Watershed vs. Region Growing for Individual Tree Segmentation from Airborne LiDAR: An Urban Case Study in Bologna

Resumen Técnico: Watershed vs. Region Growing para la Segmentación de Árboles Individuales en Bolonia

Planteamiento del Problema
El artículo aborda el desafío de segmentar y caracterizar árboles urbanos altos e individuales en Bolonia, Italia, utilizando nubes de puntos LiDAR aerotransportadas. Se identifica como obstáculo principal la falta de datos de verdad de terreno fiables para la validación. El catálogo de Datos Abiertos municipal (Alberi in manutenzione) se considera significativamente desactualizado (con registros que datan de hace aproximadamente dos décadas), incompleto (faltan aproximadamente el 50% de los árboles detectados por LiDAR en las áreas muestreadas) e inconsistente (contiene puntos geográficos donde no existen árboles). En consecuencia, la validación estándar contra los registros municipales existentes se considera inadecuada, lo que requiere un análisis comparativo de los algoritmos de segmentación basado en sus salidas estructurales en lugar de una verdad de terreno externa.

Metodología
El estudio propone un flujo de trabajo modular y de extremo a extremo que parte de nubes de puntos LiDAR aerotransportadas pre-clasificadas como "vegetación alta" mediante un modelo de Random Forest. El núcleo de la metodología consiste en la implementación y comparación de dos estrategias distintas de segmentación de árboles individuales (ITS, por sus siglas en inglés):

1. Algoritmo Watershed (Cuenca Hidrográfica):

   • Entrada: Un Modelo de Altura de Dosel (CHM) derivado de la resta del Modelo Digital de Terreno (DTM) al Modelo Digital de Superficie (DSM) restringido a los puntos de vegetación.
   • Proceso: El CHM es tratado como una superficie topográfica. Los máximos locales (copas de los árboles) sirven como puntos semilla para una simulación de inundación. Las líneas de división de cuencas (watershed lines), que representan los límites donde las aguas de cuencas adyacentes se encuentran, delinean las copas de los árboles.
   • Salida: Límites de copa poligonales en 2D utilizados para filtrar espacialmente la nube de puntos 3D original.

2. Algoritmo Region Growing (Crecimiento de Regiones):

   • Entrada: La nube de puntos LiDAR 3D clasificada como vegetación alta.
   • Proceso: Una estrategia iterativa de asignación punto a punto. Los puntos se ordenan por elevación en orden descendente. El punto más alto inicia un nuevo árbol. Los puntos subsiguientes se asignan al árbol actual si cumplen con criterios de proximidad y continuidad estructural (por ejemplo, situarse por debajo de un punto analizado previamente y heredar su etiqueta, o formar una estructura similar a una rama cerca de la copa del árbol actual). Si un punto no encaja, permanece sin asignar para la siguiente pasada.
   • Salida: Clústeres de puntos 3D asignados a árboles específicos, sin un límite de polígono 2D inherente que requiera reconstrucción adicional.

Contribuciones Clave y Resultados
El estudio analiza 12 teselas espaciales que cubren el distrito de Talea (Montagnola, Via Indipendenza, área de la Stazione Centrale) para comparar el rendimiento de ambos métodos:

• Conteo de Segmentación y Distribución de Altura:

  • Watershed: Detectó 7,589 árboles. La distribución está dominada por árboles bajos, con un pico de altura alrededor de los 5 metros. Los autores atribuyen esto al suavizado del CHM, que puede fragmentar doseles continuos en múltiples máximos locales, provocando una sobre-segmentación.
  • Region Growing: Detectó 6,432 árboles. Este método retiene la mayor cantidad de retornos LiDAR, identificando con éxito individuos que superan los 40 metros de altura. Evita la fragmentación artificial de los árboles altos observada en el enfoque de watershed porque opera directamente sobre puntos 3D sin un paso de suavizado.
  • Acuerdo: Ambos métodos coinciden en el número de árboles con más de 10 metros de altura y en el pico de la distribución del radio de la copa (2–3 metros). Las discrepancias se concentran en el extremo inferior de la distribución de altura.

• Validación de Datos:

  • Una comparación con el conjunto de datos municipal Alberi in manutenzione reveló que aproximadamente la mitad de los árboles detectados por LiDAR estaban ausentes del catálogo, mientras que algunos puntos catalogados correspondían a ubicaciones sin árboles. Esto confirma la falta de idoneidad del conjunto de datos como referencia de verdad de terreno para el entrenamiento o la evaluación de algoritmos ITS.

• Indicadores de Vegetación:
  Utilizando los árboles segmentados (específicamente la salida de watershed, que proporciona polígonos listos para la asignación de especies), los autores computaron dos indicadores preliminares:

  1. Almacenamiento de Carbono: Estimación de la Biomasa Aérea (AGB) utilizando un modelo alométrico ($AGB = \alpha \cdot [H \cdot \ln(\pi R^2)]^\beta$) basado en la altura del árbol ($H$) y el radio de la copa ($R$). El carbono se derivó utilizando coeficientes estándar del IPCC. Los autores señalan que esto es una aproximación de primer orden debido al uso de coeficientes calibrados en plantaciones de metasequoya (dawn redwood) en lugar del bosque urbano de frondosas de Bolonia.
  2. Potencial Alergénico: Estimación de la producción anual de polen ($P = D \cdot V_{crown} \cdot E$) utilizando coeficientes de inflorescencia específicos de la especie. El volumen de la copa se aproximó como un esferoide con una relación de profundidad de copa fija ($L = H/2$), una suposición conservadora dada la incapacidad del LiDAR aerotransportado para detectar la base de la copa en canopias urbanas densas.

• Visualización:
  Todos los resultados, incluyendo metadatos (especie, altura, radio de copa, carbono, polen), se integraron en un mapa interactivo por árbol utilizando la librería folium.

Significancia y Reivindicaciones
El artículo se posiciona como un trabajo fundacional más que como una solución definitiva, reconociendo explícitamente las limitaciones en la validación y la calibración de parámetros. Su importancia radica en:

1. Demostración de un Flujo de Trabajo Escalable: Proporciona un marco modular que puede recalibrarse a medida que estén disponibles mejores clasificaciones, datos de campo o tecnologías de detección (por ejemplo, LiDAR terrestre).
2. Documentación de Brechas de Datos: Documenta rigurosamente la insuficiencia de los datos abiertos municipales actuales para la gestión de la silvicultura urbana, abogando por el uso periódico de LiDAR aerotransportado para actualizar los inventarios respecto a la presencia de árboles, altura y extensión de la copa.
3. Comparación Algorítmica: Ofrece una comparación práctica de las técnicas de watershed y region growing en un contexto urbano, señalando que, si bien el watershed es computacionalmente ligero y proporciona polígonos 2D, el region growing preserva mejor la estructura vertical de los árboles altos.
4. Indicadores Preliminares: Establece la viabilidad de derivar indicadores ecológicos (carbono y polen) a partir de datos LiDAR, sirviendo como base para futuras estrategias de verdor municipal más refinadas.

Los autores concluyen que el flujo de trabajo está diseñado para evolucionar junto con las prioridades estratégicas municipales, con trabajos futuros centrados en mejorar los controles de estructura de ramas en el crecimiento de regiones, construir conjuntos de datos de referencia curados mediante campañas de campo y refinar los indicadores basados en calibraciones específicas de las especies.