Registro sin referencias de nubes de puntos UAV-LiDAR basado en emparejamiento de grafos de la ubicación de árboles en ambientes forestales

Por qué importa alinear vistas láser de los bosques

Los bosques almacenan carbono, albergan fauna y ayudan a regular el clima, pero es difícil medir su estructura árbol por árbol a gran escala. Los pequeños drones equipados con escáneres láser (UAV‑LiDAR) pueden mapear los bosques con un detalle notable, pero sus datos se capturan en trayectorias de vuelo superpuestas que a menudo no encajan perfectamente, especialmente bajo copas densas donde las señales de navegación por satélite son débiles. Este estudio presenta una forma de hacer que esas exploraciones láser superpuestas encajen con precisión usando los propios árboles como puntos de referencia naturales, sin necesidad de objetivos artificiales en el suelo.

Ver el bosque con láseres voladores

Las encuestas forestales modernas dependen cada vez más del LiDAR, una tecnología que emite pulsos de luz y mide el tiempo que tardan en regresar. Montado en drones, el LiDAR puede capturar la forma de las copas, las ramas y la superficie del suelo con resolución de centímetros. Sin embargo, un dron suele volar en largas trayectorias paralelas, creando tiras de nubes de puntos que deberían solaparse como tejas. Pequeños errores de navegación, el bloqueo por la copa y el terreno accidentado hacen que esas tiras rara vez coincidan exactamente. Los métodos tradicionales de alineamiento buscan zonas de suelo plano o características geométricas simples, que son escasas o están ocultas en bosques reales. Los autores, en cambio, se centran en algo que es abundante y ecológicamente significativo: el patrón de árboles individuales.

Usar los árboles como una red natural de anclas

El nuevo marco comienza separando suelo y vegetación en cada tira LiDAR y construyendo modelos detallados de altura del terreno y de la copa. A partir de estos, el software localiza las copas de los árboles individuales y trata cada árbol como un nodo en una red. Para cada árbol registra la distancia a sus vecinos en el suelo, cuánto difieren en altura y cómo se sitúan unos respecto a otros. Estas relaciones espaciales simples forman una especie de huella digital del vecindario de cada árbol. El método luego compara árboles entre tiras solapadas, buscando el emparejamiento uno a uno que mejor preserve el patrón general de separación y altura. Este paso de emparejamiento se resuelve con un algoritmo riguroso diseñado originalmente para alinear secuencias biológicas, garantizando que se elija el conjunto más coherente de correspondencias de árboles en toda la parcela.

Ajustar la concordancia en tres dimensiones

Encontrar árboles coincidentes es solo la mitad de la tarea; las exploraciones aún deben rotarse y desplazarse para que los árboles correspondientes queden en el mismo lugar en el espacio 3D. Para ello, los autores usan un enfoque de optimización inspirado en el comportamiento de agrupamiento de las aves, conocido como optimización por enjambre de partículas. Muchas soluciones de prueba, cada una representando una combinación distinta de rotaciones y desplazamientos, se mueven por el espacio de búsqueda, guiadas hacia la disposición que acerca más a los árboles emparejados mientras se ignoran los valores atípicos evidentes. Este proceso produce una transformación tridimensional precisa que alinea una tira LiDAR con otra sin depender de marcadores externos o de posicionamiento satelital de alta calidad, lo que lo hace particularmente útil en bosques donde las señales de navegación son poco fiables.

¿Qué tan bien funciona en bosques reales?

El equipo probó su método en un parque forestal costero del sureste de China, usando datos de ocho parcelas circulares que representan distintas especies de árboles, edades y densidades de tronco. Las parcelas contenían álamo, metasecuoya (dawn redwood), pino silvestre y otras especies, con copas densas en periodo de hojas y densidades de puntos LiDAR muy altas. Tras el registro, los errores típicos de separación entre árboles emparejados fueron solo de unas decenas de centímetros, con desviaciones cuadráticas medias tan bajas como unos 17–27 cm según la especie. La proporción de árboles correctamente emparejados aumentó aproximadamente entre un 17 % y un 27 % en comparación con un método de referencia ampliamente usado, y las mejoras fueron especialmente notables en rodales con copas bien separadas como la metasecuoya. Los rodales caducifolios densos con copas superpuestas siguieron siendo un reto, lo que revela dónde serán necesarias mejores herramientas de segmentación de árboles en el futuro.

Qué significa esto para la monitorización forestal

Al tratar los árboles como puntos en una red en lugar de objetos aislados, este marco ofrece una forma robusta y sin objetivos de alinear múltiples exploraciones UAV‑LiDAR en una única vista 3D coherente del bosque. Para el público general, el mensaje clave es que ahora podemos coser con mayor precisión encuestas repetidas con drones, incluso donde las señales satelitales son deficientes y el suelo está oculto bajo el follaje. Este nivel de alineamiento es adecuado para mapear la estructura de la copa, seguir el crecimiento del bosque y apoyar estudios sobre biodiversidad y almacenamiento de carbono, aunque todavía no es lo bastante preciso para tareas a escala milimétrica como mediciones detalladas de troncos. A medida que los drones y los escáneres láser sean más comunes en la silvicultura, métodos como este ayudarán a convertir vastas nubes de puntos láser en mapas fiables y comparables que revelen cómo cambian los bosques con el tiempo.

Cita: Fekry, R., Ali, E., Sani-Mohammed, A. et al. Target-less registration of UAV-LiDAR point clouds based on graph matching of tree locations in forest environments. Sci Rep 16, 12373 (2026). https://doi.org/10.1038/s41598-025-29590-2

Palabras clave: UAV LiDAR, cartografía forestal, registro de nubes de puntos, detección de árboles, teledetección