💻 computer science

Estimating the Diameter at Breast Height of Trees in a Forest from RGB

Este artículo presenta un método de bajo costo que utiliza una cámara 360 de consumo y una tubería semiautomática basada en fotogrametría y segmentación semántica para estimar el diámetro a la altura del pecho de los árboles con una precisión comparable a la del LiDAR, logrando un error relativo mediano de entre el 5% y el 9%.

Autores originales: Siming He, Zachary Osman, Fernando Cladera, Dexter Ong, Nitant Rai, Patrick Corey Green, Vijay Kumar, Pratik Chaudhari

Publicado 2026-04-17

📖 4 min de lectura☕ Lectura para el café

CC BY 4.0

Autores originales: Siming He, Zachary Osman, Fernando Cladera, Dexter Ong, Nitant Rai, Patrick Corey Green, Vijay Kumar, Pratik Chaudhari

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

¡Claro que sí! Imagina que este artículo es como una receta de cocina para medir árboles, pero en lugar de usar una cinta métrica y sudar la gota gorda, usamos un cámara de 360 grados (como las que usan los youtubers para hacer videos inmersivos) y un poco de "magia" matemática.

Aquí tienes la explicación, paso a paso, con analogías sencillas:

🌲 El Problema: Medir el "cinturón" de los árboles

Los forestales necesitan saber el grosor de los troncos de los árboles (lo que llaman DBH o diámetro a la altura del pecho) para calcular cuánto carbono guardan los bosques o cuánta madera hay.

El método viejo: Ir árbol por árbol con una cinta métrica. Es lento, cansado y requiere mucho personal.
El método caro (LIDAR): Usar láseres súper precisos montados en aviones o drones. Es como tener un escáner médico para el bosque: muy exacto, pero cuesta miles de dólares y es complicado de usar.

📸 La Solución: "El Escáner con Cámara de 360"

Los autores proponen una forma barata y fácil: usar una cámara normal de 360 grados (que puedes comprar en Amazon) y un software inteligente. Es como si el bosque tuviera un "espejo mágico" que crea una copia digital en 3D.

¿Cómo funciona el proceso? (La receta)

El Paseo (Captura de datos):
Imagina que eres un turista en el bosque. Puedes caminar alrededor de un árbol con la cámara en la espalda o volar un dron dando vueltas. La cámara graba todo lo que hay a su alrededor, como si fuera un ojo que gira 360 grados.
El Rompecabezas 3D (Reconstrucción):
El software toma miles de fotos y las une, como si fuera un rompecabezas gigante, para crear una nube de puntos 3D. Es como si el bosque se convirtiera en una estatua hecha de millones de pequeños píxeles flotantes.
El Detective de Árboles (Segmentación):
Aquí entra la inteligencia artificial (llamada Grounded SAM). Imagina que le dices al ordenador: "Oye, busca solo los troncos de los árboles". El programa pone una "máscara" digital sobre los troncos en las fotos y luego proyecta esa máscara sobre la estatua 3D. Así, el ordenador sabe exactamente qué puntos pertenecen al árbol y cuáles a las hojas o al suelo.
La Medición Mágica (El Aro de Fourier):
Una vez que el ordenador tiene el tronco aislado, lo "corta" virtualmente a la altura del pecho (1.3 metros). Ahora tiene un círculo (o una forma rara) hecho de puntos.
- Para medirlo, prueban tres métodos matemáticos: uno que dibuja un óvalo perfecto, otro que usa curvas suaves (como un alambre flexible) y uno que usa series de Fourier (imagina que es como ajustar una cuerda de guitarra para que vibre perfectamente siguiendo la forma del tronco, incluso si el tronco es un poco torcido).
- El ganador: El método de las "cuerdas de guitarra" (Fourier) fue el mejor, porque es muy bueno ignorando los puntos sucios o faltantes.

📊 ¿Qué tan bien funciona? (Los Resultados)

El equipo probó esto en 43 árboles reales.

