Monitoreo de Humedales Basado en UAV: Fusión Multiespectral y Lidar con Clasificación de Bosque Aleatorio
Autores: Van Alphen, Robert; Rains, Kai C.; Rodgers, Mel; Malservisi, Rocco; Dixon, Timothy H.
Idioma: Inglés
Editor: MDPI
Año: 2024
Acceso abierto
Artículo científico
2024
Monitoreo de Humedales Basado en UAV: Fusión Multiespectral y Lidar con Clasificación de Bosque Aleatorio
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Robótica
Palabras clave
El aumento del nivel del mar
Comunidades de vegetación
Tropical
áreas costeras
Manglares
Monitoreo de hábitats
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 1
Citaciones: Sin citaciones
A medida que los niveles del mar aumentan y las temperaturas se incrementan, las comunidades de vegetación en áreas costeras tropicales y subtropicales estarán estresadas; algunas migrarán hacia el norte y hacia el interior. La transición de los pantanos costeros y arbustos a los manglares leñosos es un cambio fundamental en la estructura de la comunidad costera y la composición de especies. Sin embargo, esta transición probablemente será episódica, complicando los esfuerzos de monitoreo, ya que los avances de los manglares son contrarrestados por la muerte de árboles debido a tormentas cada vez más impactantes. El monitoreo del hábitat costero se ha llevado a cabo tradicionalmente a través de encuestas satelitales y terrestres. Aquí investigamos el uso de UAV-LiDAR (vehículo aéreo no tripulado - detección y medición de luz) y fotogrametría multiespectral para estudiar un humedal costero en Florida. Estos datos tienen una resolución más alta que los datos derivados de satélites y son más baratos y rápidos de recolectar en comparación con aeronaves tripuladas o encuestas terrestres. Detectamos un cambio significativo en el dosel en el período entre nuestra encuesta (2020-2022) y una encuesta anterior (2015), incluyendo la pérdida a la escala de árboles individuales de buttonwood (Conocarpus erectus), un asociado de manglar leñoso. Los datos derivados de UAV se recolectaron para investigar la utilidad de un procesamiento simplificado y entradas de datos para la clasificación de hábitats y fueron validados con métricas estándar y verificación adicional en el terreno. Las encuestas de UAV combinadas con aprendizaje automático pueden agilizar el monitoreo del hábitat costero, facilitando encuestas repetidas para evaluar los efectos del cambio climático y otros agentes de cambio.
Descripción
A medida que los niveles del mar aumentan y las temperaturas se incrementan, las comunidades de vegetación en áreas costeras tropicales y subtropicales estarán estresadas; algunas migrarán hacia el norte y hacia el interior. La transición de los pantanos costeros y arbustos a los manglares leñosos es un cambio fundamental en la estructura de la comunidad costera y la composición de especies. Sin embargo, esta transición probablemente será episódica, complicando los esfuerzos de monitoreo, ya que los avances de los manglares son contrarrestados por la muerte de árboles debido a tormentas cada vez más impactantes. El monitoreo del hábitat costero se ha llevado a cabo tradicionalmente a través de encuestas satelitales y terrestres. Aquí investigamos el uso de UAV-LiDAR (vehículo aéreo no tripulado - detección y medición de luz) y fotogrametría multiespectral para estudiar un humedal costero en Florida. Estos datos tienen una resolución más alta que los datos derivados de satélites y son más baratos y rápidos de recolectar en comparación con aeronaves tripuladas o encuestas terrestres. Detectamos un cambio significativo en el dosel en el período entre nuestra encuesta (2020-2022) y una encuesta anterior (2015), incluyendo la pérdida a la escala de árboles individuales de buttonwood (Conocarpus erectus), un asociado de manglar leñoso. Los datos derivados de UAV se recolectaron para investigar la utilidad de un procesamiento simplificado y entradas de datos para la clasificación de hábitats y fueron validados con métricas estándar y verificación adicional en el terreno. Las encuestas de UAV combinadas con aprendizaje automático pueden agilizar el monitoreo del hábitat costero, facilitando encuestas repetidas para evaluar los efectos del cambio climático y otros agentes de cambio.