A HIGH RESOLUTION CANOPY HEIGHT MODEL USING A DEEP LEARNING APPROACH

Abstract

Este trabajo tiene como objetivo desarrollar un modelo de altura de dosel o por sus siglas en ingles (CHM) mediante la aplicación de algoritmos de aprendizaje profundo y técnicas de visión por computa- dora, a partir de la fusión de datos LiDAR e imágenes RGB de alta resolución. El monitoreo y la gestión eficiente de los ecosistemas forestales requieren modelos de altura de dosel (CHM) de alta resolución; sin embargo, los productos globales existentes presentan limitaciones en res- olución, precisión y aplicabilidad local. Esta falta de detalle afecta la estimación confiable de indicadores clave como el carbono almacenado y la biodiversidad. En este trabajo se desarrolló y evaluó un modelo de aprendizaje profundo basado en técnicas de visión por computadora para la estimación de la altura del dosel. El modelo fue entrenado utilizando imágenes RGB de alta resolución y datos de referencia CHM derivados de LiDAR aéreo en un área de estudio especı́fica. Los resultados demuestran la ca- pacidad de la metodologı́a para generar mapas CHM predictivos de alta resolución y estimar la altura del dosel con alta precisión a partir únicamente de imágenes. De esta manera, se valida una solución práctica y escalable que contribuye como herramienta de apoyo para el monitoreo, la caracterización detallada de la estructura forestal y la gestión sostenible de los recursos forestales.