Precisión: Su método se equivocó, en promedio, solo entre un 5% y un 9%.
Comparación: El método de láser (LIDAR) es un poco más preciso (se equivoca un 2-4% menos), pero la diferencia es pequeña.
La gran ventaja: Mientras que el láser cuesta una fortuna y requiere expertos, la cámara de 360 grados es barata, fácil de usar y cualquiera puede llevarla.

🛠️ La Herramienta Visual

Además, crearon un programa especial (como un videojuego) donde puedes ver los árboles en 3D, hacer clic en ellos y ver su grosor estimado. Es como tener un "Google Maps" interactivo del bosque donde puedes inspeccionar cada árbol.

💡 En Resumen

Imagina que quieres medir el grosor de un árbol en tu jardín.

Opción A: Contratar a un equipo con un láser de $50,000.
Opción B: Usar tu cámara de 360 grados, caminar alrededor del árbol, y dejar que una app haga el resto.

Este artículo dice que la Opción B es casi tan buena como la A, pero cuesta una fracción del precio y es mucho más fácil. Es una forma de democratizar la ciencia forestal, permitiendo que más personas monitoreen la salud de los bosques sin gastar una fortuna.

La moraleja: No necesitas el escáner más caro del mundo para medir un árbol; a veces, una buena cámara y un poco de matemáticas inteligentes son suficientes. 🌳📐📸

Resumen Técnico: Estimación del Diámetro a la Altura del Pecho (DBH) de Árboles en Bosques a partir de Video RGB

1. Planteamiento del Problema

La gestión forestal, el monitoreo ecológico y la contabilidad de carbono dependen críticamente de mediciones precisas del Diámetro a la Altura del Pecho (DBH), tomado típicamente a 1.3 metros del suelo.

Métodos tradicionales: El uso de cintas métricas y calibradores manuales es preciso pero ineficiente, laborioso y difícil de escalar.
Métodos LiDAR: Ofrecen alta precisión (errores < 2 cm) pero son costosos, requieren personal especializado y software de procesamiento complejo, lo que limita su adopción masiva.
Desafío actual: Existe una necesidad urgente de alternativas de bajo costo, accesibles y operativamente simples que puedan ser utilizadas por robots autónomos o equipos de campo sin infraestructura costosa.

2. Metodología Propuesta

Los autores presentan una tubería de procesamiento (pipeline) semi-automatizada que convierte video de 360° capturado con cámaras de consumo en estimaciones de DBH. El flujo de trabajo consta de las siguientes etapas:

A. Adquisición de Datos y Reconstrucción 3D

Hardware: Se utiliza una cámara omnidireccional de grado de consumo (Insta360) montada en un dron o en una mochila.
Reconstrucción: Se emplea el software comercial Agisoft Metashape para realizar una reconstrucción fotogramétrica mediante Structure from Motion (SfM).
- Se alinean las imágenes para estimar poses de cámara y generar una nube de puntos dispersa.
- Se aplica Multi-View Stereo (MVS) para generar una nube de puntos densa y una malla texturizada.
Escalado: Dado que SfM produce modelos en escalas arbitrarias, se utiliza un marcador ArUco de 1m x 1m colocado en el campo para escalar manualmente la reconstrucción a unidades métricas reales.

B. Segmentación Semántica del Tronco

Para aislar los troncos de los árboles del fondo (suelo, follaje, otras ramas):

Segmentación 2D: Se utiliza Grounded SAM (Segment Anything Model con fundamentación), un modelo de visión fundacional, para generar máscaras de segmentación en las imágenes 2D extraídas del video con el prompt de texto "tree trunk" (tronco de árbol).
Proyección 3D: Estas máscaras 2D se proyectan sobre la nube de puntos 3D escalada. Los puntos que caen dentro de las máscaras reciben etiquetas.
Filtrado y Limpieza:
- Eliminación del plano del suelo mediante RANSAC.
- Filtrado de normales para eliminar puntos que no son paralelos al suelo (asumiendo que los árboles no se inclinan más de 45°).
- Agrupamiento (Clustering): Se aplica DBSCAN para agrupar puntos. Se eliminan grupos pequeños (ruido) usando el método de Otsu para determinar un umbral de tamaño.
- Expansión: Se expanden los clústeres retenidos para recuperar puntos del tronco que pudieron haberse perdido en la proyección inicial.

