104793

Master Thesis ǀ Tesis de Maestría submitted within the UNIGIS MSc programme presentada para el Programa UNIGIS MSc at/en

Interfaculty Department of Geoinformatics- Z_GIS Departamento de Geomática – Z_GIS University of Salzburg ǀ Universidad de Salzburg

Estimación de altura de frailejones (Espeletia pycnophylla) en el volcán Chiles mediante UAV (Carchi – Ecuador) Height estimation of frailejones (Espeletia pycnophylla) in the Chiles volcano using UAV (Carchi – Ecuador) by/por

Saúl Alejandro Noboa Egas 01655672 A thesis submitted in partial fulfilment of the requirements of the degree of Master of Science– MSc

Quito - Ecuador, 2019

AGRADECIMIENTO Gracias a la Universidad Politécnica Salesiana, institución que financió el desarrollo de la presente investigación, a los docentes pertenecientes al grupo de investigación científica de la Carrera de Ingeniería Ambiental de la UPS: PhD (c) Cesar Iván Álvarez Mendoza y MSc. Patricia Maribel Gutiérrez Salazar, y al docente asignado por parte de UNIGIS, PhD Pablo Cabrera Barona, por sus recomendaciones y sugerencias para el desarrollo del proyecto.

Resumen El Ecuador es considerado un país mega diverso por la gran cantidad de ecosistemas que se encuentra en su territorio. Parte de esta diversidad está reflejada en el ecosistema páramo y en las especies vegetales que lo habitan, las cuales cumplen con funciones sumamente importantes para el desarrollo de la vida en las comunidades cercanas y en las grandes ciudades.

Una de las especies vegetales más importantes que habitan este ecosistema es el frailejón (Espeletia pycnophylla), especie considerada como endémica, que contribuye al almacenamiento de agua, captación de carbono y es un hábitat para varias especies de macroinvertebrados que aprovechan las condiciones que se generan al interior de la planta.

A pesar de su importancia, y los problemas que presenta su hábitat especialmente por actividades antrópicas, no existen estudios sobre su dinámica poblacional, por lo que en el presente estudio se generó una herramienta que permite estimar la altura de plantas de frailejón que permitirá la evaluación del crecimiento individual de la especie.

El modelo se realizó mediante el uso de fotografías aéreas obtenidas por un equipo UAV equipado con cámara RGB, equipos GNSS de precisión, tecnología computacional Structure for Montion para el procesamiento de imágenes, y el uso de sistemas de información geográfica. Adicionalmente, se identificó 5319 plantas de frailejón en la hectárea de estudio mediante técnicas de clasificación basada en objetos.

El modelo generado fue validado a partir de la correlación entre los datos de altura tomados en campo y los obtenidos por SfM, obteniendo como resultado un RMSE de 0.22 m y un R² de 0.95 (p < 0.05).

Palabras clave: Frailejón, SIG, altura, UAV, fotogrametría.

Abstract Ecuador is considered a megadiverse country due to the large number of ecosystems found in its territory. A portion of this diversity is reflected in the flora species that inhabit the paramo ecosystem, which have important functions for the development of life in nearby communities and in the cities.

One of the most important flora species that inhabit this ecosystem is the frailejón (Espeletia pycnophylla). Frailejón is considered as an endemic specie, which contributes to water storage and carbon capture. Also, frailejón works as a habitat for several species of macroinvertebrates that take advantage of the conditions that is generated inside of it.

There are no studies about its population dynamics, despite the important functions that it has and the problems that its habitat is suffering. For this reason, in the present study a tool was generated that allows to estimate the height of frailejón plants. That will allow the evaluation of the specie growth.

The model was made by using aerial photographs obtained by an UAV equipment with an RGB camera, precision GNSS equipment, Structure for Montion computational technology for image processing, and geographic information systems. In addition, 5319 frailejón plants were identified using object-based classification techniques.

The generated model was validated through a correlation between height data taken in the field and data obtained by SfM. The statistical results was an RMSE of 0.22 and R² of 0.95 (p <0.05).

Key words: Frailejón, GIS, height, UAV, photogrammetry.

6

INDICE CAPÍTULO I ......................................................................................................... 14 1.

INTRODUCCIÓN. .......................................................................................... 14 1.1.

Antecedentes. ......................................................................................... 14

1.2.

Objetivos. ................................................................................................ 15

1.3.

Preguntas de investigación. .................................................................... 16

1.4.

Hipótesis. ................................................................................................ 16

1.5.

Justificación. ........................................................................................... 16

1.6.

Alcance. .................................................................................................. 17

CAPÍTULO II ........................................................................................................ 19 2.

REVISIÓN DE LITERATURA. ....................................................................... 19

2.1.

El ecosistema páramo y los frailejones. ...................................................... 19

2.2.

Fotogrametría y sensores remotos. ......................................................... 21

2.2.1.

Fundamentos de fotogrametría. ........................................................ 21

2.2.1.1.

Radiación electromagnética. ......................................................... 22

2.2.1.2.

Sensores Remotos. ....................................................................... 23

2.2.1.2.1.

Sensores activos. ....................................................................... 24

2.2.1.2.2.

Sensores pasivos. ...................................................................... 25

2.2.1.3.

Plataformas de vuelo. .................................................................... 26

2.2.1.3.1.

2.3.

Proyectos de vuelo. ................................................................................. 28

2.3.1.

2.4.

Plataformas UAV. ....................................................................... 26

Plan, traslape y altura de vuelo fotogramétrico. ................................ 28

Sistemas GNSS. ..................................................................................... 30

2.4.1.

Componentes de sistemas GNSS: ................................................... 31

2.4.1.1.

Segmento espacial. ....................................................................... 32

2.4.1.2.

Segmento de control. .................................................................... 33

2.4.1.3.

Segmento de usuario. ................................................................... 34

2.4.2.

Métodos de posicionamiento. ........................................................... 35

2.4.2.1.

Posicionamiento estático. .............................................................. 35

2.4.2.2.

Posicionamiento cinemático. ......................................................... 35

2.5.

Sistemas de Información Geográfica (SIG). ............................................ 36

2.5.1.

Modelo Digital del Terreno (DTM). .................................................... 37

2.5.2.

Modelo Digital de Superficie (DSM). ................................................. 37

2.6.

Clasificación de imágenes. ...................................................................... 38

7

2.6.1.

Clasificación supervisada y no supervisada de imágenes. ............... 38

2.6.2.

Clasificación de imágenes basada en objetos (OBIA)....................... 39

2.7.

3.

Tecnología UAV y GNSS en la medición de altura de vegetación. .......... 39

METODOLOGÍA. ........................................................................................... 44 3.1.

Área de estudio. ...................................................................................... 44

3.2.

Materiales, equipos y software: ............................................................... 46

3.3.

Metodología. ........................................................................................... 47

3.4.

Medición de las plantas en campo. ......................................................... 50

3.5.

Puntos de control fotogramétrico: ............................................................ 51

3.6.

Levantamiento topográfico. ..................................................................... 51

3.7.

Planificación y ejecución del vuelo con UAV. .......................................... 52

3.8.

Procesamiento de fotografías aéreas. ..................................................... 53

3.8.1.

Procesamiento inicial: ....................................................................... 53

3.8.2.

Carga de puntos de control. .............................................................. 53

3.8.3.

Creación de malla y nube de puntos 3D. .......................................... 53

3.8.4.

Generación de DSM y ortofotografía: ............................................... 54

3.9.

Generación de modelo digital de terreno (DTM): ..................................... 54

3.10.

Cálculo de alturas de frailejones mediante DSM y DTM. ..................... 54

3.11.

Validación del modelo digital con las alturas medidas en campo. ........ 55

3.12.

Identificación de frailejones en el área de estudio. ............................... 56

3.13.

Generación de modelo para estimación de alturas. ............................. 58

3.13.1.

Herramienta 1 – Obtención de DSM y DTM: ................................. 58

3.13.2.

Herramienta 2 – Calculo de alturas. .............................................. 59

CAPÍTULO IV....................................................................................................... 60 4.

Resultados. ................................................................................................... 60 4.1.

Resultados del procesamiento de imágenes y generación de DTM. ....... 60

4.2.

Validación de alturas del modelo digital y cálculo de RSME. ................... 61

4.3.

Identificación de plantas de frailejón en el área de estudio...................... 64

4.4. Generación de herramienta para cálculo de altura de plantas de frailejón en “Model Builder”. ........................................................................................... 64 CAPÍTULO V........................................................................................................ 66 5.

Discusión de resultados. ................................................................................ 66

CAPITULO VI....................................................................................................... 72 6.

Conclusiones y recomendaciones. ................................................................ 72 6.1.

Conclusiones. ......................................................................................... 72

8

6.2.

Recomendaciones. ................................................................................. 73

REFERENCIAS ................................................................................................... 74 ANEXOS .............................................................................................................. 83 Anexo 1. Reporte de calidad de procesamiento de imรกgenes. ............................. 83 Anexo 2. Cรกlculo de altura predicha de la muestra de 100 plantas de frailejรณn. ... 89

9

GLOSARIO: -

Análisis de Regresión lineal: Técnica estadística para evaluar la relación existente entre dos o más variables.

-

Archivo shapefile: Representado por puntos, líneas o polígonos. Se utiliza para almacenar información de atributos de entidades geográficas.

-

Capa raster: Imagen digital representada por una matriz de celdas (pixeles), organizados por filas y columnas, y los cuales poseen información en cada una de sus celdas.

-

Modelo Digital de Superficie: Capa raster con información de altitud del terreno, la cual considera sus elementos presentes.

-

Modelo Digital de Terreno: Capa raster con información de altitud del terreno desnudo,

sin

considerar

sus

elementos

presentes

(vegetación,

construcciones, objetos, etc.)

-

Ortofotografía: Fotografía que representa una proyección ortogonal, sin efecto de perspectiva de una zona de la superficie terrestre, en la cual todos los elementos presentes se encuentran en la misma escala y sin deformaciones.

10

ACRÓNIMOS: ALS

Airborne Laser Scanning (Escaneo Laser por Aire).

C/A

Coarse Acquisition (Adquisición aproximada).

DAP

Digital Aerial Photography (Fotografía aérea digital)

DEM

Digital Elevation Model (Modelo de Elevación Digital).

DSM

Digital Surface Model (Modelo Digital de Superficie).

DTM

Digital Terrain Model (Modelo Digital del Terreno).

GNSS

Global Navigation Satellite System (Sistema de Navegación Global por Satélite).

GPS

Global Position System (Sistema de Posicionamiento Global).

GSD

Ground Sampling Distance (Distancia entre los centros de los pixeles medidos en el suelo)

IMU

Inertial Measurement Unit (Unidad de Medición Inercial).

INS

Inertial Navigation System (Sistema de Navegación Inercial).

LIDAR

Laser Imaging Detection and Ranging (Detección de Imágenes Laser y Rango

MAE

Ministerio de Ambiente del Ecuador.

OBIA

Object – Based Image Analysis (Análisis de imagen basada en objetos).

P

Precise (Precisión).

RGB

Red, Green, Blue (Rojo, Verde, Azul).

RTK

Real Time Kinematic (Navegación Cinemática Satelital en Tiempo Real).

SIG

Sistemas de Información Geográfica.

SNAP

Sistema Nacional de Áreas Protegidas

UAV

Unmanned Aerial Vehicle (Vehículo Aéreo no Tripulado).

11

INDICE DE FIGURAS Figura 1. Tipos de radiación electromagnética. .................................................... 22 Figura 2. Reflectividad típica de vegetación, suelo y agua. .................................. 23 Figura 3. Tecnología LIDAR en UAV. ................................................................... 25 Figura 4. Izq: UAV ala fija UX 5 (Trimble). Der: UAV multirotor Phantom 4 (DJI) . 27 Figura 5. Pasadas paralelas el vuelo fotogramétrico. ........................................... 28 Figura 6. Translape longitudinal (Frontal overlap) y transversal (Side overlap). ... 29 Figura 7. Cálculo de Altura de vuelo a partir de GSD. .......................................... 30 Figura 8. Funcionamiento de un sistema de posicionamiento satelital. ................ 31 Figura 9. Segmentos de sistemas GNSS. ............................................................ 32 Figura 10. Ilustración segmento espacial GPS. .................................................... 33 Figura 11. Segmento de control GPS. .................................................................. 34 Figura 12. DTM y DSM. ....................................................................................... 37 Figura 13. Clasificación supervisada. ................................................................... 38 Figura 14. Clasificación basada en objetos. ......................................................... 39 Figura 15. Ubicación de la parroquia de Tufiño. ................................................... 45 Figura 16. Área de investigación. ......................................................................... 46 Figura 17. Izq: DJI Phantom 4 Pro. Der: GNSS Topcon Hiper+ ........................... 47 Figura 18. Flujograma de la metodología. ............................................................ 49 Figura 19. Variables morfométricas del frailejón ................................................... 50 Figura 20. Colocación de fomix numerados para identifiación de plantas de frailejón. ............................................................................................................... 50 Figura 21. Medida de puntos de control fotogramétricos. ..................................... 51 Figura 22. Levantamiento topográfico. ................................................................. 52 Figura 23. Plan de vuelo con DroneDeploy. ......................................................... 53 Figura 24. Nube de puntos 3D. ............................................................................ 54 Figura 25. Herramienta “Extract Multi Values to Points”. ...................................... 55 Figura 26. Izq: DSM. Der: DTM. ........................................................................... 55 Figura 27. Ecuación: raíz del error cuadrático medio ........................................... 56 Figura 28. Multiresolution Segmentation en eCognition. ...................................... 57 Figura 29 . Clasificación en eCognition. ............................................................... 57 Figura 30. Clasificación del vecino más cercano. ................................................. 58 Figura 31 . Herramienta 1 - Diagrama realizado en Model Builder. ...................... 59 Figura 32. Herramienta 2 – Cálculo de altura de frailejón. .................................... 59 Figura 33. Ortofotografía, puntos de control y muestra de frailejones. ................. 60 Figura 34. Modelo Digital de Superficie (DSM)..................................................... 60 Figura 35. Generación de DTM a partir de puntos topográficos. .......................... 61 Figura 36. Valores ajustados vs. residuos. ........................................................... 61 Figura 37. Resultados de la regresión lineal en RStudio. ..................................... 62 Figura 38. Gráfica de pendiente. Altura en campo vs. Altura modelo digital. ........ 62 Figura 39. Análisis de normalidad en RStudio. ..................................................... 63 Figura 40. Gráfica de normalidad de los residuales de la regresión lineal. ........... 63

12

Figura 41. Análisis de homocedasticidad. ............................................................ 63 Figura 42. Identificación de plantas de frailejón. ................................................... 64 Figura 43. Herramientas para cálculo de alturas de frailejón. ............................... 65 Figura 44. Cálculo de alturas de plantas de frailejón. ........................................... 65

13

INDICE DE TABLAS Tabla 1. Satélites del sistema GNSS ................................................................... 30 Tabla 2. Materiales, equipos y software ............................................................... 46 Tabla 3 Investigaciones relacionadas a la estimación de altura. .......................... 66

14

CAPÍTULO I

1. INTRODUCCIÓN. 1.1. Antecedentes.

El Ecuador, por la gran cantidad de ecosistemas y variedad genética de especies de flora y fauna que posee es catalogado como un país mega diverso (Flores, Groten, Lugo, y Mena Vásconez, 2012). Parte de esa biodiversidad incluye el ecosistema páramo, el cual ha tenido gran importancia para las comunidades que viven a su alrededor, especialmente por su gran capacidad de regulación hídrica (Flores et al., 2012; Vásconez y Hofstede, 2006).

Los páramos son ecosistemas que se encuentran ubicados sobre los 3000 msnm.

En el Ecuador, abarcan alrededor del 6% del territorio nacional, siendo el país con más extensión de páramo en relación a su tamaño, existiendo 273 especies vegetales exclusivas (Flores et al., 2012).

Este ecosistema almacena agua que es aprovechada para riego, consumo y producción de energía eléctrica (Vásconez y Hofstede, 2006), captura carbono lo cual ayuda a la mitigación del calentamiento global (Andrade y Yépes, 2014), y es un corredor biológico para especies de flora y fauna (Crespo, 2012). Además, debido a su biodiversidad y a los paisajes aquí encontrados, ha sido usado como un servicio ecoturístico por las comunidades aledañas (Vásconez y Hofstede, 2006).

El páramo se ha visto fuertemente afectado por las actividades mineras, y la expansión de la frontera agrícola y ganadera, generando la destrucción de una amplia área de su cobertura vegetal, lo cual ha provocado que pierda su capacidad de retener agua y acumular carbono (Flores et al., 2012; Greenpeace, 2013; Vásconez y Hofstede, 2006). Además, el cambio climático producto de actividades antrópicas ha generado la variación de sus patrones de temperatura, precipitación y cobertura nubosa (Anderson et al., 2012).

