Los ecosistemas forestales poseen características inherentes particulares a su situación geográfica (condiciones climáticas, composición del suelo, régimen de aprovechamiento, etc.), que las convierten en zonas con características únicas en el mundo. Por lo tanto, la existencia de información espacial precisa y actualizada para cada área forestal es de vital importancia para una gestión forestal adecuada. La planificación y gestión de las zonas forestales, así como de sus recursos, necesita un conocimiento previo de la superficie de análisis, con el fin de dotar a sus gestores de información suficiente que permita establecer políticas apropiadas a la realidad existente. Los mapas temáticos son una fuente importante de información, y generalmente se obtienen con técnicas automáticas o semiautomáticas de clasificación digital.
La clasificación digital es un proceso que permite categorizar una imagen concreta, reduciendo los niveles digitales detectados por el sensor a clases categóricas u ordinales, no siendo su objetivo buscar definiciones de cubiertas absolutas o universales aplicables a otras imágenes. Como resultado se obtiene una imagen temática donde cada píxel u objeto contiene un valor que define la clase asignada. Nada tiene que ver este valor temático con el nivel digital que contiene cada píxel antes de la clasificación. Las fuentes de información más habitualmente empleadas en las clasificaciones digitales son aquellas provenientes de sensores remotos aerotransportados o satelitales.
Los sensores remotos permiten resolver algunas carencias de la visión humana, ampliando la perspectiva visual e informativa que percibimos del entorno. Con ellos obtenemos información a distancia de objetos situados en la superficie terrestre y somos capaces de explorar zonas del espectro electromagnético no visible, información ajena al ojo humano, amplificado de este modo el conocimiento que percibimos del medio que nos rodea. Los sensores fotográficos aerotransportados, como los empleados en el vuelo del Instituto Geográfico Nacional (IGN) para la ejecución del PNOA (Plan Nacional de Ortofotografía Aérea de España. Ministerio de Fomento, 2013), proporcionan imágenes que recogen información espectral. Sin embargo, esta información no siempre es suficiente en la discriminación de cubiertas forestales, debido a que numerosas especies presentan un comportamiento espectral similar.
Así por ejemplo, Álvarez (2005) realizó un inventario de la superficie ocupada por Pinus radiata D. Don en el Bierzo (Noroeste de España) empleando una imagen Landsat, que contiene siete bandas espectrales: azul, verde, roja, infrarrojo próximo, dos bandas de infrarrojo medio e infrarrojo térmico. Incluso con toda esta información espectral, la complejidad del estudio hizo que el mejor resultado alcanzado mostrase confusión entre las clases coníferas, frondosas, matorral y raso. Se obtuvieron valores del indicador de precisión KIA (Kappa Index of Agreement) modestos, especialmente en estas dos últimas categorías.
Es en este tipo de clasificaciones donde aparece la necesidad de combinar información procedente de diversas fuentes para obtener resultados más aproximados a la realidad. Diversos estudios apuntan que, el empleo de la tecnología LiDAR (Light Detection And Ranging) aerotransportada en la clasificación de zonas forestales, mejora los resultados obtenidos (Holmgren y Persson, 2004; Antonarakis et al., 2008; Gonçalves et al., 2008;. Ørka et al., 2009).
Los sistemas LiDAR aerotransportados son sensores remotos activos que han sido principalmente utilizados para la realización de levantamientos topográficos, pero cada vez más en la extracción de información del medio forestal. Su ventaja competitiva en el medio forestal radica en el comportamiento “semipermeable” que presentan las copas de los árboles respecto a la penetración de los pulsos LiDAR. Así, en zonas cubiertas de vegetación, la mayor parte de los pulsos LiDAR son reflejados de vuelta al sensor desde las hojas y ramas del dosel, sin embargo una cierta fracción de pulsos LiDAR llega al suelo debajo de las copas a través de pequeños huecos en las mismas. Los datos LiDAR pueden, por tanto, proporcionar información tridimensional acerca del tamaño y la estructura del dosel de copas y del terreno bajo las mismas.
A partir de estos datos es posible generar Modelos Digitales de Elevación (MDE) y Modelos Digitales de Copas (MDC), que recogen una gran cantidad de información sobre la vegetación por tratarse de representaciones tridimensionales y georreferenciadas de la realidad. Además, los datos LiDAR proporcionan valores de intensidad, que es un constituyente radiométrico de los mismos (Singh et al., 2010). La intensidad es registrada por el sensor como la cantidad de energía retrodispersada por la tierra o los objetos situados sobre la misma. Por tanto, LiDAR reconoce la variabilidad estructural de las masas en términos de distribución, altura y valores de intensidad, es decir, se pueden obtener una amplia variedad de capas de información para su uso en las clasificaciones digitales.
Voss y Sugumaran (2008) obtuvieron mejoras de entre un 9% y un 10% en la discriminación de coníferas y frondosas frente a otros tipos de cubiertas, en comparación con una clasificación que sólo empleaba imágenes multiespectrales, al añadir un MDC y una capa de intensidad generados a partir de datos LiDAR. El MDC separó correctamente la vegetación alta de la vegetación baja y la intensidad se empleo para discriminar entre coníferas y frondosas. Arroyo et al. (2009) discriminó las seis clases vegetales más significativas de las sabanas tropicales de Australia, obteniendo valores muy precisos (Precisión Global da clasificación del 88%) a partir de datos LiDAR y de una imagen QuickBird, concluyendo que la integración de ambas fuentes de información produce un mapa de coberturas del suelo preciso, a pesar de la gran complejidad de la zona de estudio.
Por lo tanto el resultado de una clasificación depende de las capas de información entrantes, pero este no es el único factor influyente, ya que la elección de uno u otro método de clasificación también tiene influencia en el resultado final. Las clasificaciones orientadas a objetos (Object Based Image Analyst – OBIA) se están imponiendo sobre los métodos tradicionales de clasificación, que interpretan de forma independiente cada píxel sin tener en cuenta a los vecinos. El paradigma de la clasificación OBIA consiste en agrupar los píxeles primitivos en entidades significativas y consistentes (objetos imagen), que recogen información espectral, variables de contexto y variables de forma. Estos objetos, imagen o segmentos se adaptan mejor a las distintas geometrías de los diferentes tipos de cubiertas. Su superioridad quedó reflejada en el estudio de Gonçalves et al. (2008), que comparó los resultados obtenidos a partir de varios métodos de clasificación.
La última fase de cualquier clasificación es la verificación de los resultados. Es necesaria para comprobar la calidad de los mismos y la validez del método empleado, permitiendo al usuario valorar el grado de acuerdo entre el resultado y la realidad, o dicho de otro modo, el riesgo que asume el usuario al tomar decisiones de gestión en base a la información generada. La verificación de resultados incluye las siguientes fases (Congalton y Green, 1998): (i) Diseño de muestreo, señalando cuantas parcelas, píxeles u objetos imagen de validación deben medirse y como se seleccionan; (ii) toma de los datos de referencia; (iii) comparación de los datos de referencia con el resultado, mediante la generación de las matrices de confianza y la aplicación de varios test estadísticos y (iv) análisis de los errores encontrados.
El objetivo de este trabajo es presentar una metodología sencilla y ágil para la clasificación digital de zonas forestales, a partir de un estudio piloto en una zona de marcado carácter forestal, atendiendo a las distintas categorías de cubierta del suelo (coníferas, frondosas, matorral y zona rasa), combinando información espectral obtenida de una ortofotografía aérea digital con datos LiDAR y aplicando una posterior verificación de los resultados de la clasificación.
