Classification of forest development stages from national low-density lidar datasets: a comparison of machine learning methods

Abstract

Los métodos de estimación por áreas son ya habituales para el uso de escaneo láser aerotransportado (ALS) en la predicción de atributos forestales descritos por variables continuas: biomasa, volumen, densidad, etc. No obstante, apenas se ha prestado atención a los métodos de clasificación por aprendizaje automático, que por otro lado son frecuentes en diversos campos de la teledetección, como la identificación de coberturas del suelo por sensores multiespectrales. En este artículo hemos centrado la atención en métodos estadísticos destinados a predecir variables discretas, para obtener clasificaciones supervisadas de datos ALS. Varios métodos han sido revisados: clasificadores de análisis discriminante (DA) –máxima verosimilitud, elipsoide de volumen mínimo y Bayesiano ingenuo–, máquinas de vector soporte (SVM), redes neuronales artificiales (ANN), selvas aleatorias (RF), y vecino más próximo (NN). La comparación se ha realizado en el contexto de una clasificación en las etapas de desarrollo (ED) utilizadas en la gestión forestal de los bosques de Finlandia, utilizando para ello datos de baja densidad de su vuelo nacional. RF y NN produjeron las matrices de error más equilibradas, con predicciones por validación cruzada no sesgadas para todas las EDs. Aunque SVM y ANN mostraron las mayores precisiones, obtuvieron resultados muy dispares entre las distintas EDs, siendo óptimas sólo para algunas concretas. DA obtuvo los peores resultados, y sólo se observó que pudieran ser beneficiosas en la predicción de rodales en la etapa de diseminado. Nuestros resultados muestran que, además de la confirmada capacidad del ALS para predecir variables de cuantificación de las masas forestales, también existe potencial en la clasificación de variables categóricas en general, y tipologías forestales en particular. En conclusión, consideramos que estas metodologías se pueden también adaptar a las clases naturales de edad y tipos estructurales que sean relevantes en ecosistemas mediterráneos, abriendo un abanico de posibilidades para investigación en ALS, con mucho potencial.