Seguimiento semi-automático de la cobertura del suelo tras quema prescrita mediante clasificación de imagen basada en redes neuronales convolucionales

Resumen

Se ha llevado a cabo un estudio basado en el análisis digital de imágenes para el seguimiento de los efectos causados por una quema prescrita sobre la superficie del suelo susceptible de verse afectada por procesos erosivos. Se analizaron fotografías de la superficie del suelo tomadas verticalmente a una altura de 138 cm en 330 puntos de muestreo dispuestos en las diagonales de 15 subparcelas de 200 m² (tres de ellas testigos) en una superficie aproximada de 10 ha en una repoblación de Pinus pinaster Ait quemada bajo prescripción. Durante el proceso de análisis de imagen se ha identificado manualmente en la superficie del suelo las coberturas de acículas, piñas, madera, musgo, restos quemados, biomasa seca, biomasa verde, gravas, y horizonte orgánico y horizonte mineral del suelo. Los resultados muestran que la clasificación automática de imágenes mediante redes neuronales convolucionales describe de forma precisa la realidad de las superficies analizadas. Esto permite reducir la duración de la toma de datos en campo, así como la identificación de las coberturas del suelo y, en especial, la discriminación del suelo mineral desnudo susceptible a la erosión. Por ello, se considera que ampliar y estandarizar esta metodología puede proporcionar importantes beneficios en el seguimiento de la superficie del suelo para cuantificar su erosividad.

Abstract

We developed a monitoring procedure of the effects of prescribed fire on the soil surface vulnerable to erosion processes based on digital image analysis. We took vertical pictures of the soil surface from a height of 138 cm in 330 sampling points distributed in the diagonals of fifteen 200 m²- plots, including 3 control plots, within 10 ha of a prescribed burnt Pinus pinaster Ait plantation. During the analysis of the images we manually discriminated the surface cover of needles, cones, wood, moss, burnt material, dry and green biomass, rock fragments, and mineral and organic soil. The results showed that the automatic classification of images through convolutional neural networks provides a precise classification of the soil surface and reduces the time required for field data collection and for the identification of the different soil covers, particularly the discrimination of the exposed mineral soil susceptible to erosion. We therefore suggest that broadening and standardizing this methodology may provide significant benefits for monitoring soil surface conditions and erodibility.