Una de las principales especies que se encuentran en este ecosistema es el frailejón (Espeletia pycnophylla), el cual habita en los páramos del norte del

15

Ecuador (Provincia del Carchi). Espeletia pycnophylla es considerada una especie endémica clave para la conservación del ecosistema páramo y su biodiversidad (Greenpeace, 2013). Esta especie se caracteriza por poseer un tiempo de vida mayor a 100 años, acumula necromosa y contiene resinas que retrasan su descomposición, lo que le permite almacenar una gran cantidad de carbono en su estructura vegetal (Ramsay, 2001; Smith, 1981). Además, Espeletia pycnophylla permite el establecimiento de comunidades faunísticas que aprovechan las condiciones que se crean al interior de la planta (Sømme, 1986).

Varias investigaciones relacionadas a crecimiento de vegetación han usado metodologías que consisten en la aplicación de tecnología UAV equipada con sensores remotos, softwares para procesamiento de imágenes aéreas (por ejemplo, Agisoft PhotoScan y Pix4D) y sistema de información geográfica (SIG) para la estimación de altura de especies vegetales, obteniendo resultados satisfactorios.

1.2. Objetivos.

General: - Estimar la altura de frailejones (Espeletia pycnophylla) en una parcela de 1 hectárea (100 m x 100 m) en el páramo del volcán Chiles (Carchi – Ecuador), a partir de modelos digitales de elevación obtenidos de fotografías aéreas con UAV. Específicos: - Generar ortofotografía y DEM de la población de Espeletia pycnophylla encontradas en la zona de estudio.

- Determinar la altura en campo de una muestra de la población total de Espeletia pycnophylla en la zona de estudio.

- Identificar y cuantificar las plantas de frailejón en el área de estudio a partir de la clasificación basada en objetos.

- Generar un modelo que estime la altura de las plantas de Espeletia pycnophylla mediante el uso de la herramienta Model Builder de ArcMap.

16

1.3. Preguntas de investigación.

Pregunta clave: ¿Cuál es la precisión que se obtiene al estimar la altura de plantas individuales de frailejón (Espeletia pycnophylla) mediante equipos UAV de bajo costo?

Preguntas operativas parciales: -

¿En qué porcentaje la clasificación basada en objetos (OBIA) identifica plantas individuales de frailejón?

-

¿Cuál es la densidad poblacional del frailejón en el área de estudio?

1.4. Hipótesis.

H1: El uso de fotografías aéreas a partir de UAV con cámara RGB permite estimar la altura individual de plantas de frailejón (Espeletia pycnophylla).

H0: El uso de fotografías aéreas a partir de UAV con cámara RGB no permite estimar la altura individual de plantas de frailejón (Espeletia pycnophylla).

1.5. Justificación.

Considerando que el páramo se ha visto afectado por el cambio climático, variando sus patrones de temperatura, precipitación y cobertura nubosa (Anderson et al., 2012), y por actividades antrópicas como quema, ganadería, agricultura y minería (Flores et al., 2012), es necesario desarrollar estrategias de conservación, para lo cual se requiere de información sobre las comunidades vegetales y en especial de especies claves como Espeletia pycnophylla.

A pesar de la importancia que presenta esta especie y los problemas por los cuales atraviesa su hábitat, no existen estudios sobre su dinámica poblacional. Para entender esta dinámica es necesario evaluar el crecimiento de las plantas, para la cual se requiere estimar la altura de cada uno de los individuos, pero por su alta densidad poblacional se necesita encontrar un método que permita determinar la altura de un gran número de plantas, que incluso pueden estar ubicadas en lugares de difícil acceso debido a las condiciones de irregularidad que presenta el terreno.

17

La estimación de altura de la planta Espeletia pycnophylla mediante un modelo generado a partir de fotografías provenientes de UAV, permitirá destacar el potencial de las imágenes aéreas como una herramienta de manejo forestal, ayudando a reducir tiempo y esfuerzo en comparación al uso de métodos convencionales de medición.

La información generada permitirá que instituciones interesadas en la investigación científica relacionada al tema ambiental y las instituciones ambientales competentes, como por ejemplo el Ministerio de Ambiente del Ecuador (MAE), posean una herramienta que contribuya con la elaboración de planes de manejo acordes a las características del páramo para su conservación y protección.

1.6. Alcance.

La localidad seleccionada para realizar el estudio es el páramo del volcán Chiles, ubicado en la parroquia de Tufiño (Provincia de Carchi - Ecuador). Se escogió un área ubicada sobre los 3700 msnm, lugar donde la población de frailejones es mayor (Benavides, Burbano, Urbano, y Salarte, 2007), tomando en cuenta un sector de fácil acceso para la toma de mediciones de forma manual a realizar en campo.

La presente investigación pretende generar un modelo que permita estimar la altura de plantas de Espeletia pycnophylla mediante fotografías aéreas obtenidas con cámara tipo RGB montada sobre un UAV, tecnología computacional Structure from Montion (SfM), el uso de sistemas de información geográfica (SIG), y la herramienta Model Builder de ArcMap. Además, se busca identificar y cuantificar las plantas de frailejón existentes en el área de estudio, mediante la utilización de técnicas avanzadas de clasificación basada en objetos (OBIA), con la cual se pretende superar las limitaciones de la clasificación supervisada basada en el análisis de firmas espectrales para la identificación de vegetación.

El modelo a obtener buscará comprobar la posibilidad de obtener resultados satisfactorios mediante el uso de este tipo de tecnologías considerando las complejas condiciones de la cobertura vegetal que se encuentra alrededor de la especie en estudio. Además, debido a que la altura es una variable frecuentemente

18

utilizada para la descripción cuantitativa de especies vegetales, el modelo a generar podría servir en futuros proyectos de investigación científica sobre el estado de salud de la población de frailejones, crecimiento de plantas individuales, cuantificación de biomasa y carbono almacenado por la especie en su estructura interna (Balenović, Seletković, Pernar, y Jazbec, 2015; Guerra et al., 2017).

19

CAPÍTULO II 2. REVISIÓN DE LITERATURA. 2.1.

El ecosistema páramo y los frailejones.

Los páramos son ecosistemas alto andinos localizados en América Latina en países como Venezuela, Colombia, Ecuador y Perú, con pequeñas extensiones en Costa Rica y Panamá (Vásconez y Hofstede, 2006). Este ecosistema se encuentra sobre los 3000 msnm, y está dominado por especies vegetales como pajonales, rosetas arbustos y pequeños bosquetes, además, cuenta una gran cantidad de humedales (Flores et al., 2012; Vásconez y Hofstede, 2006).

En el Ecuador, los páramos abarcan alrededor del 6% del territorio nacional, cubriendo aproximadamente 1.250.000 ha, convirtiéndolo en el país con mayor extensión de este ecosistema a nivel mundial en relación a su tamaño (Flores et al., 2012), mientras que Colombia es el país con mayor extensión del ecosistema páramo en términos globales (Vásconez y Hofstede, 2006).

En cuanto a la vegetación que se encuentra en el páramo, esta ha pasado a lo largo de los años por un proceso de adaptación a las condiciones extremas que presenta este ecosistema en cuanto a altitud y clima (Vásconez y Hofstede, 2006).

Condiciones como bajas temperaturas, alta irradiación solar y cambios drásticos en temperatura, han generado que la vegetación presente adaptaciones como vellosidad, colores oscuros, dureza en las hojas y disminución del metabolismo durante horas de menor temperatura (Vásconez y Hofstede, 2006).

A lo largo de los años el ecosistema páramo ha sido de gran importancia para las poblaciones, principalmente indígenas que habitan en estas zonas, y para los centros urbanos ubicados en tierras bajas. El páramo posee una gran importancia cultural, ya que ha servido para actividades agrícolas y ganaderas, turismo, medicina y ritos ancestrales (Flores et al., 2012). Su capacidad de almacenamiento y distribución de agua ha permitido el aprovechamiento de este recurso para riego, consumo y generación de energía eléctrica (Flores et al., 2012; Rodríguez, Tigmasa, García, Pazmiño, y Caamaño, 2016; Vásconez y Hofstede, 2006).

Además, el páramo disminuye los efectos negativos del calentamiento global, ya que acumula carbono en el suelo y en la estructura interna de su vegetación, la cual

20

no se descompone rápidamente debido a las bajas temperaturas (Podwojewski y Poulenard, 2000; Rodríguez et al., 2016).

Si bien los páramos han sido aprovechados para actividades agrícolas y ganaderas, hay que considerar que no es un ecosistema que pueda ser explotado intensivamente sin causar daño a sus funciones. Las personas que habitan en este ecosistema son generalmente campesinos, los cuales viven en condiciones de inequidad y pobreza, sin alternativas para un manejo sustentable del ambiente (Flores et al., 2012).

Los impactos más significativos sobre el páramo están relacionados con la expansión de la frontera agrícola, incendios para la siembra, ganadería, minería, deforestación, y reforestación con especies foráneas, las cuales provocan la degradación de este ecosistema, generando que se pierda principalmente la capacidad para el almacenamiento del agua. Según Hofstede, Segarra, y Mena (2003), en el Ecuador, de 20.000 km² que podrían pertenecer a páramos, el 40% han sido convertidos en zonas de cultivos, pastizales y áreas erosionadas.

Una de las principales especies vegetales que habita el páramo es el frailejón, el cual se encuentra principalmente en los páramos del norte de Ecuador y sur de Colombia. En el Ecuador, su principal asentamiento es la Reserva Ecológica El Ángel y el páramo del volcán Chiles, ubicados en la Provincia del Carchi (Rodríguez et al., 2016). Estas plantas están compuestas en un 73.5% de necromasa (hojas muertas) y 26% de biomasa. Las hojas muertas poseen un papel sumamente importante, debido a que aísla el frío, permitiendo que el agua almacenada en la médula de la planta no se congele. Además, permite el almacenamiento de nutrientes, y es un refugio nocturno para macro-artrópodos (arañas, coleópteros y orugas) (Rodríguez et al., 2016; Sømme, 1986).

El frailejón está considerado como una especie endémica, cuyo hábitat se ha visto afectada por actividades antrópicas y los efectos del cambio climático, los cuales han provocado variaciones en el régimen de lluvias (con temporadas secas y lluviosas extremas), y cambios en la temperatura y cobertura nubosa (Anderson et al., 2012; Rodríguez et al., 2016). Además, el frailejón es una especie que contribuye de forma positiva a su hábitat, ya que su presencia evita la erosión del

21

suelo causado por los cambios bruscos de temperatura (enfriamiento y descongelamiento), sus raíces contribuyen a estabilizar el suelo, y sus flores son polinizadas por insectos y aves (Rodríguez et al., 2016). Por otro lado, el mecanismo de acumulación de agua que posee ayuda al nacimiento de ríos, y el CO2 acumulado en su estructura interna contribuye a combatir el calentamiento global (Rodríguez et al., 2016).

2.2.

Fotogrametría y sensores remotos.

La fotogrametría se define como la ciencia y arte de obtener información de los elementos que conforman la superficie terrestre mediante el uso de fotografías, generalmente tomadas desde aviones, para obtener información tridimensional que permita determinar la forma, dimensión y ubicación en el espacio de los cuerpos o áreas de estudio (Pozo, 2002; Thompson y Gruner, 1980).

Esta ciencia ha sido aplicada para la generación de mapas topográficos, mediciones de áreas y distancias, aplicaciones geográficas (EU, IGAC, y CIAT, 2007), y en estudios más recientes para la medición de especies vegetales mediante técnicas de visión por computadora (Balenović et al., 2015; Birdal, Avdan, y Türk, 2017; Crespo, 2012; Dandois y Ellis, 2013; Dempewolf, Nagol, Hein, Thiel, y Zimmermann, 2017; Ferdinent y Padmanaban, 2013; Guerra et al., 2017; Kim, 2016; Lisein, Pierrot, Bonnet, y Philippe, 2013; Pierrot y Clery, 2011).

2.2.1. Fundamentos de fotogrametría.

La fotogrametría clásica se basa en técnicas de visión estereoscópica, donde al mirar dos fotografías tomadas desde diferentes posiciones a un mismo objeto, cada ojo observa una imagen, generando la percepción de profundidad o tercera dimensión (Yolanda, Cárdenas, y Ussa, 2015).

Las técnicas fotogramétricas consisten en la proyección ortogonal de las imágenes captadas en una fotografía sobre un plano de referencia, las cuales deberán apoyarse en puntos de control terrestres, por lo general tomados por un equipo receptor del sistema global de navegación por satélites (GNSS), las cuales sirven para el control planimétrico y altimétrico (IGN, 2011).

22

La fotogrametría, a lo largo de los años, ha pasado por dos principales transiciones.

El paso de la fotogrametría analógica a la analítica, y el de la fotogrametría analítica a la digital. Durante estas etapas evolucionó desde el uso de mesas de trazado, estereocomparadores y computadores para cálculos matemáticos, hasta la actual fotogrametría digital (Macedo, 2009; Montoya, 2006; Top Engenharia, 2008).

La fotogrametría digital nace como producto del desarrollo de la tecnología computacional, en el que, mediante el uso de softwares y ordenadores especializados, es posible procesar imágenes digitales para la obtención de modelos digitales de elevación (DEM), ortofotografías, y la visualización de modelos tridimensionales (IGN, 2011; Montoya, 2006).

La fotogrametría necesita de cuatro elementos principales para su aplicación: radiación electromagnética (foco energético), superficie terrestre en estudio, sensor y plataforma de transporte (Acevo, 2011).

2.2.1.1.

Radiación electromagnética.

Las imágenes digitales son obtenidas a partir del uso de sensores remotos, los cuales captan la radiación reflejada o emitida por los cuerpos de la superficie terrestre. Según la frecuencia a la cual se transmita, y la longitud de onda asociada a esta, se clasifica en varios tipos de radiación, las cuales conforman el espectro electromagnético (Chuvieco, 2007; NASA, 2011) (Figura 1).

Figura 1. Tipos de radiación electromagnética.

Fuente: González, 2010.

En fotogrametría, el espectro usado abarca el visible y el correspondiente al infrarrojo cercano y medio. El espectro visible se encuentra comprendido entre los 400 nm a 700 nm aproximadamente, que es el rango que puede percibir el ojo humano. En este espectro se puede distinguir 3 bandas esenciales: azul (400 – 500

23

nm), verde (500 – 600 nm) y rojo (600 – 700 nm) (Chuvieco, 2007). En cuanto a la región del infrarrojo, esta se divide en infrarrojo cercano (700 – 1300 nm), infrarrojo medio (1300 – 8000 nm) e infrarrojo lejano (8000 nm – 1 mm) (Martinez, 2005; Rodriguez y Harold, 2005).

Cada cuerpo (vegetación, construcciones, cuerpos de agua, etc.) reflejarán de forma diferente la radiación incidente, la cual proviene del sol o por sensores que emiten su propia radiación. El comportamiento de cada cuerpo con la radiación incidente se lo llama la firma espectral o signatura espectral del objeto en estudio (Chuvieco, 2007). A partir de experimentos en laboratorio se ha determinado la reflectividad de los principales objetos que conforman la superficie terrestre (Figura 2). Esto ha sido posible basándose en las mediciones de las longitudes de ondas reflejadas (Chuvieco, 2007).

Figura 2. Reflectividad típica de vegetación, suelo y agua.

Fuente: Memeza, 2016

2.2.1.2.

Sensores Remotos.

Un elemento fundamental para la fotogrametría es el tipo de sensores a usar. Los sensores remotos son dispositivos que tienen la función de captar el flujo de radiación electromagnética reflejada o emitida por los diferentes objetos que contiene la superficie terrestre (Peguero, 2012).

Los sensores están conformados por millones de celdas fotosensibles, las cuales contienen un fotodiodo cada una, que permiten convertir el flujo electromagnético recibido en impulsos eléctricos (electrones) que se almacenaran en un condensador (Pérez y Muñoz, 2006). La información de cada una de las celdas es codificada y convertida en un valor numérico, con lo que posteriormente el sistema

24

del equipo lo procesa en imágenes (Pérez y Muñoz, 2006). Además, estos sensores incluyen un filtro para poder descomponer la luz recibida, que dependerá del tipo de sensor que posea el equipo.

