Procesado Y Aplicacion De Tegnologias Multiplataforma Para Monitorizacion Marina Y Terrestre

Abstract

En las Islas Canarias existen diversos espacios naturales protegidos de gran interés científico y económico. Desafortunadamente, la actividad humana directa y el cambio climático degradan notablemente estas regiones de interés. Por ello, la monitorización de estos espacios es necesaria para prevenir y mitigar efectos negativos. Sin embargo, las superficies marinas y terrestres protegidas están poco controladas debido a su difícil acceso. En este aspecto, la teledetección proporciona información valiosa en zonas remotas que facilitan su gestión y conservación. Además, los resultados de teledetección suponen un coste menor en comparación con campañas de campo. A partir de imágenes de teledetección se puede generar multitud de productos como pueden ser mapas de batimetría, hábitats bentónicos y caracterización del suelo. En superficies marinas, la batimetría permite monitorizar la profundidad y las acumulaciones de sedimentos, mientras que los mapas de hábitats bentónicos permiten estudiar la evolución de las especies vegetales del fondo marino. En superficies terrestres, los mapas de caracterización de suelos permiten identificar la vegetación respecto al terreno y controlar su crecimiento o degradación. En este contexto, el objetivo principal de este Trabajo Fin de Máster consiste en estudiar el estado de los litorales y parques nacionales del archipiélago canario mediante el procesado de imágenes multiespectrales e hiperespectrales de El Río, Zona Especial de Conservación (ZEC) “Sebadales de La Graciosa” de la Red Natura 2000, para la obtención de mapas de batimetría y hábitats bentónicos, y el procesado de datos LiDAR e imagen multiespectral del Parque Nacional de Timanfaya para la caracterización del suelo. Para generar los mapas de batimetría se hace uso de la técnica Machine Learning Subspace K-NN y el modelo físico empírico sigmoide, mientras que los hábitats bentónicos se clasifican mediante el modelo Machine Learning SVM. Finalmente, los mapas de caracterización del suelo se obtienen mediante la clasificación de la nube de puntos LiDAR y la umbralización de los índices de vegetación NDVI y MSAVI2 a partir de la imagen multiespectral.

In the Canary Islands there are several protected natural areas of great scientific and economic interest. Unfortunately, direct human activity and climate change are significantly degrading these areas of interest. Therefore, monitoring of these areas is necessary to prevent and mitigate negative effects. However, marine and terrestrial protected areas are poorly monitored due to their difficult accessibility. In this respect, remote sensing provides valuable information in remote areas that facilitates their management and conservation. In addition, remote sensing results are less costly compared to field campaigns. A multitude of products can be generated from remotely sensed images, such as maps of bathymetry, benthic habitats and soil characterisation. On marine surfaces, bathymetry allows monitoring of depth and sediment accumulations, while benthic habitat maps allow the evolution of plant species on the seabed to be studied. On land surfaces, soil characterisation maps allow us to identify the vegetation in relation to the terrain and to control its growth or degradation. In this context, the main objective of this Master's Thesis is to study the state of the coastlines and national parks of the Canary Islands archipelago by processing multispectral and hyperspectral images of El Río, Special Area of Conservation (SAC) “Sebadales de La Graciosa” of the Natura 2000, to obtain maps of bathymetry and benthic habitats, and processing LiDAR data and multispectral images of Timanfaya National Park for soil characterisation. To generate the bathymetry maps, the Machine Learning Subspace K-NN technique and the empirical physical sigmoid model are used, while the benthic habitats are classified using the Machine Learning SVM model. Finally, soil characterisation maps are obtained by LiDAR point cloud classification and thresholding of NDVI and MSAVI2 vegetation indices from the multispectral image.