinos y otras especies de latifoliadas, lo que concuerda con el proceso normal de sucesión ecológica de los bosques templados gestionados. Las primeras especies leñosas que crecen tras una corta de regeneración son las latifoliadas como Quercus sp., Prunus, Alnus, Clethra, Cleyera, Cornus, Turpinia y Vaccinium. En las etapas de plántula y brinzal, las copas de las latifoliadas tienden a ser más grandes que las copas de los árboles Pinus y, por lo tanto, cubren un área mayor. Además, la regeneración de estos géneros es mediate brotes que emergen de los tocones, por lo que crecen más rápido durante los primeros años posteriores a la corta de regeneración (^{Alanís-Rodríguez et al., 2011}). No obstante, las actividades silvícolas como limpias y aclareos reducen la presencia de latifoliadas y promueven el establecimiento y crecimiento de pinos (Figura 6).