Existen dos tipos de sensores, los pasivos y los activos, los cuales se distinguen entre sí por el procedimiento con el que captan la energía reflejada de los cuerpos en estudio (Chuvieco, 2007). Los sensores pasivos usan la energía emitida de un cuerpo externo, por ejemplo, el sol, mientras que los sensores activos son aquellos que emiten su propia radiación, siendo más flexibles que los primeros, ya que no necesita de un tercer cuerpo para la generación de energía (Chuvieco, 2007).

2.2.1.2.1.

Sensores activos.

Los sensores activos tienen la capacidad de producir radiación, la cual nuevamente es receptada por los sensores después de que esta rebote sobre la superficie terrestre. Los tipos de sensores activos más conocidos son radar y LIDAR (Laser Imagining Detection and Ranging). En ambos casos se emiten pulsos de energía que rebotan en la superficie terrestre para luego ser captadas por el sensor.

Posteriormente estos “ecos” son digitalizados y registrados para su procesamiento en softwares especializados para su conversión en imágenes (Peguero, 2012).

En cuanto al Radar (radiómetro activo de micro ondas), este trabaja en el espectro electro magnético comprendido entre 0.1 cm a 1m (EU et al., 2007). La tecnología LIDAR, por otro lado, emite pulsos de energía en las bandas correspondientes entre el ultravioleta y el infrarrojo cercano. Los sistemas LIDAR, se han usado de forma específica para estudios atmosféricos, por ejemplo, composición de aerosoles en la atmosfera, cantidad de contaminantes, medición de temperatura, humedad, y presión del aire (EU et al., 2007; Peguero, 2012).

LIDAR posee un sistema que está conformado por un vehículo aéreo que permite la recolección de información, un sistema de escaneo láser y los sistemas GPS (Global Position System) e INS (Inertial Navigation System) (ESRI, 2016). Su funcionamiento se basa en la transmisión de impulsos laser dirigidos hacia la zona de estudio. El reflejo del láser sobre el terreno es captado y analizado por sensores que calculan la distancia entre el objeto reflejado y un receptor, información que combinada con los datos generados por los sistemas GPS e INS, y tras un posterior

25

procesamiento en software especializados, convierten las medidas tomadas en nubes de puntos tridimensionales del terreno (ESRI, 2016). En la figura 3 se indica algunos ejemplos de tecnología LIDAR montada sobre UAV.

Figura 3. Tecnología LIDAR en UAV. Fuente: Ramírez, 2018.

2.2.1.2.2.

Sensores pasivos.

Los sensores pasivos son aquellos que captan la energía emitida por los objetos, ya sea mediante el reflejo de la radiación proveniente de una fuente de energía externa (el sol), o por la radiación que emiten por su temperatura propia. En esta clasificación sobresalen la cámaras fotográficas digitales (cámaras tipo RGB), cámaras multiespectrales (3-15 bandas), cámaras hiperespectrales (más de 15 bandas), y las cámaras térmicas (Vargas, Castillo, Ariolfo, Rojas, y Arguello, 2015).

El desarrollo de la tecnología en cuanto a sensores remotos, softwares especializados

y

plataformas

aéreas

ha

permitido

que

las

cámaras

multiespectrales, hiperespectrales y térmicas hoy en día sean usadas en varios campos, como la geología, minería, agricultura de precisión, incendios forestales, mapeo de pastizales, meteorología, detección de contaminantes ambientales, gestión forestal, entre otras (Laliberte, Goforth, Steele, y Rango, 2011).

Otros sensores pasivos, como las cámaras tipo RGB, también han sido montadas sobre UAV, con lo que, sumado al desarrollo de la fotogrametría digital, se ha desarrollado una tecnología capaz de competir económicamente con a la aplicación de sensores LIDAR. El desarrollo de softwares especializados en el procesamiento

26

de imágenes ha permitido que este tipo de sensores sean usados para la generación de orotofotografías, modelos digitales de terreno (DMT) y superficie (DMS), modelos tridimensionales, cálculo de crecimiento individual de vegetación, entre otros (Balenović et al., 2015; Crespo, 2012; Guerra et al., 2017; Kim, 2016; Lisein et al., 2013; Pierrot y Clery, 2011).

2.2.1.3.

Plataformas de vuelo.

Con la finalidad de poder obtener información del terreno a partir de sensores, se debe considerar el sistema por el cual van a ser transportados. En el caso de la fotogrametría aérea, los sensores deben estar instalados sobre una plataforma aérea, como los aviones (EU et al., 2007; Quiros Rosado, 2014). Con el desarrollo de la tecnología en el área de la aviación, han aparecido plataformas como los vehículos aéreos no tripulados (Unmanned Aerial Vehicle – UAV), los cuales también han sido utilizados para trabajos fotogramétricos (Checa, Morales, y Hernández, 2014; Orlando, Cáceres, y Porras, 2016; Santos, 2014).

2.2.1.3.1.

Plataformas UAV.

Los vehículos aéreos no tripulados son plataformas aéreas que vuelan mediante el uso de un sistema de piloto automático, el cual es configurado y monitoreado desde la superficie terrestre a través del uso de dispositivos electrónicos que se comunican con la aeronave a través de señal wifi o señales de radio (Everaerts, 2008; Orlando et al., 2016).

Las primeras aplicaciones de este tipo de tecnología fueron en el campo militar a principios del año 1950, donde se usaban para trabajos de vigilancia, generación de mapas y misiones en territorios hostiles (Orlando et al., 2016). A partir de 1980, las plataformas UAV empiezan a ser usadas en aplicaciones geomáticas, que con el desarrollo de programas computaciones, han permitido que actualmente sean ampliamente usadas en fotogrametría digital para la creación de modelos digitales de elevación, modelos en 3D y ortofotografías (Orlando et al., 2016).

En cuanto a su aplicación en fotogrametría, estas plataformas presentan beneficios frente a plataformas como satélites y aviones, ya que permiten obtener imágenes georreferenciadas de alta resolución espacial y temporal a un bajo costo, y

27

recolectar información de zonas de difícil acceso (Orlando et al., 2016; Shi, Wang, y Xu, 2011).

Los UAV pueden clasificarse en dos grupos según el tipo de plataforma, de ala fija y multirotor. Los UAV de ala fija requieren de un espacio amplio para el despegue y aterrizaje, ya que no pueden elevarse de forma vertical. Su uso está enfocado a obtener imágenes de grandes extensiones de terreno, donde se necesite realizar vuelos de mediana y gran altura, por ejemplo trabajos de cartografía y teledetección (Orlando et al., 2016; Tahar y Ahmad, 2013).

Por otro lado, las plataformas multirotor no requieren de espacios amplios para su despegue y aterrizaje, debido a que se eleva de forma vertical. Una de las principales diferencias es el costo económico menor que tiene el adquirir un UAV tipo multirotor frente a un ala fija. Además, su uso está limitado a extensiones pequeñas y medianas de terreno, toma de imágenes a baja altura, generación de modelos tridimensionales de objetos, y ortofotografías (Tahar y Ahmad, 2013).

Respecto a la autonomía de vuelo, los UAV de ala fija presentan mayor tiempo de vuelo en comparación con los multirotores. Por ejemplo, el UAV de ala fija UX5 de la marca Trimble posee una autonomía de vuelo de 50 minutos aproximadamente, volando a una velocidad crucero de 80 km/h (Trimble, 2018), mientras que el UAV multirotor Phantom 4 de la marca DJI, posee un tiempo de vuelo aproximado de 28 minutos por batería, con velocidad de vuelo crucero de 18 km/h (DJI, 2018). Esta diferencia de la autonomía de vuelo se da debido a que los multirotores consumen mayor cantidad de energía al usar sus motores para mantenerse en el aire, frenar o cambiar de dirección. En la figura 4 se puede apreciar ambos tipos de plataformas.

Figura 4. Izq: UAV ala fija UX 5 (Trimble). Der: UAV multirotor Phantom 4 (DJI) Fuente: Izq: Trimble, 2018. Der: DJI, 2018.

28

Los sistemas UAV, permiten obtener imágenes georreferencias ya que cuentan con un sistema GPS, brújula y una unidad de medición inercial (IMU), con las cuales el equipo es capaz de obtener información sobre su ubicación, altitud, orientación, fuerzas de gravitacionales y velocidad (DronebyDrone, 2016).

A pesar de que las plataformas UAV permiten obtener imágenes georreferenciadas, las coordenadas (X,Y,Z) que proporcionan contienen errores que pueden llegar hasta varios metros, dependiendo de la precisión que posea el equipo. Para corregir este error, y lograr precisiones centimétricas, es necesario tomar puntos de control terrestres mediante el uso de equipos de precisión que permitan obtener coordenadas mediante el sistema global de navegación por satélite (Global Navigation Satellite System - GNSS) (Kouba, 2009).

2.3.

Proyectos de vuelo.

2.3.1. Plan, traslape y altura de vuelo fotogramétrico.

Para realizar un vuelo fotogramétrico se debe considerar que la aeronave deberá realizar pasadas paralelas a la misma altura (Santamaría y Sanz, 2011). Estas pasadas forman parte del plan de vuelo, el cual indica la ruta que seguirá la aeronave en su recorrido por el área de estudio para obtener las imágenes (Figura 5).

Figura 5. Pasadas paralelas el vuelo fotogramétrico.

Fuente: Santamaría y Sanz, 2011.

Además, debe existir un recubrimiento longitudinal y transversal entre fotografías llamado traslape. El traslape es la sobreposición entre fotografías, con la finalidad de que compartan áreas limítrofes, y sirve para obtener una visión estereoscópica mediante el uso de las áreas en común entre fotografías (Figura 6). En la actualidad, mediante la técnica Structure from motion (SfM), el traslape entre imágenes permite

29

crear modelos 3D en softwares especializados a partir de la identificación de imágenes superpuestas (ICGeo, 2018).

Figura 6. Translape longitudinal (Frontal overlap) y transversal (Side overlap).

Fuente: ICGeo, 2018.

Existen

aplicaciones

desarrolladas

exclusivamente

para

generar

vuelos

automáticos, por ejemplo, PIX4DCapture y DroneDeploy, donde el traslape longitudinal y transversal, y la altura de vuelo puede ser configurado según las necesidades del usuario (DroneDeploy, 2018; Pix4D, 2018).

En cuanto a la selección de la altura de vuelo de la aeronave, esta estará definida por el detalle más pequeño que se requiera observa en las fotografías, la cual está relacionada con el tamaño del pixel (Ground Sampling Distance – GSD), comúnmente expresada en unidades de centímetros/pixel (cm/pixel).

El tamaño de pixel está condicionado por ciertas características que definen la calidad de un sensor fotográfico y la altura de vuelo. Estas características son: el ancho del sensor, longitud focal de la cámara y el ancho de la imagen (expresada en pixeles). A continuación, en la figura 7 se detalla la fórmula para el cálculo de la altura de vuelo (PIx4D, 2011).

30

Donde: GSD = Ground Sampling Distance [cm/pixel].

Fr = Longitud focal de la cámara [mm].

Imw = Ancho de la imagen [pixeles].

Sw = Ancho del sensor [mm].

Figura 7. Cálculo de Altura de vuelo a partir de GSD. Fuente: PIx4D, 2011.

2.4.

Sistemas GNSS.

Se conoce como Global Navigation Satellite System (GNSS), a la constelación de satélites artificiales que transmiten información de las coordenadas geodésicas y altitud de cualquier lugar del globo terrestre, ya sea en el mar, tierra o aire, donde se encuentre una antena receptora de esta señal (Ramirez, 2016). En la tabla 1 se presentan los tipos de sistemas GNSS existentes, diferenciando los de alcance global y regional, así como los que se encuentran actualmente operativos (NAVSTAR GPS y GLONASS) y los que están en desarrollo.

Tabla 1. Satélites del sistema GNSS

Fuente: Ramirez, 2016

Para el cálculo de la posición de un lugar en Tierra los satélites son usados como puntos de referencia para cuadrangular dicha ubicación. Para realizar la cuadrangulación se calcula la distancia que tardan las señales de radio proveniente de los satélites hasta llegar a la antena receptora en tierra (Simón, 2011). Esta

31

distancia se obtiene a través del tiempo de viaje que tardan estas ondas en llegar al equipo, para lo cual se necesita relojes de alta precisión, en el caso de los satélites se usan relojes atómicos, los cuales miden las oscilaciones internas de los átomos de cesio (Hofmann, Lichtenegger, y Wasle, 2008). Las oscilaciones son detectadas por un sistema electrónico de alta precisión, que convierte estas oscilaciones en intervalos de tiempo (Hofmann et al., 2008). En la figura 8 se muestra el funcionamiento del sistema satelital de posicionamiento.

Figura 8. Funcionamiento de un sistema de posicionamiento satelital.

Fuente: Fernández, 2013.

A continuación, se describen los elementos que componen los sistemas operativos GPS y GLONASS: 2.4.1. Componentes de sistemas GNSS: Los sistemas GNSS están conformados por constelaciones de satélites, los cuales cuentan con relojes atómicos, ordenadores, emisores y receptores de radio, y estaciones terrenas que controlan y monitorean cada satélite, con la finalidad de corregir sus órbitas y controlar su adecuado funcionamiento (Simón, 2011). Los sistemas receptores ubicados en cualquier lugar del globo terráqueo, utilizan los satélites como referencia para calcular su ubicación exacta (latitud, longitud, altitud) con precisiones de hasta centímetros (Simón, 2011). Estos sistemas cuentan con tres segmentos, espacial, de control y de usuario (Figura 9).

32

Figura 9. Segmentos de sistemas GNSS. Fuente: Simón, 2011.

2.4.1.1.

Segmento espacial.

Este segmento está conformado por cada uno de los satélites del sistema. Incluye dos tipos de satélites, los de navegación y comunicación. Los satélites de navegación son aquellos que proporcionaran la información de ubicación, y los cuales se encuentran orbitando alrededor de la Tierra, mientras que los satélites de comunicación (sistemas de aumento) sirven para retransmitir la información corregida proveniente de los segmentos de control (García, 2008; Hofmann et al., 2008).

En el caso de los satélites de navegación, estos deberán cubrir toda la Tierra, girando alrededor de distintos planos orbitales (Figura 10) (García, 2008). El sistema GPS cuenta con 32 satélites a 20.200 km de altitud respecto a la superficie de la tierra, y distribuidos en 6 órbitas (Hofmann et al., 2008; Simón, 2011), mientras que GLONASS con 24 satélites a 19.100 km en 4 órbitas (Hofmann et al., 2008).

En cuanto a los satélites de comunicación, estos son de tipo geoestacionarios, es decir, se mantienen con una posición fija con respecto a la tierra, y se encuentran a una altitud aproximada de 35790 km (NASA, 2018).

33

Figura 10. Ilustración segmento espacial GPS.

Fuente: Global Positioning System, 2018

2.4.1.2.

Segmento de control.

Está conformado por el grupo las estaciones de monitoreo que recogen la información proveniente de los satélites. Estas estaciones tienen la función de sincronizar los relojes atómicos que posee cada uno de los satélites y corregir su posición orbital. Cada estación envía la información corregida a los satélites para corregir su órbita y su mensaje de navegación, o la envían a satélites GEO para su retransmisión a países que no cuentan con segmento espacial.

El segmento de control GPS cuenta con una estación de control maestro, una estación de control maestro alternativa, 16 lugares de monitoreo, y 11 antenas de comando y control distribuidas alrededor del mundo (Figura 11) (Global Positioning System, 2017; Hofmann et al., 2008).

De igual manera, el sistema de control de GLONASS posee sistemas de control para sus satélites. Estos se encuentran ubicados casi en totalidad en el territorio conformado por países pertenecientes a la ex Unión Soviética, a excepción la estación ubicada en Brasilia (Brasil) (Duarte, 2016). El sistema GLONASS cuenta con un control de mando maestro en Moscú (Rusia), y estaciones de seguimiento en St. Petersburgo (Rusia), Ternopol (Ucrania), Eniseisk (Rusia), Komsomolsk-naAmure (Rusia) (Duarte, 2016; Hofmann et al., 2008).

34

Figura 11. Segmento de control GPS. Fuente: Global Positioning System, 2017.

2.4.1.3.

Segmento de usuario.

Está conformado por el equipo receptor de las señales provenientes de los satélites del sistema GNSS. Estos equipos, mediante un hardware y software específico, procesan las señales recibidas, no las emiten, y las usan para calcular su posición tridimensional y hora precisa. Los elementos básicos de estos equipos son la antena receptora y el receptor (Global Positioning System, 2017).