C. Estimación del DBH

Una vez aislado el tronco, se extrae una banda de 30 cm de altura centrada en los 1.3 m (entre 1.22 m y 1.52 m). Se proyecta esta sección transversal en un plano y se ajustan tres modelos geométricos utilizando un marco RANSAC (Random Sample Consensus) para ser robusto ante outliers:

Elipse por mínimos cuadrados.
B-spline periódica.
Serie de Fourier truncada (grado 2): Representa la curva cerrada en coordenadas polares.

Selección: El modelo con mayor soporte de puntos "inliers" se selecciona. El perímetro de la curva ajustada se divide por $\pi$ para obtener el DBH.

D. Herramienta de Visualización

Se desarrolló un visualizador 3D interactivo (basado en viser) que permite a los usuarios inspeccionar las nubes de puntos segmentadas, ver los troncos identificados y revisar las estimaciones de DBH asociadas.

3. Contribuciones Clave

Pipeline Semi-Automatizado Completo: Integración de SfM, segmentación semántica basada en modelos fundacionales (Grounded SAM) y ajuste geométrico robusto para estimar DBH a partir de video 360°.
Herramienta de Visualización Interactiva: Un software personalizado para validar y analizar visualmente los troncos segmentados y sus métricas.
Evaluación Exhaustiva: Experimentos en 61 muestras de 43 árboles de 7 especies diferentes, comparando diferentes plataformas (dron vs. mochila), longitudes de trayectoria y modalidades de sensores (fotogrametría vs. LiDAR).

4. Resultados Cuantitativos

El método se evaluó comparando las estimaciones con mediciones manuales de "verdad terreno" (ground truth).

Precisión General: El método alcanza un error relativo absoluto mediano del 5–9%.
Mejor Método de Ajuste: La Serie de Fourier truncada superó consistentemente a los ajustes de elipse y B-spline, mostrando el menor error mediano y la menor varianza, especialmente en condiciones de observación parcial o con ruido.
Comparación con LiDAR:
- La fotogrametría es aproximadamente un 2–4% menos precisa que los métodos basados en LiDAR de escaneo individual (que logran ~2.6% de error).
- Sin embargo, la fotogrametría es dos órdenes de magnitud más barata en términos de costo de sensores y no requiere personal altamente especializado.
Factores de Influencia:
- Observabilidad: La visibilidad completa del tronco es crucial. La observación parcial aumenta significativamente el error (hasta 17% en algunos casos).
- Plataforma: Los datos recolectados a pie (mochila) fueron más precisos que los del dron, debido al desenfoque por movimiento y la cobertura incompleta en áreas con follaje denso.
- Longitud de Trayectoria: Las trayectorias cortas (cerca del árbol) rindieron mejor que las largas (escenas grandes) debido a la acumulación de deriva (drift) en la reconstrucción SfM.

5. Significado e Impacto

Este trabajo demuestra que es posible realizar inventarios forestales precisos y a gran escala utilizando hardware de consumo accesible.

Accesibilidad: Democratiza la medición de árboles, permitiendo que investigadores y gestores forestales con recursos limitados obtengan datos cuantitativos sin depender de costosos sistemas LiDAR.
Aplicabilidad: Es una alternativa viable para aplicaciones donde la precisión sub-centimétrica no es crítica, pero se requiere un monitoreo frecuente, expansivo y rentable de la biomasa, el carbono y la salud forestal.
Futuro: Los autores planean automatizar el paso de escalado manual, validar el sistema en bosques más diversos y extender el uso de imágenes para tareas adicionales como la identificación de especies y la evaluación de la salud de los árboles.