La antena capta las frecuencias emitidas por los satélites que conforman el segmento espacial, mientras que el receptor, de tipo heterodino, se basa en las frecuencias captadas de los distintos satélites para convertirla en una nueva frecuencia capaz de ser procesadas por su sistema electrónico (García, 2008) Existen varios tipos de receptores, que se distinguen entre sí por la precisión que provean para la ubicación de un punto (longitud, latitud y altitud). Los receptores con precisiones centimétricas son de doble frecuencia, es decir, que captan las frecuencias L1 y L2 (ondas portadoras) emitidas por los satélites. Ejemplos de estos equipos son los receptores GNNSS Hiper Plus de la marca Topcon, y el R8S de la marca Trimble, los cuales reciben señales de los satélites GPS y GLONASS, y son usados para trabajos geodésicos, como fotogrametría y levantamientos topográficos.

L1 emiten en una frecuencia de 1575.42 MHz, y longitud de onda de 19.05 cm, mientras que L2 a 1227.60 MHz, y 24.45 cm (Hofmann et al., 2008). Estas 2

35

frecuencias permiten conocer, mediante comparación de sus retardos, el retardo ionosférico, el cual se da producto de las inconsistencias de las condiciones atmosféricas que afectan a la velocidad de propagación de las señales provenientes del satélite (Hofmann et al., 2008; Simón, 2011).

Sobre estas frecuencias, L1 y L2, se emiten desde los satélites dos códigos, el Coarse Acquisition (C/A) y el Precise (P), los cuales, al ser procesados por el receptor, ayudan a mejorar la precisión de las coordenadas del punto a obtener (Hofmann et al., 2008).

2.4.2. Métodos de posicionamiento.

2.4.2.1.

Posicionamiento estático.

Para este método se utilizan dos receptores, uno de ellos localizado en un punto con coordenadas conocidas, y el otro ubicado en un punto cuya posición se va a obtener (Pachas, 2010). Este último receptor deberá estar ubicado de forma fija en el punto por un periodo de tiempo de entre 30 minutos a varias horas, dependiendo de la distancia existente entre los receptores (Pachas, 2010). Para distancias de entre 30 km a 200 km es recomendable el uso de receptores de doble frecuencia, que permitan corregir errores relacionados con los efectos atmosféricos, comúnmente dados en la zona de la ionósfera (Hofmann et al., 2008). A continuación, en el pos procesamiento de los datos crudos en softwares especializados, se corregirá las coordenadas usando la información del receptor ubicado en el punto conocido, obteniendo precisión milimétrica (Pachas, 2010) 2.4.2.2.

Posicionamiento cinemático.

Este método consiste en la toma de puntos en movimiento, en donde mediante 2 receptores, uno base el cual se mantendrá fijo en un punto con coordenadas conocidas que se tomarán como referencia, y otro móvil que se desplazará para la obtención de las coordenadas de los puntos deseados (Pachas, 2010; Simón, 2011). El mayor problema de este método está relacionado con la perdida de comunicación entre los receptores, que generará datos erróneos, por lo que la sincronización entre ambos tendrá que repetirse (Ferreccio, 2006).

36

Uno de los métodos más usados y precisos es el método cinemático RTK (real time kinematic), el cual es usado ampliamente para trabajos topográficos y de replanteo.

Mediante RTK, se pueden obtener coordenadas precisas sin necesidad de realizar un post procesamiento de la información, como en el caso del método estático.

Dependiendo del equipo la precisión horizontal será de 2 cm, y 3 cm en vertical (Ferreccio, 2006; Simón, 2011; Zarco Tejada, Diaz Varela, Angileri, y Loudjani, 2014).

Para el uso de este método es recomendable, en primer lugar, obtener mediante método estático, y posterior procesamiento, las coordenadas que ocupará la estación base, con la finalidad de que las mediciones a tomar mediante el método RTK sean precisas (Ferreccio, 2006).

Dependiendo del equipo, la toma de puntos mediante RTK permiten trabajar con distancias entre 5 km a 20 km entre antenas receptoras (Ferreccio, 2006). Además, la distancia de trabajo entre estas dependerá de las condiciones del sector, principalmente de la presencia de estructuras, cables de alta tensión, antenas parabólicas, entre otros.

2.5.

Sistemas de Información Geográfica (SIG).

A lo largo de los años los SIG han evolucionado desde softwares que únicamente eran aplicables en grandes computadores hasta convertirse en una herramienta de uso personal, capaz de ser instalada en portátiles y teléfonos móviles, permitiendo el almacenamiento, análisis y procesamiento de una gran cantidad de datos geográficos georreferenciados de tipo vector y raster, convirtiéndola en una herramienta multidisciplinaria (Olaya, 2014).

En el caso de los estudios de crecimiento individual de especies vegetales, estas herramientas han tenido una gran importancia para el análisis y manejo de modelos digitales de terreno (Digital Terrain Model – DTM) y modelos digitales de superficie (Digital Surface Model – DSM), así como para clasificar la vegetación en estudio para diferenciarla del resto, mediante técnicas como la clasificación supervisada y la clasificación por objetos (Birdal et al., 2017; Dandois y Ellis, 2013; Dempewolf et al., 2017; Ferdinent y Padmanaban, 2013; Kim, 2016).

37

Los modelos digitales de elevación son archivos tipo raster de estructura regular, los cuales son una representación visual y matemática de valores de altitud medida en relación al nivel medio del mar, que permiten la caracterización del relieve y los elementos que conforman la superficie terrestre (INEGI, 2017).

2.5.1. Modelo Digital del Terreno (DTM).

Un DTM es un conjunto de datos estructurados el cual representa una superficie continua de terreno que guarda información de puntos con coordenadas X,Y,Z (longitud, latitud, altitud) conocidos, y que están definidos en un sistema de coordenadas arbitrario (Fallas, 2007; Pucha, Fries, González, y Pucha, 2017). El DTM únicamente contiene datos del suelo desnudo, es decir, sin considerar elementos como vegetación, construcciones y otros objetos presentes (INEGI, 2017; Pucha, 2018b) (Figura 12).

2.5.2. Modelo Digital de Superficie (DSM).

El DSM, a diferencia del DTM, incluye todos los elementos que se encuentran sobre el suelo desnudo, guardando datos de las coordenadas en X,Y,Z de las características naturales y demás objetos presentes (vegetación, construcciones, etc.) (INEGI, 2017; Pucha, 2018b) (Figura 12).

Figura 12. DTM y DSM. Fuente: Pucha, 2018.

38

2.6.

Clasificación de imágenes.

2.6.1. Clasificación supervisada y no supervisada de imágenes.

En los softwares SIG, la clasificación supervisada es una herramienta que permite identificar, clasificar y evaluar los pixeles de una o varias bandas de una imagen raster a través de firmas espectrales creadas mediante la generación de áreas de entrenamiento (Pucha, 2012).

En el proceso de selección de áreas de entrenamiento se identifica grupos de pixeles que pertenecen a cubiertas conocidas de la superficie terrestre, por ejemplo, áreas forestales, cultivos, cuerpos de agua, zonas urbanas, suelos desnudos, entre otros. El software SIG, dependiendo del algoritmo clasificador elegido, y a partir de las áreas de entrenamiento, asigna clases a todos los pixeles de la imagen raster (Figura 13).

Figura 13. Clasificación supervisada.

Fuente: Pucha, 2012.

Por otro lado, la clasificación no supervisada de imágenes se caracteriza por no necesitar asignar áreas de entrenamiento (Pucha, 2012). De esta manera no se requiere la intervención de un operador para la creación de firmas espectrales. En este caso, el software SIG únicamente necesita de la imagen y el número de clases a generar para realizar la clasificación a través de algoritmos, los cuales buscan clases con la separabilidad espectral necesaria para diferenciar los diferentes elementos de la imagen (Amézquita Becerra y Pérez Castillo, 2009).

39

2.6.2. Clasificación de imágenes basada en objetos (OBIA).

La clasificación basada en objetos (Object Based Image Analysis – OBIA - ), a diferencia de la clasificación supervisada basada en firmas espectrales, no analiza las imágenes pixel por pixel, ya que se trata de una técnica de clasificación de imágenes que agrupa pixeles adyacentes que presentan un comportamiento similar entre

ellos,

mediante

un

proceso

llamado

segmentación

de

imagen

(GISGeography, 2018; Perea, Merono, y Aguilera, 2009).

En softwares SIG, como eCognition y ENVI, es posible, a partir de la imagen segmentada, realizar una clasificación de los objetos creados basados en un análisis de su forma, tamaño, geometría, área, color, textura, propiedades espaciales y espectrales, entre otras (GISGeography, 2018). Además, es posible asignar pesos a cada una de las bandas en una imagen satelital multiespectrales o imágenes tipo RGB, para que, al momento de la clasificación, se tome en cuenta, ciertas combinaciones de bandas, según los objetivos deseados (GISGeography, 2018). Finalmente, la clasificación realizada puede exportarse en varios formatos, incluido shapefile. En la figura 14 se indica un ejemplo de clasificación basada en objetos.

Figura 14. Clasificación basada en objetos.

Fuente: GISGeography, 2018.

2.7.

Tecnología UAV y GNSS en la medición de altura de vegetación.

El avance tecnológico durante las últimas décadas ha permitido la creación de ordenadores y softwares que posibilitan el procesamiento de imágenes aéreas georreferenciadas para la generación de modelos tridimensionales, proporcionando

40

nubes de puntos 3D fotogramétricos que se basan en las coincidencias encontradas entre fotografías superpuestas, permitiendo de esta manera que los sensores RGB sean una alternativa económica frente a la tecnología LIDAR (Balenović et al., 2015; Birdal et al., 2017; Dandois y Ellis, 2013; Dempewolf et al., 2017; Ferdinent y Padmanaban, 2013; Guerra et al., 2017; Kim, 2016; Lisein et al., 2013; Pierrot y Clery, 2011; Torres-Sánchez, López-Granados, Serrano, Arquero, y Peña, 2015).

Equipos UAV con cámaras RGB, sensores de escaneo laser o una combinación de ambas, han sido utilizado en el campo de las ciencias ambientales como una metodología flexible y no destructiva para la evaluación de altura y crecimiento individual de especies vegetales de una manera rápida y precisa, disminuyendo tiempo y esfuerzos comparado con el uso de técnicas convencionales de medición (Balenović et al., 2015; Guerra et al., 2017; Lisein et al., 2013; Puliti, Ørka, Gobakken, y Næsset, 2015). Además, la información obtenida en cuanto al cálculo de altura ha sido usada para evaluar competencia entre árboles, productividad, cuantificación de biomasa aérea y salud de los bosques (Balenović et al., 2015; Guerra et al., 2017).

A pesar de que ambas tecnologías generan nubes de puntos densas que permiten obtener un modelo 3D del área de estudio, el uso de fotografías digitales aéreas (DAP) posee limitaciones en comparación con el escaneo laser aéreo (ALS). DAP no puede penetrar la vegetación, por lo que esta técnica genera problemas de precisión vertical cuando existe una densa cobertura vegetal, ya que dificulta la obtención de un modelo digital de terreno (DTM) para la estimación de altura de la vegetación (Guerra et al., 2017; Puliti et al., 2015). El desarrollo de algoritmos para técnicas de visión por computadora, como “Structure from motion” (SfM), ha logrado solventar en parte este inconveniente (Dandois y Ellis, 2013; Dempewolf et al., 2017; Lisein et al., 2013; Puliti et al., 2015; Torres-Sánchez et al., 2015; Zarco Tejada et al., 2014).

Además, el uso de DAP y técnicas SfM presenta otras limitaciones como la presencia de elementos en movimiento (como el de las copas arbóreas al existir viento), sombras, distorsiones debido a la perspectiva que muestran los árboles inclinados en las zonas laterales de la imagen (Lisein et al., 2013; Puliti et al., 2015),

41

y dependiendo del equipo UAV, sistemas de posicionamiento de bajo costo, que presentan errores en la georreferenciación de las imágenes (Puliti et al., 2015). En este último caso, para superar esa dificultad es necesario el uso de equipos GNSS que permitan tomar puntos de control en tierra para corregir los errores en la georreferenciación de las imágenes, como lo realizó Balenović et al. (2015), Guerra et al. (2017), Zarco Tejada et al. (2014) y Kim (2016) en sus investigaciones.

Un tema fundamental en estudios sobre crecimiento individual de especies vegetativas usando DAP es la elección de los softwares a usar para la generación de modelos 3D a partir de fotografías aéreas y puntos de control. En los trabajos revisados los programas más usados, debido a su fácil manejo e interfaz sencilla son Pix4DMapper (Guerra et al., 2017) y Agisoft PhotoScan (Dandois y Ellis, 2013; Dempewolf et al., 2017; Torres-Sánchez et al., 2015). Además, en varios estudios el uso de un sistema de información geográfica (SIG), como ArcMap, QGIS, eCognition o ENVI, son indispensables para la clasificación de imágenes y la obtención de la altura de la vegetación mediante el tratamiento de modelos digitales de terreno y de superficie (Balenović et al., 2015; Dandois y Ellis, 2013; Dempewolf et al., 2017; Guerra et al., 2017).

El uso de UAV equipados con sensores remotos para estimar la altura de especies vegetales ha generado resultados positivos según varios estudios. Estos resultados han sido evaluados mediante la obtención del coeficiente de determinación (R²), y de la Raíz del Error Cuadrático Medio (Root Mean Squared Error – RMSE). R² es un estadístico que permite cuantificar el porcentaje en el que la variable dependiente (alturas obtenidas por SfM) puede ser explicada por la variable independiente (alturas obtenidas por medición manual en campo). En cuanto a RMSE, es un estadístico que permite estimar el error existente entre dos conjuntos de datos (Pucha, 2018a), en este caso las observaciones en campo y las obtenidas mediante SfM. Por ejemplo, Guerra et al. (2017) en Portugal realizó un estudio de crecimiento de la planta Pinus pinea, donde se comparó la altura obtenida a través del procesamiento de imágenes y la recolectada en campo. Los resultados para este estudio arrojaron un valor de R² de 0.96 y un RMSE de 0.19 m.

42

En un estudio similar realizado por Balenović et al. (2015) en Croacia se concluyó, mediante pruebas estadísticas ANOVA, que las alturas obtenidas entre el modelo digital generado y los datos recolectadas en campo no presentaban diferencias estadísticamente significativas (p < 0.05) usando imágenes aéreas con GSD (Ground Sample Distance) de 30 cm y 10 cm, lo que dio una desviación de la altura promedio de 0.35 m y 0.31 m respectivamente, en comparación con la estimación en campo.

Otras investigaciones en cuanto a medición de altura de árboles se han desarrollado en bosques naturales y no naturales, por ejemplo en Corea del Sur, donde Kim (2016), obtuvo resultados satisfactorios al medir mediante UAV especies como Pinus densiflora, Pinus koraiensis, Larix leptolepis y Quercuss ssp. En este estudio se calcularon 577 árboles individuales y se obtuvo un RMSE de 0.63 m a 2.65 m y R² = 0.95, al comprar los resultados obtenidos entre los datos en campo y los generados a través del modelo digital.

También, Zarco Tejada et al. (2014) mediante el uso de UAV con cámara RGB, obtuvo imágenes de alta resolución (5 cm/pixel) con la cual generó un ortomosaico y un DSM a través de métodos automáticos de reconstrucción 3D. En este estudio se utilizó un GNSS de precisión para corregir las coordenadas proporcionadas por el UAV mediante el método RTK. Como resultados se obtuvo un valor de R² = 0.83 y RSME de 35 cm al comparar los datos del modelo digital y los recolectados en campo.

Además, en Australia, Wallace, Lucieer, Malenovský, Turner, y Vopěnka (2016), compararon el uso de sistemas LIDAR y de UAV equipado con cámara RGB, para estimar la altura de árboles de eucalipto. Como resultado de la investigación, se concluyó que el uso de sistemas LIDAR estimaron mejor la altura de la vegetación (RMSE = 0.92 m; R² = 0.84) que el método fotogramétrico aplicando técnicas SfM (RMSE = 1.30 m; R² = 0.68) El presente estudio busca utilizar la experiencia de los diferentes autores para medir la altura individual de plantas de Espeletia pycnophylla (frailejones), ubicada en el ecosistema páramo, lugar donde no se han realizado investigaciones similares. La altura de las plantas será obtenida mediante el uso de un UAV de bajo costo

43

(Phantom 4 Pro – Marca DJI) equipado con sensor RGB, y la utilización de equipos GNSS (Topcon Hiper Plus) para aumentar la precisión en el georreferenciado de imágenes y obtener la topografía del terreno mediante RTK. A diferencia de otras investigaciones, se debe considerar algunas características especiales de esta zona, como la altitud, la cual influirá en el rendimiento de los equipos a utilizar, y la presencia de gran cantidad vegetación tipo pajonal bajo la especie en estudio.

44

CAPÍTULO III 3. METODOLOGÍA. 3.1.

Área de estudio.

El estudio se desarrolló en el páramo del volcán Chiles, en la parroquia Tufiño, localizada en la Provincia del Carchi, uno de los lugares donde habita la planta frailejón (Espeletia pycnophylla) en el Ecuador. Esta localidad forma parte del callejón interandino, presentando una temperatura media anual de 6.4 °C, y una precipitación media anual de 1068 mm (CORPONARIÑO, 2009).

El páramo del volcán Chiles no pertenece al Sistema Nacional de Áreas Protegidas (SNAP), pero su cuidado y protección ha sido designado, por el Ministerio de Ambiente del Ecuador (MAE), a la Comunidad La Esperanza de la parroquia Tufiño (Ipial, 2013). Esta comuna está inscrita en el Programa Nacional de Incentivos Socio Bosque, proyecto del Estado ecuatoriano que retribuye económicamente a personas naturales y jurídicas, y colectivos para que conserven y protejan los bosques, permitiéndoles como una de las actividades el turismo ecológico.

La zona del volcán Chiles posee un área de conservación de 8.621,7 hectáreas, de las cuales 6.600 hectáreas pertenecen al sistema ecológico páramo y 2.021,7 hectáreas a bosques andinos (Ipial, 2013). Esta área de conservación limita al norte con Colombia, al sur con la Reserva Ecológica El Ángel, al este con la parroquia Maldonado (donde se encuentra la comunidad Chorrillo), y al oeste con el centro poblado de Tufiño, que pertenece a la parroquia del mismo nombre (Ipial, 2013) (Figura 15).

Se seleccionó como unidad experimental una parcela de 1 hectárea (100 m X 100 m), la cual se localizó a una altitud aproximada de 3.780 msnm (Figura 16). Esta altitud se seleccionó considerando la facilidad de acceso, y las condiciones climáticas de la zona.

45

Figura 15. Ubicación de la parroquia de Tufiño.

46

Figura 16. Área de investigación.

3.2.

Materiales, equipos y software:

A continuación, en la tabla 2 se detallan los materiales, equipos y softwares utilizados para la presente investigación: Tabla 2. Materiales, equipos y software Materiales: Planchas de fómix color negro y naranja.

Pintura blanca y negra.

Piola naranja y latas de aluminio marcadas con números Equipos: GNSS de precisión (Equipo Base y Móvil) + colectora Spectral Precision + trípode y bastón. (Figura 17).

UAV DJI Phantom 4 Pro (Figura 17).

Descripción: Utilizados para la identificación de los frailejones en la fotografía aérea y para localizar puntos de control.

Servirá para marcar los frailejones en caso de ser necesarios para futuras investigaciones. Los números marcados en la lata de aluminio corresponden a su identificación en las planchas de fómix.

Equipos GNSS de precisión (GPS + GLONASS) marca Topcon modelo Hiper+.

- Precisión con método estático: H: 3mm; V: 5mm - Precisión con método RTK: H: 10mm; V: 15mm - Cámara: Sensor CMOS; Distancia focal: 24 mm; Megapixeles efectivos: 20MP. - Gimbal: 3 ejes.

- Sistema de posición por satélite: GPS + GLONASS. - Resistencia máxima de velocidad del viento: 10m/s.

- Tiempo máximo de vuelo por batería: 30 minutos.

47

Laptop.

- Procesador Intel - Core I7.

- Tarjeta de video de GeoForce GTX de 4Gb. - Memoria RAM de 16Gb.

Software: Aplicativo DroneDeploy (Tablet) Pix4DMapper eCognition (Trimble) ArcGIS.

Planificación y ejecución del vuelo con UAV. Procesamiento de imágenes provenientes de UAV. Utilizado para clasificación supervisada para la identificación de frailejones.

Generación de mapas y modelo de estimación de alturas mediante en Model Builder.

En la figura 17 se indica el equipo Phantom 4 Pro, y los equipos GNSS de precisión.

Figura 17. Izq: DJI Phantom 4 Pro. Der: GNSS Topcon Hiper+

3.3.

Metodología.

El avance de la tecnología en los últimos años ha posibilitado la estimación de altura de especies vegetales de una forma automatizada, reduciendo tiempo y esfuerzo en comparación con metodologías manuales de medición o la utilización de altímetros laser (Dempewolf et al., 2017) .

Varios son los estudios realizados por investigadores alrededor del mundo para estimar la altura de especies vegetales mediante el uso de sensores remotos. Las metodologías utilizadas se diferencian básicamente en los equipos para obtener la información en campo y los softwares utilizados para su procesamiento.

48

Estudios realizados por Næsset (2002), Næsset y Gobakken (2005), Yu, Hyyppä, Kukko, Maltamo, y Kaartinen (2006), Gonzales et al. (2010), Wallace, Lucieer, Watson, y Turner (2012), Frew, Evans, Londo, Cooke, y Irby (2016), utilizaron sensores activos LIDAR para obtener características físicas de especies vegetales a partir de la generación de nubes de puntos 3D del terreno. Esta información debe procesarse en softwares especializados para edición y clasificación de la nube de puntos 3D, por ejemplo, FUSION, LAStools, o TerraScan, para la obtención de modelos DSM y DTM que permitan determinar alturas de plantas individuales.

A diferencia de la aplicación de tecnología LIDAR, investigadores como Dandois y Ellis (2013), Zarco Tejada et al. (2014), Balenović et al. (2015), Kim (2016), Guerra et al. (2017), y Dempewolf et al. (2017), utilizaron cámaras tipo RGB (sensor pasivo), montado sobre un UAV de bajo costo. En esta metodología se utilizan técnicas SFM para la obtención de una nube de puntos 3D del terreno, y los modelos DTM y DSM, mediante la utilización de softwares de procesamiento de imágenes digitales como Agisoft PhotoScan y Pix4DMapper.

La tecnología LIDAR, al poder penetrar la vegetación, brinda mayores beneficios que los UAV equipados con cámara RGB, permitiendo obtener información más detallada del terreno bajo la vegetación (Guerra et al., 2017; Puliti et al., 2015). Por otro lado, es una tecnología costosa que requiere de un mayor entrenamiento para la adquisición de datos en campo y su posterior procesamiento, dificultando la realización de investigaciones con alta resolución temporal (Dempewolf et al., 2017).

La evolución de los UAV equipados con cámaras RGB, en cuanto a su sistema de posicionamiento y de navegación inercial, ha permitido desarrollar aplicaciones de fácil manejo para generar rutas de vuelo para mapear áreas de interés (Colomina y Molina, 2014). Esto, sumado al avance de las técnicas SFM para procesamiento de imágenes, han posibilitado el uso de estos sistemas para crear modelos digitales de elevación mediante métodos fotogramétricos (Dempewolf et al., 2017).

La metodología abordada en la presente investigación utilizó un equipo UAV de bajo costo con cámara RGB (Phantom 4 Pro), con la finalidad de probar que los sistemas UAV-SFM pueden ser una tecnología accesible para la estimación de

49

altura de plantas de frailejón. Además, para solventar los inconvenientes que presenta esta tecnología para obtener un DTM, se utilizó equipos GNSS de precisión para obtener la topografía del terreno mediante método RTK, y aumentar la precisión en la georreferenciación de la ortofotografía.

La metodología aplicada para el trabajo en campo, procesamiento de imágenes y el análisis de resultados corresponde a la utilizada por Guerra et al. (2017) en su investigación, con modificaciones en cuanto a la cantidad de plantas medidas en campo, la extensión del área de estudio, y la obtención de la topografía del terreno.

Esta metodología fue elegida ya que utiliza equipos UAV de bajo costo, tecnología de clasificación OBIA para la identificación de plantas, GNSS de precisión para la toma de puntos de control en campo, y compara los datos obtenidos en campo y por SFM mediante análisis estadísticos basados en la obtención de R² y RMSE, los cuales se ajustan al objetivo de la investigación. Además, para la estimación de altura a partir de los modelos DSM y DTM se utilizó la metodología aplicada por Lisein et al. (2013).

A continuación, en la figura 18, se indica el flujograma de la metodología a aplicar.

Figura 18. Flujograma de la metodología.

50

3.4.

Medición de las plantas en campo.

Se midió la altura en campo de una muestra de 100 plantas, las cuales fueron seleccionadas de forma aleatoria dentro de toda el área de investigación. Estas medidas fueron usadas para validar el modelo de estimación de la altura de frailejones. La altura del frailejón corresponde a la distancia existente entre el nivel del suelo hasta la punta de la roseta (Benavides et al., 2007) (Figura 19).

Figura 19. Variables morfométricas del frailejón. AP: Altura de la planta; AN: Altura de Necromasa; AR: Altura de Roseta; DR: Diámetro de roseta; DN: Diámetro de Necromasa.

Fuente: Benavides et al., 2007.

Para identificar las 100 plantas seleccionadas, se colocó rectángulos de fomix de color negro de 44 cm X 30 cm en la parte superior del frailejón marcados con números del 1 a 100 pintados de color blanco (Figura 20). Además, se etiqueto a cada uno con el propósito de ser encontrarlos en el futuro para posteriores investigaciones.

Figura 20. Colocación de fomix numerados para identifiación de plantas de frailejón.

51

3.5.

Puntos de control fotogramétrico:

Los puntos de control fotogramétrico fueron colocados considerando una distribución que permita cubrir toda el área de estudio, y se los identificó mediante el uso de fomix circulares de color naranja. En total se seleccionaron 17 puntos de control, los cuales fueron medidos con equipos GNSS de precisión marca Topcon (modelo Hiper+) mediante el método Real Time Kinematic (RTK) (Guerra et al., 2017). Estos puntos permitieron mejorar la precisión de la ortofotografía obtenida en el post procesamiento de las imágenes obtenidas con UAV. Para la toma de los puntos de control mediante método RTK, se escogió un punto como estación base, que sirvió como referencia para la toma del resto de puntos.

La coordenada del punto base se obtuvo mediante método estático rápido, manteniendo el equipo GNSS base durante un periodo de tiempo de 10 minutos (Figura 21). Durante este tiempo el equipo tomó lectura de su ubicación cada segundo, para posteriormente procesar esta información y obtener su coordenada en X,Y,Z. A partir de esto, mediante el equipo GNSS móvil montado sobre el bastón, se procedió a la toma de los 16 puntos restantes.

Figura 21. Medida de puntos de control fotogramétricos.

3.6.

Levantamiento topográfico.

A partir del método RTK, utilizando el mismo punto base para la toma de los 16 puntos de control, se realizó el levantamiento topográfico a detalle de la zona. Los puntos

tomados

para

el

levantamiento

se

colocaron

considerando

las

52

irregularidades del terreno. Los sectores del área de estudio que presentaron mayores variaciones de pendiente del terreno, tuvo mayor cantidad de puntos que las zonas con menor variación de pendiente. En totalidad se tomaron 211 puntos para generar la topografía (Figura 22). Estos puntos fueron utilizados para generar el DTM.

Figura 22. Levantamiento topográfico.

3.7.

Planificación y ejecución del vuelo con UAV.

La planificación del vuelo se la realizó mediante la aplicación DroneDeploy instalada en un IPad modelo 2017. Para la planificación se consideró una altura de vuelo de 40 metros, que proporcionó un tamaño de pixel 1.2 cm, y un traslape vertical y horizontal del 75% entre fotografías. Además, se configuró el plan de vuelo para que la cámara del UAV Phantom 4 Pro, usada en este estudio, obtenga fotos perpendiculares y oblicuas. Estas dos posiciones de la cámara permitieron que el modelo 3D generado, y en consecuencia el modelo digital de superficie, tengan mayor precisión (Figura 23).

El vuelo tuvo un tiempo de duración de 13:08 minutos, cubrió aproximadamente 2 hectáreas y utilizó 1 batería. Se debe considerar que el plan de vuelo cubra una zona más grande que el área de estudio, debido a que, existe la posibilidad de que los bordes de la ortofotografía final presenten pequeñas distorsiones, ya que en esas zonas existen menos fotografías para emparejar. El resultado final del vuelo generó 217 fotografías.

53

Figura 23. Plan de vuelo con DroneDeploy.

3.8.

Procesamiento de fotografías aéreas.

3.8.1. Procesamiento inicial: Consiste en alinear todas las imágenes georreferenciadas cargadas en el software, con lo que se generará una vista previa de la ortofotografía final a obtener. El software Pix4DMapper generó un mosaico en base a los traslapes horizontales y longitudinales entre fotografías. En este paso es posible utilizar 3 opciones de calidad (alta, media o baja). La calidad alta (utilizada en esta investigación) usa las escalas originales de las fotografías para la alineación, por lo que procesará más detalladamente cada una las fotografías.

3.8.2. Carga de puntos de control.

En este paso se cargan los puntos de control obtenidos en campo, y se los identifica manualmente en cada una de las imágenes donde estos aparecen. A partir de esto se re optimiza la georreferenciación de la ortofotografía del proceso inicial.

3.8.3. Creación de malla y nube de puntos 3D. Durante este proceso el software utiliza técnicas Structure from Montion (SfM) y algoritmos matemáticos para convertir elementos en 2D (imágenes aéreas) en estructuras tridimensionales, generando una nube de puntos densa exportable a un archivo de extensión “LAS” y una malla que representaran el terreno en estudio (Figura 24).

54

Figura 24. Nube de puntos 3D.

3.8.4. Generación de DSM y ortofotografía: Finalmente, a partir de los datos generados por la nube de puntos, el software exporta la ortofotografía y un DSM en formato TIFF, georreferenciados con los 17 puntos de control cargados. El reporte de calidad del procesamiento de las imágenes se presenta en el anexo 1.

Como resultado final del procesamiento de las fotografías aéreas se obtuvo el DSM y la ortofotografía, ambas georreferenciadas con los puntos de control de campo.

A continuación, la ortofotografía y los puntos de control se cargaron en ArcMap. Además, se identificaron las 100 plantas de frailejón que se tomaron como muestra en el campo (Figura 20).

3.9.

Generación de modelo digital de terreno (DTM):

A partir de los datos 211 coordenadas obtenidas en campo mediante método RTK, se obtuvo el DTM. Para generar el archivo raster en ArcMap, a partir de estos puntos, se utilizaron 2 herramientas, “Create TIN” (utilizando los 211 puntos) y “TIN to Raster”.

3.10. Cálculo de alturas de frailejones mediante DSM y DTM. Para el cálculo de las alturas de frailejón se utilizó la metodología propuesta por Lisein et al. (2013) en cuanto a la diferencia del DSM y DTM. A través de la información proporcionada por el DSM y DTM, se realizó el siguiente procedimiento en ArcMap:

55

1. Se identificó los frailejones medidos en campo, y se los señalo mediante un archivo shapefile tipo “punto”.

2. Se utilizó la herramienta “Extract Multi Values to points” ubicada en la caja de herramientas “ArcToolBox”. En el cuadro de diálogo de la herramienta se insertó el archivo shapefile, y los 2 archivos raster (DSM y DTM) (Figura 25).

Esta herramienta permite obtener las altitudes correspondientes a ese punto, obteniéndolas del DSM y del DTM.

Figura 25. Herramienta “Extract Multi Values to Points”.

3. Finalmente, en la tabla de atributos del shapefile se creó un nuevo campo, donde, mediante el uso de la calculadora de campo, se restó los valores obtenidos del DSM y del DMT. Este valor, producto de la resta entre la altitud del DSM y DTM (en unidades de metros sobre el nivel del mar –msnm-), es la altura del frailejón. En la figura 26 se muestra un gráfico ilustrativo del DSM y DTM.

Figura 26. Izq: DSM. Der: DTM.

3.11. Validación del modelo digital con las alturas medidas en campo.

Para la validación de las alturas obtenidas en el modelo digital se realizó en el software RStudio, siguiendo la metodología de Guerra et al. (2017):

56

1. Se escogieron 80 plantas de forma aleatoria para realizar una regresión lineal entre las alturas en campo y las generadas en el modelo, con la finalidad de obtener una ecuación que permita obtener los valores predichos de altura.

2. Se realizó una gráfica entre valores ajustados y residuos estandarizados de la regresión lineal para analizar la presencia de valores atípicos en el conjunto de datos. Los valores atípicos fueron eliminados y se realizó una nueva regresión lineal para obtener la ecuación. El conjunto de datos fue evaluado nuevamente con la gráfica de valores ajustados y residuos estandarizados.

3. La ecuación obtenida fue aplicada en las 20 plantas restantes, utilizando la información de alturas del modelo digital. A partir de los resultados obtenidos de alturas predichas de estas 20 plantas, y usando sus respectivas alturas obtenidas en campo, se calculó la Raíz del Error Cuadrático Medio (RMSE), el cual es un parámetro que permite medir el error existente entre 2 conjuntos de datos (Figura 27).

Donde: Pi = Alturas predichas por la ecuación.

Oi = Alturas medidas en campo. n = Número de datos a evaluar.

Figura 27. Ecuación: raíz del error cuadrático medio

4. Se utilizó las pruebas de Shapiro – Wilk, Kolmogorov y Jarque Bera para evaluar la normalidad de los residuales de la regresión. Si el valor de significancia (p) es menor a 0.05 (confianza del 95%), significará que los residuales no poseen una distribución normal, y que los parámetros del modelo no son exactos.

5. Además, mediante un análisis de la gráfica resultante entre los residuales y los valores ajustados de la regresión se evaluó la hipótesis de homocedasticidad.

3.12. Identificación de frailejones en el área de estudio.

Para poder clasificar los frailejones que se encuentran en el área de estudio se utilizó la clasificación basada en objetos (OBIA) (Guerra et al., 2017). Para esto, se usó el software eCognition de marca la Trimble, en el cual, mediante una

57

clasificación OBIA, se clasificó y se diferenció las plantas de frailejón del resto de la vegetación, usando la ortofotografía obtenida en Pix4DMapper.

Para realizar esto se utilizó el algoritmo “Multiresolution segmentation”, el cual une los pixeles de valores similares para formar objetos. Los parámetros de la herramienta se configuraron como se indica a continuación (Figura 28): 1. Escala (Scale): 170 (Este parámetro tiene relación con el tamaño que tendrán los objetos, entre mayor valor los objetos serán más grandes).

2. Forma (Shape): 0.1 (Toma valores de 0 a 1, entre mayor sea el número asignará menos peso al color del pixel durante la segmentación).

3. Compacidad (Compactness): 0.9 (Toma valores del 0 a 1, entre mayor sea el número mayor será la compacidad de los objetos en la segmentación).

Figura 28. Multiresolution Segmentation en eCognition.

A partir de la segmentación se clasificó la imagen en 2 clases, con la finalidad de distinguir el frailejón del resto de la vegetación. Para este proceso se escogieron áreas de entrenamiento mediante el uso de la herramienta “Select Sample” ubicada en la barra “Sample” del software eCognition (Figura 29).

Figura 29 . Clasificación en eCognition.

58

Para la clasificación se utilizó la opción “Nearest Neighbor Classification” (Clasificación del vecino más cercano), la cual permite seleccionar muestras para cada clase de cobertura del terreno, en este caso, para las 2 clases generadas.

Esta herramienta permite clasificar las imágenes segmentadas, obteniendo mejores resultados que en un enfoque de clasificación pixel por pixel (Figura 30).

Figura 30. Clasificación del vecino más cercano.

3.13. Generación de modelo para estimación de alturas.

Una vez validada la información, se utilizó la herramienta de ArcMap “Model Builder” para crear un conjunto de herramienta que automatice procedimientos para obtener la altura de los frailejones mediante la ecuación resultante. El modelo cuenta con 2 herramientas, cuya creación se detalla a continuación: 3.13.1.

Herramienta 1 – Obtención de DSM y DTM:

Se utilizó como parámetros de entrada los puntos topográficos obtenidos en campo, el shapefile con la ubicación de los frailejones, el DSM obtenido en Pix4DMapper, y el sistema de coordenadas en que se encuentra la información. Como resultado final obtiene que en la tabla de atributos del shapefile de la ubicación de frailejones los valores de DSM y DTM correspondientes a cada uno de los frailejones. Las herramientas utilizadas fueron: 1. “Create TIN” y “TIN to Raster” para generar el DTM a partir de los puntos de la topografía.

2. “Extract Multi Values to Points” para obtener los valores del DTM y DSM de los puntos que representan la ubicación de los frailejones.

3. “Add Field” que añade un nuevo campo de nombre “Altura Frailejón”, al cual se le aplicará la ecuación para la estimación de altura.

59

En la figura 31 se muestra el diagrama realizado.

Figura 31 . Herramienta 1 - Diagrama realizado en Model Builder.

3.13.2.

Herramienta 2 – Calculo de alturas.

A partir del shapefile de ubicación de frailejones, la herramienta “Calculate Field” y de la ecuación para cálculo de altura de frailejón, se obtiene la altura estimada de cada uno de los frailejones. En esta herramienta, como único parámetro de ingreso se seleccionó el shapefile de ubicación de frailejones. En la figura 32 se indica el diagrama generado en Model Builder.

Figura 32. Herramienta 2 – Cálculo de altura de frailejón.

60

CAPÍTULO IV 4. Resultados.

4.1.

Resultados del procesamiento de imágenes y generación de DTM.

Como resultados del procesamiento de imágenes en el software Pix4D se obtuvo la ortofotografía del área de estudio, la cual fue cargada en ArcMap con la identificación de los puntos de control y de la muestra de 100 frailejones medidos en campo (Figura 33).

Figura 33. Ortofotografía, puntos de control y muestra de frailejones.

Además, mediante el procesamiento de las fotografías aéreas se obtuvo el DSM (Figura 34) y a partir de los puntos topográficos en campo el DTM (Figura 35).

Figura 34. Modelo Digital de Superficie (DSM)

61

DTM Puntos topográficos.

Figura 35. Generación de DTM a partir de puntos topográficos.

4.2.

Validación de alturas del modelo digital y cálculo de RSME.

Al realizar la gráfica de valores ajustados vs. residuos estandarizados de la regresión lineal, se observó 3 posibles valores atípicos, correspondientes a las plantas 22, 36 y 82 (Figura 36).

Figura 36. Valores ajustados vs. residuos.

Nota: Los valores en el gráfico representa la ubicación de las plantas de frailejón en la tabla de datos y no el número asignado a cada uno.

Esta situación, sumada a los bajos valores de significancia en el análisis de normalidad de los residuales (p < 0.05), fueron las razones por lo que se eliminó los datos de estas 3 plantas. A continuación, se realizó la regresión lineal, y se obtuvieron los parámetros para la validación, con los datos de 77 plantas.

62

Como resultado de la regresión lineal, entre los valores predichos y los medidos en campo, se obtuvo un R² de 0.95 (p < 0.05). Además, se obtuvo la siguiente ecuación para predecir los valores alturas de frailejón a partir del modelo digital obtenido con imágenes georreferenciadas provenientes de UAV: Y(Altura predicha) = 0.81308 * X(Altura MD) + 0.26779 En la figura 37 se indica el resultado de la regresión lineal obtenido en RStudio, y en la figura 38 la gráfica de la pendiente entre la altura en campo y la altura del modelo digital.

Figura 37. Resultados de la regresión lineal en RStudio.

Figura 38. Gráfica de pendiente. Altura en campo vs. Altura modelo digital.

En cuanto al análisis de normalidad de los residuales de la regresión lineal se obtuvieron los siguientes valores de significancia en el software RStudio (Figura 39): -

Prueba de Shapiro – Wilk: p = 0.3232

-

Prueba de Kolmogorov – Smirnov: p = 0.1324

-

Prueba de Jarque – Berna: p = 0.2036

63

Figura 39. Análisis de normalidad en RStudio.

Además, se evaluó la normalidad de los residuos de forma gráfica mediante un QQ plot y mediante la gráfica de distribución normal (Figura 40).

Figura 40. Gráfica de normalidad de los residuales de la regresión lineal.

Para evaluar la homocedasticidad se generó un gráfico de correlación entre los residuales y los valores ajustados de la regresión (Figura 41).

Figura 41. Análisis de homocedasticidad.

Mediante las 20 plantas restantes se calculó el RSME entre los valores predichos por la ecuación y los medidos en el campo. El RSME calculado fue de 0.22 (22 cm).

64

4.3.

Identificación de plantas de frailejón en el área de estudio.

Mediante la clasificación supervisada basada en objetos realizado en el software eCognition, se obtuvo un archivo shapefile tipo polígono, el cual fue transformado a tipo punto para la identificación de los frailejones y su posterior utilización en el modelo de predicción de alturas. Además, se realizó una corrección manual en ArcMap, ya que varias plantas al estar juntas, fueron clasificadas en el software eCognition como una sola entidad. En la figura 42 se indica el resultado final.

Figura 42. Identificación de plantas de frailejón.

Mediante este mecanismo se encontraron 5319 plantas de frailejón en el área de estudio, que posee un área aproximada de 1 hectárea.

4.4.

Generación de herramienta para cálculo de altura de plantas de frailejón en “Model Builder”.

El modelo a usar para cálculo de altura de frailejones consta de dos herramientas.

La primera sirve para extraer los valores del DSM y DTM correspondiente a cada una de las plantas de frailejón del área de estudio, mediante el ingreso de los puntos topográficos tomados en campo, el sistema de coordenadas usado, el DSM obtenido a partir del procesamiento de imágenes aéreas, y un archivo shapefile con los frailejones del área de estudio identificados mediante método de clasificación supervisada por objetos realizado en el software eCognition. La segunda herramienta utiliza la ecuación obtenida para predecir la altura de las plantas de frailejón, y el archivo shapefile con la ubicación de las plantas (el mismo archivo utilizado en la primera herramienta). En la figura 43 se indican ambas herramientas.

65

Figura 43. Herramientas para cálculo de alturas de frailejón.

En la figura 44 se indica los parámetros para el cálculo de la altura de plantas de frailejón. En el anexo 2 se muestra los resultados obtenidos al aplicar las herramientas de cálculo en las 100 plantas medidas en campo.

Figura 44. Cálculo de alturas de plantas de frailejón.

66

CAPÍTULO V 5. Discusión de resultados.

En el estudio se obtuvo un RMSE de 0.22 m, y un R² de 0.95, valor similar al obtenido por Guerra et al. (2017) en Portugal, al estudiar el crecimiento de Pinus pinea. Además, en comparación con otros estudios, el valor obtenido está por debajo de investigaciones como la de Balenović et al. (2015), Kim (2016), Wallace et al. (2016), Torres-Sánchez et al. (2015), Puliti et al. (2015) y Zarco Tejada et al.

(2014). En la tabla 3 se indican estos resultados.

Tabla 3 Investigaciones relacionadas a la estimación de altura.

Autor

Tipo de vegetación

Presente investigación Guerra et al.

(2017) Balenović et al. (2015)

Espeletia pycnophylla (Frailejón) Pinus Pinea

Kim (2016)

Wallace et al.

(2016) Zarco Tejada et al. (2014) (TorresSánchez et al., 2015) (Puliti et al., 2015)

Bosques (Roble, Haya europea, Carpe común, Aliso negro) Bosques naturales y artificiales (Pinus densiflora, Pinus koraiensis, Larix leptolepis y Quercus spp.)

Bosques de eucalipto

País donde se realizó la investigación Ecuador Portugal

Croacia

Corea del Sur

Australia

Plantaciones de olivos

España

Plantaciones de olivos

España

Picea Noruega (Picea abies), Pino silvestre (Pinus sylvestris), Abedul (Betula)

Noruega

Resultados RMSE = 0.22 m; R² = 0.95 RMSE = 0.19 m; R² = 0.96.

RMSE = 0.31 m a 0.35 m.

RMSE = 0.63 m 2.65 m; R² = 0.95.

RMSE = 1.30 m, R² = 0.68.

RMSE = 0.35 m, R² = 0.83 RMSE = 0.24 m – 0.35 m ; R² = 0.84 – 0.90 RMSE = 0.7 m; R² = 0.97

Esta comparación permite destacar el modelo generado frente a estudios similares.

Los resultados del modelo igualan o mejoran a los obtenidos en trabajos donde se estima altitud de plantas individuales. El error calculado entre los datos medidos en campo y los procesados mediante SfM son mayores en otros estudios en comparación con los obtenidos al estimar la altura de plantas individuales de

67

frailejón. A pesar de esto, hay que considerar que son diferentes las especies en estudio, y que la poca o fuerte dominancia apical influenciará en una adecuada estimación de la altura. Entre más fuerte sea la dominancia apical de la especie, la nube de puntos 3D y el DSM generarán mejores resultados en la estimación de alturas (Guerra et al., 2017).

En cuanto a la validación del modelo, se realizó pruebas de normalidad a los residuales de la regresión lineal. Tomando un nivel de confianza del 95%, se determinó, mediante las pruebas de Shapiro – Wilk, Kolmogorov – Smirnov y Jarque – Berna, que existe normalidad en los residuales, ya que los valores de significancia (p), fueron mayores a 0.05 para las 3 pruebas (Cabrera, 2016). De esta manera, y analizando los gráficos de normalidad mostrados en la figura 40, se concluye que los residuales cuentan con una distribución normal aceptable para la validación del modelo.

Por otro lado, se realizó una prueba de homocedasticidad entre los residuales y los valores ajustados de la regresión, en el cual, al no encontrar un patrón específico, visualizando los puntos en una distribución aleatoria, se puede concluir que no existe heterocedasticidad (existe homocedasticidad), es decir, que son constantes las varianzas de los residuales, y por lo cual también se determina que existe normalidad en los residuales de la regresión (Cabrera, 2016).

Una de los principales retos de esta investigación fue determinar la altitud a nivel del suelo. Debido a la gran cantidad de vegetación tipo pajonal existe en el páramo del volcán Chiles, la fotogrametría área y técnicas SfM, no son óptimas para identificar la superficie del terreno. Según White et al. (2013) y Järnstedt et al.

(2012), un DTM de zonas con gran cantidad de vegetación frondosa generado a partir de métodos fotogramétricos posee baja precisión, debido a que el suelo no es identificable en la fotografía aérea. Este problema también fue presentado por Guerra et al. (2017), Dandois y Ellis (2013) y por Wallace et al. (2016) en sus estudios, por lo que en esta investigación se utilizó equipos GNSS para obtener información de la superficie del terreno. Los datos topográficos obtenidos con los equipos GNSS de precisión permitieron generar el DTM de la zona de estudio.

Basados en las experiencias y sugerencias publicadas en las investigaciones de Guerra et al. (2017), Puliti et al. (2015) y Dempewolf et al. (2017), el uso de equipos

68

de posicionamiento GNSS de precisión, contribuyó en alcanzar un RMSE de 0.22 m, considerando que, la frondosidad de la paja bajo el frailejón, no permite identificar la superficie del suelo.

Además, debido a que el sistema de posicionamiento global con el que se encuentra equipado el UAV Phantom 4 Pro genera mediciones con errores de precisión, fue necesario tomar puntos de control para corregir la georreferenciación del ortomosaico y del DSM obtenido a partir de las imágenes digitales aéreas. De esta manera se garantizó mantener la base del DSM y del DTM al mismo nivel altitudinal. Según Balenović et al. (2015), Guerra et al. (2017), Puliti et al. (2015), Dempewolf et al. (2017) y Næsset y Gjevestad (2008), usar equipos de posicionamiento aumenta la precisión vertical, disminuyendo la diferencia entre las alturas obtenidas en la medición en campo y las alturas predichas por el modelo digital.

Los productos finales obtenidos a partir de las imágenes aéreas tomadas con UAV a 40 metros de altura fueron la ortofotografía y el DSM. La ortofotografía generada posee un tamaño de pixel (GSD) de 1.2 centímetros, valor suficiente para identificar los puntos de control terrestres, las láminas de fomix marcadas con números del 1 al 100 para la identificación de la muestra de plantas de frailejón, e identificar los frailejones existentes en el área de estudio. Por otro lado, el DSM obtenido a partir de la nube de puntos generada en Pix4DMapper, permitió obtener la altitud del límite superior de las rosetas de las plantas, a excepción de las que se encuentran en estado de plántula. Este problema se produce debido a que el software no es capaz de identificar la pequeña variación de nivel entre la plántula y el terreno, por lo que genera problemas al estimar la altura de estas plantas.

En cuanto a la clasificación de la vegetación en la zona de estudio, para poder discriminar las plantas de frailejón del resto de la vegetación, el software eCognition arrojó resultados satisfactorios. De forma similar a los estudios realizados por Guerra et al. (2017) y Torres-Sánchez et al. (2015), se realizó una clasificación basada en objetos, con la cual se agruparon pixeles de valores similares, en un proceso llamado segmentación, para convertirlos en objetos, y usarlos como elementos básicos de análisis.

69

El punto negativo encontrado al usar la clasificación por objetos fue que el software asumió como una sola entidad a grupos de plantas de frailejón cuyas coronas (rosetas) se encontraron agrupadas. El problema de la agrupación de especies vegetales también es descrito por Balenović et al. (2015) y Korpela (2004) en sus investigaciones. Para superar este inconveniente se realizó una revisión manual para corregir estos errores. Además, el software no reconoció las pequeñas plantas de frailejón, confundiéndolas con pajonal.

El uso de técnicas de clasificación por objetos y posterior procesamiento en ArcMap, permitió identificar una gran cantidad de plantas de frailejón, de forma más rápida que uso de técnicas manuales en campo. Este proceso se realizó en aproximadamente 4 horas, y se identificaron 5319 plantas de frailejón en la hectárea de estudio. De estas 5319 plantas individuales, 3305 fueron identificadas por medio de la clasificación por objetos (62.13%).

Debido a estos problemas se recomienda explorar otros métodos que permitan identificar automáticamente las plantas de frailejón en las zonas de estudio, basados en modelos de reconocimiento de características de imágenes por computadora, o basado en el manejo de modelos digitales de elevación, y que sean una alternativa a la clasificación por objetos, ya que este tipo de clasificación, a pesar de simplificar el trabajo, requiere de revisión y corrección de forma manual de las zonas donde los frailejones están juntos, y son identificados como una sola entidad.

En cuanto al uso de la herramienta Model Builder de ArcMap, esta permitió generar un modelo automatizado que calcula la altura de plantas de frailejón a partir de la información recolectada en campo y la ecuación obtenida. Esta herramienta fue configurada para que, al ingresar el DSM, los puntos topográficos, el sistema de coordenadas en la cual se obtuvieron los datos, y un archivo shapefile tipo punto con la ubicación de los frailejones, se pueda obtener la altura de plantas de frailejón, haciendo uso de la ecuación de predicción de alturas generada en la regresión lineal.

Al analizar los resultados obtenidos por la ecuación de predicción de alturas, se demuestra que, el uso de imágenes provenientes de UAV de bajo costo procesadas

70

con técnicas fotogramétricas y SfM, sumado al levantamiento topográfico con equipos GNSS de precisión para la obtención del DTM del área de estudio, y la utilización de softwares SIG para el procesamiento y automatización de procedimientos, es una alternativa económica frente a la utilización de tecnología LiDAR para estimar la altura de plantas individuales (Dandois y Ellis, 2013; Guerra et al., 2017; Wallace et al., 2016; Zahawi et al., 2015). De esta manera, se rechaza la hipótesis nula planteada en este estudio, y se acepta la hipótesis alternativa.

Además, respecto a las preguntas de investigación planteadas, estas tuvieron respuestas positivas. La precisión obtenida al aplicar técnicas SfM para estimación de alturas de plantas de frailejón es de 0.22 m. El uso de OBIA para la identificación de plantas individuales de frailejón tuvo una eficiencia del 62.13%, identificando 3305 plantas en relación a las 5319 obtenidas después de realizada la corrección manual en ArcMap. Finalmente, en cuanto a la densidad poblacional del frailejón, tomando como base las 5319 plantas encontradas en la hectárea de estudio, se obtuvo un valor de 0.53 individuos / m². Este valor guarda relación con el estudio realizado por Benavides et al. (2007), donde se obtuvo que, la densidad promedio del frailejón en el Páramo El Infiernillo es menor a 1 individuo / m² en zonas superiores a los 3700 msnm. El Páramo El Infiernillo se encuentra ubicado en Colombia, muy cercano al complejo volcánico Chiles – Cerro Negro.

Esta investigación contribuye a la posibilidad de analizar la tecnología UAV y técnicas de computadora SfM como herramientas de bajo costo para mapeo y creación de inventarios forestales, permitiendo aumentar la resolución espacial y temporal en comparación al uso de herramientas tradicionales de teledetección. El acceso a esta información contribuirá de soporte a los administradores forestales para mejorar la planificación forestal, y generar proyectos enfocados en el cuidado y protección del ecosistema paramero.

Debido a que la altura es una de las principales variables para la descripción cualitativa de la vegetación, la herramienta contribuiría en la determinación del estado de salud, crecimiento de plantas individuales, y cuantificación de biomasa y carbono almacenado por la especie en su estructura interna (Balenović et al.,

71

2015). Es por estas razones que la herramienta generada podrĂ­a servir a futuras investigaciones enfocada en el estudio individual de plantas de frailejĂłn, con la finalidad de crear planes y proyectos que se ajusten a las necesidades y caracterĂ­sticas de este ecosistema.

72

CAPITULO VI. 6. Conclusiones y recomendaciones.

6.1.

Conclusiones.

A partir de la investigación realizada se generó un grupo de herramientas para estimar alturas de plantas de frailejón mediante el uso de fotografías aéreas provenientes de un equipo UAV de bajo costo, y del levantamiento topográfico del terreno mediante equipos GNSS de precisión. Además, mediante la clasificación basada en objetos (OBIA), el uso del software eCognition, y posterior procesamiento de la información, se identificó 5319 plantas de frailejón en la hectárea de estudio.

Considerando los resultados obtenidos (R²=0.95,

RMSE=0.22m),

se ha

demostrado que la tecnología UAV-SfM es altamente prometedora para la estimación de altura de especies vegetales, información que apoyará en la descripción cuantitativa del frailejón.

El modelo generado podrá servir a futuras investigaciones en temas sobre el crecimiento individual, la salud poblacional de plantas de frailejón, y cuantificación de biomasa y carbono almacenada en su estructura interna, ahorrando tiempo y esfuerzo en comparación con métodos convencionales. Esta información será útil para investigar la dinámica de este ecosistema, y crear planes de manejo acorde a las características del páramo de frailejones para su conservación y protección.

Además, el presente modelo permitirá aumentar la resolución temporal de estudios sobre crecimiento de plantas individuales de frailejón, ya que facilitará su medición al ser un proceso automatizado en computadora, que no necesita de la medición directa de las plantas en campo.

Considerando que el estudio se realizó en base a la especie frailejón, se recomienda utilizar el modelo generado exclusivamente para estimar la altura de esta especie, ya que puede tener resultados diferentes de precisión con otro tipo de vegetación.

73

6.2.

Recomendaciones.

Con la finalidad de comprobar la eficacia de la herramienta para el cálculo de crecimiento individual de plantas de frailejón, se recomienda utilizar la herramienta con datos multitemporales de un mismo sector, para evaluar el crecimiento de las plantas de frailejón.

Se recomienda utilizar el modelo generado en otras áreas de la zona, con la finalidad de probar el funcionamiento del modelo y la metodología en diferentes condiciones (pendiente, cobertura vegetal bajo la especie en estudio, condiciones atmosféricas).

La parroquia de Tufiño, lugar donde se realizó el estudio, cada vez atrae mayor cantidad de turistas, principalmente interesados en conocer el bosque de frailejones y el volcán Chiles, por lo que en un futuro será uno de los principales atractivos turísticos de la provincia del Carchi. Es recomendable empezar a realizar planes de manejo encaminados en un turismo sustentable, planificado, de crecimiento controlado, y de demanda especializada (turismo de aventura, rural, cultural o ambiental) que permita la conservación del ecosistema, y evite el turismo de masas, el cual se ha caracterizado por degradar el ambiente. Esto, sumado al actual Programa Socio Bosque, en el cual está inscrito la comuna La Esperanza (a cargo de la zona), permitirá el adecuado manejo sustentable de la zona.

74

REFERENCIAS Acevo, R. (2011). Sistemas de teledetección activos y pasivos embarcados en sistemas aéreos no tripulados para la monitorización de la tierra. Universitat Politécnica de Catalunya, Barcelona.

Amézquita Becerra, G., y Pérez Castillo, J. N. (2009). Servicio Grid Para La Clasificación No Supervisada De Imágenes Satelitales Utilizando Autómatas Celulares. Ciencia e Ingeniería Neogranadina, 19(2), 59–76.

Anderson, E., Marengo, J., Villalba, R., Halloy, S., Young, B., Cordero, D., …

Carrascal, D. (2012). Consecuencias del cambio climático en los ecosistemas y servicios ecosistémicos de los Andes Tropicales. Paris: Instituto Interamericano para la Investigación del Cambio Global. Recuperado el 13 de enero de 2018, a partir de http://www.academia.edu/22216050/Consecuencias_del_cambio_climático_e n_los_ecosistemas_y_servicios_ecosistémicos_de_los_Andes_Tropicales Andrade, A., y Yépes, H. (2014). Almacenamiento de agua y cuantificacíon de carbono en el ecosistema páramo dentro de un esquema global environment outlook (Geo), caso de estudio: Páramo de Píntag - Cuenca Alta del Río Pita.

Escuela Politecnica Nacional. Recuperado el 13 de enero de 2018, a partir de http://bibdigital.epn.edu.ec/handle/15000/1612 Balenović, I., Seletković, A., Pernar, R., y Jazbec, A. (2015). Estimation of the mean tree height of forest stands by photogrammetric measurement using digital aerial images of high spatial resolution. Annals of Forest, 58(1), 125– 143. Recuperado el 13 de marzo de 2018, a partir de https://doi.org/10.15287/afr.2015.300 Benavides, I., Burbano, D., Urbano, S., y Salarte, M. (2007). Efecto del gradiente altitudinal sobre aspectos autoecológicos de Espeletia pycnophylla ssp.

Angelensis Cuatrec. (Asteracea) en el paramo el infierillo (Nariño-Colombia).

SciElo, 41–53. Recuperado el 22 de enero de 2018, a partir de https://www.researchgate.net/publication/236620642_Efecto_del_gradiente_a ltitudinal_sobre_apspectos_eutoecologicos_de_Espeletia_pycnophylla_en_el _paramo_el_infierillo_Narino-Colombia Birdal, A. C., Avdan, U., y Türk, T. (2017). Estimating tree heights with images from an unmanned aerial vehicle. Geomatics, Natural Hazards and Risk, 8(2), 1144–1156. Recuperado el 11 de marzo de 2018, a partir de https://doi.org/10.1080/19475705.2017.1300608 Cabrera, P. (2016). Lección 4: Análisis de Regresión. Modulo 9 - Estadística Espacial. Salzburgo: Programa de maestría UNIGIS - América Latina.

Checa, Z. P., Morales, A. F., y Hernández, L. A. (2014). Combinación de fotogrametría terrestre y áerea de bajo coste : el levantamiento tridimensional de la iglesia de San Miguel de Ágreda (Soria. Virtual Archaelogy Review, 5(10), 51–58.

Chuvieco, E. (2007). Funadamentos de teledetección (Ediciones). Madrid España. Recuperado el 28 de agosto de 2018, a partir de

75

http://files.especializacion-tig.webnode.com/2000011108750e88486/FUNDAMENTOS-DE-TELEDETECCION-EMILIOCHUVIECO.pdf Colomina, I., y Molina, P. (2014). Unmanned aerial systems for photogrammetry and remote sensing: A review. ISPRS Journal of Photogrammetry and Remote Sensing, 92, 79–97. Recuperado el 31 de diciembre de 2018, a partir de https://doi.org/10.1016/j.isprsjprs.2014.02.013 CORPONARIÑO, Corporación Autónoma Regional de Nariño. (2009). Estudio sobre el estado atual del páramo del Chiles. Nariño. Recuperado el 28 de agosto de 2018, a partir de http://corponarino.gov.co/expedientes/intervencion/biodiversidad/estudioestad oactualparamochiles.pdf Crespo, P. (2012). Puentes entre alturas. La sistematización del proyecto Páramo Andino en Venezuela, Colombia, Ecuador y Perú. (T. Rodriguez, Ed.). Quito: CONDESAN. Recuperado el 13 de enero de 2018, a partir de http://www.flacsoandes.edu.ec/libros/digital/56376.pdf Dandois, J. P., y Ellis, E. C. (2013). High spatial resolution three-dimensional mapping of vegetation spectral dynamics using computer vision. Remote Sensing of Environment, 136, 259–276. Recuperado el 18 de marzo de 2018, a partir de https://doi.org/10.1016/j.rse.2013.04.005 Dempewolf, J., Nagol, J., Hein, S., Thiel, C., y Zimmermann, R. (2017).

Measurement of within-season tree height growth in a mixed forest stand using UAV imagery. Forests, 8(7), 1–15. Recuperado el 18 de marzo de 2018, a partir de https://doi.org/10.3390/f8070231 DJI, SZ DJI Technology Co., Ltd (2018). PHANTOM 4 SPECS. Recuperado el 28 de junio de 2018, a partir de https://www.dji.com/phantom-4/info DronebyDrone. (2016). El cerebro de los drones: Componentes electrónicos.

Recuperado el 29 de junio de 2018, a partir de https://www.dronebydrone.com/noticias/186/el-cerebro-de-los-dronescomponentes-electronicos.html DroneDeploy. (2018). Work Smarter with Drone Data. Recuperado el 28 de junio de 2017, a partir de https://www.dronedeploy.com/ Duarte, C. (2016, junio). El Sistema GLONASS. Hacia el Espacio, 6. Recuperado el 28 de agosto de 2018, a partir de http://haciaelespacio.aem.gob.mx/revistadigital/articul.php?interior=201 ESRI. (2016). What is lidar data? Recuperado el 15 de marzo de 2018, a partir de http://desktop.arcgis.com/en/arcmap/10.3/manage-data/las-dataset/what-islidar-data-.htm EU, IGAC, y CIAT - Unión Europea, Instituto Geográfico Agustín Codazzi, Centro Internacional de Agricultura Tropical -. (2007). Mejora en los sistemas de cartografía del territorio colombiano. En Mejora de los sistemas cartográficos del territorio colombiano - Capitulo 3 Teledetección (p. 44). Guajira Colombia: Instituto Geográfico Agustín Codazzi.

76

Everaerts, J. (2008). The use of unmanned aerial vehicles (UAVS) for remote sensing and mapping. International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, XXXVII(B1), 1187–1192.

Fallas, J. (2007). Modelos digitales de elevación : Teoría , métodos de interpolación y aplicaciones. Costa Rica: Universidad Nacional de Costa Rica.

Ferdinent, J., y Padmanaban, R. (2013). Development of a Methodology to Estimate Biomass from Tree Height Using Airborne Digital Image.

International Journal of Advanced Remote Sensing and GIS, 2(1), 49–58.

Fernández, P. (2013). ¿Cómo funciona un navegador GPS? Recuperado el 3 de julio de 2018, a partir de http://enciende.cosce.org/boletin/index.asp?item=52 Ferreccio, N. (2006). Análisis de la Técnica RTK. (Editorial de la Universidad Nacional de La Plata, Ed.). Buenos Aires - Argentina: Universidad de la Plata.

Flores, S., Groten, U., Lugo, S., y Mena Vásconez, P. (2012). Gente , vida y agua en los cerros. Una sistematización del Proyecto Páramo Andino en el Ecuador. Quito: EcoCiencia. Recuperado el 12 de enero de 2018, a partir de http://www.flacsoandes.edu.ec/libros/digital/56323.pdf Frew, M. S., Evans, D. L., Londo, H. A., Cooke, W. H., y Irby, D. (2016).

Measuring douglas-fir crown growth with multitemporal LiDAR. Forest Science, 62(2), 200–212. Recuperado el 26 de diciembre de 2018, a partir de https://doi.org/10.5849/forsci.14-062 García, D. (2008). Sistema GNSS (GLOBAL NAVIGATION SATELLITE SYSTEM). Universidad Autónoma de Madrid.

GISGeography. (2018). OBIA – Object-Based Image Analysis (GEOBIA) – Think Objects, Not Pixels. Recuperado el 31 de agosto de 2018, a partir de https://gisgeography.com/obia-object-based-image-analysis-geobia/ Global Positioning System. (2017). GPS - Segmento de control. Recuperado el 2 de julio de 2018, a partir de https://www.gps.gov/systems/gps/control/ Global Positioning System. (2018). Sistema de Posicionamiento Global.

Recuperado el 2 de julio de 2018, a partir de https://www.gps.gov/spanish.php González, M. (2010). Escala de las Radiaciones Electromagnéticas. Recuperado el 2 de septiembre de 2018, a partir de https://fisica.laguia2000.com/energia/escala-de-las-radiacioneselectromagneticas Gonzalez, P., Asner, G. P., Battles, J. J., Lefsky, M. A., Waring, K. M., y Palace, M. (2010). Forest carbon densities and uncertainties from Lidar, QuickBird, and field measurements in California. Remote Sensing of Environment, 114(7), 1561–1575. Recuperado el 26 de diciembre de 2018, a partir de https://doi.org/10.1016/j.rse.2010.02.011 Greenpeace. (2013). Páramos en Peligro- El Caso de la minería de Carbón en Pisba. Greenpeace Org., 32. Recuperado el 14 de abril de 2018, a partir de http://greenpeace.co/pdf/paramos/Informe Páramos en peligro.pdf

77

Guerra, J., González, E., Monleón, V., Faias, S., Tomé, M., y Díaz, R. (2017). Use of multi-temporal UAV-derived imagery for estimating individual tree growth in Pinus pinea stands. Forests, 8(8), 1–19. Recuperado el 14 de enero de 2018, a partir de https://doi.org/10.3390/f8080300 Hofmann, B., Lichtenegger, H., y Wasle, E. (2008). GNSS Global Navigation Satellite Systems. GPS, GLONASS y more. Graz - Austria: Springer Wien New York.

Hofstede, R., Segarra, P., y Mena, P. (2003). Los Páramos del Mundo. Los Páramos del Mundo. Quito: Global Peatland Initiative/NC-UICN/EcoCiencia.

Recuperado el 3 de septiembre de 2018 a partir de http://www.portalces.org/sites/default/files/references/038_Hofstede et al. %28eds%29.2003.Los Paramos del Mundo.pdf ICGeo, Ingeniería Civil y Geología. (2018). Fotogrametría con Drones.

Recuperado el 28 de junio de 2018, a partir de http://www.icgeo.org/2018/02/para-que-sirve-el-traslape-en-la.html IGN, Instituto Geográfico Nacional de Perú. (2011). Especificaciones técnicas para la producción de cartografía básica escala 1:1000. Lima.

INEGI, Instituto Nacional de Estadística y Geografía. (2017). Modelos Digitales de Elevación. Recuperado el 7 de julio de 2018, a partir de http://www.inegi.org.mx/geo/contenidos/datosrelieve/continental/queesmde.as px Ipial, S. (2013). Caracterización de suelo e infiltración en el páramo del volcán Chiles en Tulcán aplicadas a la reducción de emisiones derivadas de la deforestación y la degradación forestal (REDD+). Universidad Central del Ecuador.

Järnstedt, J., Pekkarinen, A., Tuominen, S., Ginzler, C., Holopainen, M., y Viitala, R. (2012). Forest variable estimation using a high-resolution digital surface model. ISPRS Journal of Photogrammetry and Remote Sensing, 74, 78–84.

Recuperado el 3 de septiembre de 2018, a partir de https://doi.org/10.1016/j.isprsjprs.2012.08.006 Kim, K. M. (2016). Estimation of stand height and forest volume using high resolution stereo photography and forest type map. International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences ISPRS Archives, XLI-B8, 695–698. Recuperado el 17 de marzo de 2018, a partir de https://doi.org/10.5194/isprsarchives-XLI-B8-695-2016 Korpela, I. (2004). Individual tree measurements by means of digital aerial Photogrammetry. Silva Fennica, 3, 93. Recuperado el 1 de septiembre de 2018, a partir de http://www.metla.fi/silvafennica/full/smf/smf003.pdf Kouba, J. (2009). A guide to using International GNSS Service ( IGS ) products.

Ontario - Canadá.

Laliberte, A. S., Goforth, M. A., Steele, C. M., y Rango, A. (2011). Multispectral Remote Sensing from Unmanned Aircraft : Image Processing Workflows and Applications for Rangeland. Remote sensing, 3(1), 2529–2551. Recuperado

78

el 28 de agosto de 2018, a partir de https://doi.org/10.3390/rs3112529 Lisein, J., Pierrot, M., Bonnet, S., y Philippe, L. (2013). A Photogrammetric Workflow for the Creation of a Forest Canopy Height Model from Small Unmanned Aerial System Imagery. Forests, 4(4), 922–944. Recuperado el 15 de marzo de 2018, a partir de http://www.mdpi.com/2071-1050/5/12/4988/htm Macedo, J. (2009). Restituidores Fotogramétricos en la Facultad de Ingeniería de la UNAM. Universidad Nacional Autónoma de México.

Martinez, J. (2005). Percepción Remota - Fundamentos de Teledetección Espacial. Ciudad de México - Estados Unidos Mexicanos: CONAGUA. Recuperado el 28 de agosto de 2018, a partir de http://siga.conagua.gob.mx/SIGA/Percepcion/Fundamentos de teledetección espacial.PDF Memeza, G. (2016). Cartografía Automatizada y Teledetección. Recuperado el 3 de junio de 2018, a partir de http://giulliana-mv.blogspot.com/2016/ Montoya, D. V. (2006). Fotogrametría digital aplicada a la obtención de ortofotos y modelos digitales de las entidades patrimoniales. Universidad del País Vasco - Euskal Herriko Unibertsitatea.

Næsset, E. (2002). Predicting forest stand characteristics with airborne scanning laser using a practical two-stage procedure and field data. Remote Sensing of Environment, 80(1), 88–99. Recuperado el 26 de diciembre de 2018, a partir de https://doi.org/10.1016/S0034-4257(01)00290-5 Næsset, E., y Gjevestad, J. G. (2008). Performance of GPS precise point positioning under conifer forest canopies. Photogrammetric Engineering and Remote Sensing, 74(5), 661–668. Recuperado el 3 de septiembre de 2018, a partir de https://doi.org/10.14358/PERS.74.5.661 Næsset, E., y Gobakken, T. (2005). Estimating forest growth using canopy metrics derived from airborne laser scanner data. Remote Sensing of Environment, 96(3–4), 453–465. Recuperado el 26 de diciembre de 2018, a partir de https://doi.org/10.1016/j.rse.2005.04.001 NASA. (2011). Propiedades Radiación Electromagnética. Recuperado el 31 de mayo de 2018, a partir de https://www.mdscc.nasa.gov/index.php?Section=Propiedades_Radiacion_Ele ctromagnetica NASA. (2018). Orbitas Satelitales. Recuperado el 2 de julio de 2018, a partir de https://scool.larc.nasa.gov/Spanish/orbits-sp.html Olaya, V. (2014). Sistemas de Información Geográfica. (V. Olaya, Ed.).

CreateSpace Independent Publishing Platform.

Orlando, J., Cáceres, J., y Porras, H. (2016). Ortomosaicos y modelos digitales de elevación generados a partir de imágenes tomadas con sistemas UAV. Tecnura, 20(50), 119–140. Recuperado el 28 de agosto de 2018, a partir de https://doi.org/10.14483/udistrital.jour.tecnura.2016.4.a09 Pachas, R. (2010). Posicionamiento estático y diferencial: errores y postproceso

79

(Vol. IX). Trujillo - Venezuela.

Peguero, C. (2012). Sensores remotos y aplicaciones en teledección, 307.

Perea, A. J., Merono, J. E., y Aguilera, M. J. (2009). Clasificación orientada a objetos en fotografías aéreas digitales para la discriminación de usos del suelo. Interciencia, 34(9), 612–616. Recuperado el 1 de septiembre de 2018, a partir de https://www.interciencia.net/wp-content/uploads/2018/01/612PEREA-5.pdf Pérez, C., y Muñoz, A. (2006). Teledetección: Nociones y aplicaciones.

Salamanca - España: Universidad de Salamanca.

Pierrot, M., y Clery, I. (2011). Évolutions Récentes en photogrammétrie et modélisation 3D par photo des milieux naturels. (S. Jaillet, E. Ployon, y T. Villemin, Eds.). Saint Mandé, Francia: Collection Edytem. Recuperado el 16 de marzo de 2018, a partir de https://hal.archivesouvertes.fr/file/index/docid/737370/filename/collection_edytem_12.pdf Pix4D. (2018). Pix4Dcapture. Recuperado el 28 de junio de 2018, a partir de https://pix4d.com/product/pix4dcapture/ PIx4D. (2011). Tools - GSD Calculator. Recuperado el 29 de junio de 2018, a partir de https://support.pix4d.com/hc/en-us/articles/202560249-TOOLS-GSDCalculator Podwojewski, P., y Poulenard, J. (2000). Los suelos de los Páramos del Ecuador.

En los suelos del Páramo. Serie Páramo 5. Quito: Abya Yala. Recuperado el 3 de septiembre de 2018, a partir de https://doi.org/ISSN 1390-1222 Pozo, M. (2002). Desarrollo de equipos de fotogrametría: Explotación del dato digital. En XIV Congreso Internacional de Ingeniería Geográfica (pp. 1–9).

Extremadura - España.

Pucha, F. (2012). Clasificación supervisada y no supervisada en ArcGIS. Recuperado el 31 de agosto de 2018, a partir de https://acolita.com/clasificacion-supervisada-no-supervisada-en-arcgis/ Pucha, F. (2018a). ¿Qué es el error cuadrático medio RMSE? Recuperado el 25 de septiembre de 2018, a partir de https://acolita.com/que-es-el-errorcuadratico-medio-rmse/ Pucha, F. (2018b). Diferencias entre DSM, DEM y DTM. Recuperado el 7 de julio de 2018, a partir de https://acolita.com/diferencias-dsm-dem-dtm/ Pucha, F., Fries, A., González, V., y Pucha, D. (2017). Fundamentos de SIG (Ediloja Ci). Loja - Ecuador.

Puliti, S., Ørka, H. O., Gobakken, T., y Næsset, E. (2015). Inventory of Small Forest Areas Using an Unmanned Aerial System. Remote Sensing, 7(8), 9632–9654. Recuperado el 28 de agosto de 2018, a partir de https://doi.org/10.3390/rs70809632 Quiros Rosado, E. (2014). Introducción a la Fotogrametría y Cartografía aplicadas a la Ingeniería Civil. Cáceres - España: Universidad de Extremadura.

80

Recuperado el 16 de marzo de 2018, a partir de https://mascvuex.unex.es/ebooks/sites/mascvuex.unex.es.mascvuex.ebooks/f iles/files/file/Fotogrametria_9788469713174_0.pdf Ramírez, F. (2018). Usos de los drones para capturar y procesar imagenes y datos. Recuperado el 27 de junio de 2018, a partir de https://fireosoft.com.co/blogs/usos-drones-captura-procesar-imagenes/ Ramirez, S. (2016). Calibración de Equipos de Rastreo Satelital GNSS. Lima Perú: Instituto Nacional de Calidad. Recuperado el 18 de agosto de 2018, a partir de http://www.inacal.gob.pe/inacal/files/metrologia/EVENTOS/SIMPOSIOS/2016/ Presentaciones/Calibracin_de_Equipos_de_Rastreo_Satelital_GNSS__Jos_Ramirez.pdf Ramsay, P. M. (2001). The ecology of Volcán Chiles: high-altitude ecosystems on the Ecuador-Colombia border. Plymouth: University of Plymouth. Recuperado el 13 de enero de 2018, a partir de http://www.researchgate.net/publication/256086811_The_ecology_of_Volcn_ Chiles_high-altitude_ecosystems_on_the_Ecuador-Colombia_border Rodriguez, O., y Harold, A. (2005). Manual para el manejo de procesamiento de imágenes satelitales obtenidas del sensor remoto modis de la NASA, aplicado en estudios de ingeniería civil. Bogotá - Colombia. Recuperado el 28 de agosto de 2018, a partir de http://www.javeriana.edu.co/biblos/tesis/ingenieria/tesis123.pdf Rodríguez, R., Tigmasa, N., García, K., Pazmiño, R., y Caamaño, R. (2016).

Espeletia pyncnophylla subsp. angelensis, el ángel del norte. Bionatura, 272– 276. Recuperado el 14 de enero de 2018, a partir de http://revistabionatura.com/files/2017.02.01.10.pdf Santamaría, J., y Sanz, T. (2011). Fundamentos de Fotogrametría (Universida).

Rioja - España: Universidad de la Rioja.

Santos, D. (2014). Fotogrametría usando plataforma aérea UAV ( Unmanned Aerial Vehicle ). Universitat Politécnica de Catalunya.

Shi, J., Wang, J., y Xu, Y. (2011). Object - based change detection using georreferenced UAV images. International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, XXXVIII(C22), 14–16.

Simón, B. (2011). Levantamiento mediante GNSS de una red de puntos enlazando con precisión en los distintos espacios de la UPCT en el mismo sistema de coordenadas. Universidad Politécnica de Cartagena.

Smith, A. (1981). Growth and Population Dynamics of Espeletia (Compositae) in the Venezuelan Andes. Smithsonian Contributions to Botany, (48), 1–45.

Recuperado el 13 de enero de 2018, a partir de https://doi.org/10.5479/si.0081024X.48 Sømme, L. (1986). Tolerance To Low Temperatures and Desiccation in Insects from Andean Paramos. Arctic, 18(3), 253–259.

81

Tahar, K. N., y Ahmad, A. (2013). An Evaluation on Fixed Wing and Multi-Rotor UAV Images using Photogrammetric Image Processing. International Journal of Computer and Information Engineering, 7(1), 48–52.

Thompson, M., y Gruner, H. (1980). Foundations of Photogrammetry. Manual of Photogrammetry (C.C. Sama). American Society of Photogrammetry and Remote Sensing.

Top Engenharia. (2008). Fotogrametría Analítica. Recuperado el 26 de junio de 2018, a partir de http://topengenharia.blogspot.com/2008/06/iv-fotogrametriaanaltica.html Torres-Sánchez, J., López-Granados, F., Serrano, N., Arquero, O., y Peña, J. M. (2015). High-throughput 3-D monitoring of agricultural-tree plantations with Unmanned Aerial Vehicle (UAV) technology. PLoS ONE, 10(6), 1–20.

Recuperado el 18 de marzo de 2018, a partir de https://doi.org/10.1371/journal.pone.0130479 Trimble. (2018). Solución de imágenes aéreas Trimble UX5 para la agricultura.

Recuperado el 28 de junio de 2018, a partir de http://www.trimble.com/agriculture/ux5 Vargas, C., Castillo, S., Ariolfo, C., Rojas, F., y Arguello, H. (2015). Aplicaciones y retos del sensado remoto hiperespectral en la geología colombiana. Facultad de Ingeniería - Universidad Pedagógica y Tecnológica de Colombia, 24(40), 17–29.

Vásconez, P., y Hofstede, R. (2006). Los páramos ecuatorianos. Botánica económica de los Andes Centrales, 91–109. Recuperado el 13 de enero de 2018, a partir de http://www.beisa.dk/Publications/BEISA Book pdfer/Capitulo 06.pdf Wallace, L., Lucieer, A., Malenovský, Z., Turner, D., y Vopěnka, P. (2016).

Assessment of Forest Structure Using Two UAV Techniques: A Comparison of Airborne Laser Scanning and Structure from Motion (SfM) Point Clouds.

2Forests, 7(62), 16. Recuperado el 28 de agosto de 2018, a partir de http://www.mdpi.com/1999-4907/7/3/62/htm Wallace, L., Lucieer, A., Watson, C., y Turner, D. (2012). Development of a UAVLiDAR system with application to forest inventory. Remote Sensing, 4(6), 1519–1543. Recuperado el 26 de diciembre de 2018, a partir de https://doi.org/10.3390/rs4061519 White, J., Wulder, M., Vastaranta, M., Coops, N., Pitt, D., y Woods, M. (2013). The Utility of Image-Based Point Clouds for Forest Inventory: A Comparison with Airborne Laser Scanning. Forest, 4(3), 518–536. Recuperado el 3 de septiembre de 2018, a partir de http://www.mdpi.com/20711050/5/12/4988/htm Yolanda, L., Cárdenas, E., y Ussa, A. (2015). La estereoscopía, métodos y aplicaciones en diferentes áreas del conocimiento. Revista Científica José Maria Córdova, 13(16), 201–219.

Yu, X., Hyyppä, J., Kukko, A., Maltamo, M., y Kaartinen, H. (2006). Change

82

Detection Techniques for Canopy Height Growth Measurements Using Airborne Laser Scanner Data. Photogrammetric Engineering y Remote Sensing, 72(12), 1339–1348. Recuperado el 26 de diciembre de 2018, a partir de https://doi.org/10.14358/PERS.72.12.1339 Zahawi, R., Dandois, J., Holl, K., Nadwodny, D., Reid, L., y Ellis, E. (2015). Using lightweight unmanned aerial vehicles to monitor tropical forest recovery.

Biological Conservation, 186, 287–295. Recuperado el 28 de agosto de 2018, a partir de https://www.sciencedirect.com/science/article/pii/S0006320715001421 Zarco Tejada, P. J., Diaz Varela, R., Angileri, V., y Loudjani, P. (2014). Tree height quantification using very high resolution imagery acquired from an unmanned aerial vehicle ( UAV ) and automatic 3D photo-reconstruction methods.

European Journal of Agronomy, 55, 89–99. Recuperado el 28 de agosto de 2018, a partir de https://doi.org/10.1016/j.eja.2014.01.004

83

ANEXOS Anexo 1. Reporte de calidad de procesamiento de imรกgenes.

84

85

86

87

88

89

Anexo 2. Cรกlculo de altura predicha de la muestra de 100 plantas de frailejรณn.

90

91