Área de estudio

La Zona Metropolitana de Guadalajara (ZMG) se localiza en el estado de Jalisco, México y comprende los municipios de Guadalajara, Zapopan, San Pedro Tlaquepaque, Tonalá, El Salto y Tlajomulco de Zuñiga (Figura 1) (20°40.0092′ N y 103°23.5092′ O). La ZMG tiene una superficie de 2734.1 km², con un clima predominante del tipo semicálido semihúmedo. La temperatura media anual es de 21.7°C y tiene una precipitación media anual de 998 mm (^{Instituto de Información Estadística y Geográfica, 2018})

Fuente:elaboración propia

Figura 1 Área de estudio: Zona Metropolitana de Guadalajara 

Evaluación del arbolado urbano

Durante el periodo de septiembre a noviembre de 2018, se identificaron dentro del área de estudio, 55 áreas verdes públicas con mantenimiento. En cada una de ellas se evalúo el estado de salud de entre 15 y 30 árboles dominantes y codominantes, con un diámetro de copa mayor a tres metros (^{Pontius et al., 2017}). Para la selección de las especies se privilegiaron los criterios de abundancia y presencia. Cada árbol seleccionado se clasificó en alguna de las categorías siguientes: declinación, pobre, regular y sano. Del arbolado evaluado, aproximadamente 85% se utilizó para definir los sitios de entrenamiento para la clasificación de las imágenes y 15 % restante, se reservó para validar la cartografía de salud del arbolado que se generó en una etapa posterior.

Para cada árbol seleccionado se midió y registró la altura total, diámetro a 1.30 m, diámetro de la copa, estado de salud, así como una caracterización de los daños de cada individuo, ya fueran mecánicos o causados por plagas y enfermedades (^{Krtalić et al., 2021}). También se registró la ubicación geográfica de cada árbol con un GPS Garmin, con error de 3 metros y se tomaron fotografías del individuo para posterior referencia. Los árboles medidos, fueron identificados posteriormente en las imágenes WorldView-2 para ser utilizados como sitios de entrenamiento y validación de la clasificación y, a partir de éstos, clasificar el estado de salud de los árboles no medidos en campo.

Imágenes satelitales

Las imágenes WorldView-2 utilizadas en el estudio fueron tomadas el 16 de octubre de 2017, tienen una resolución espacial de 0.46 m en la banda pancromática y 1.85 m en las bandas espectrales (Cuadro 1). Cubren una superficie de aproximadamente 65 976.33 ha.

Pre-procesamiento de imágenes WorldView-2

Las imágenes utilizadas fueron previamente ortorectificadas por el proveedor. A partir del formato inicial se realizó un ajuste radiométrico con el programa Idrisi versión 18.21, utilizando los parámetros para el propósito definido por DigitalGlobe (^{Kuester, 2017}). Posteriormente, se aplicó el proceso pansharpen para incrementar la resolución de las imágenes multiespectrales con el método Intensity Hiu Saturation [HIU por sus siglas en inglés] (Figura 2) (^{Berila y Isufi, 2021}; ^{Li et al., 2022}).

Fuente: elaboración propia

Figura 2 Aplicación de proceso pansharpen con el método Intensity Hiu Saturation de imágenes WorldView 2 utilizadas para la clasificación 

Definición de sitios de entrenamiento

Con el objetivo de reconocer cada árbol en la imagen, se utilizaron métodos de segmentación y clasificación orientados a objetos en ambientes urbanos (^{Li et al., 2022}), la cual consiste en la agrupación de pixeles por su valor de reflectancia. Para realizar esta tarea, se utilizó la herramienta Segmentation del software TerrSet GIS. Para la aplicación de la segmentación se crearon dos tipos de imágenes compuestas: a) Bandas azul, verde y rojo (235) y b) Bandas: azul, verde e infrarrojo (237), además de definir segmentos de 10 m². Se utilizó la herramienta SegTrain del software Idrisi versión 18.21 software Package (^{Ogassawara y Cota, 2019}) para seleccionar los sitios de entrenamiento en el área de estudio.

Índices de vegetación

Los índices de vegetación son combinaciones de las bandas espectrales registradas en el sensor del satélite y están diseñados para resaltar una propiedad específica de las masas arboladas (^{Xulu et al., 2019}). Los índices de vegetación utilizados en el presente estudio se calcularon con las herramientas del programa Idrisi versión 18.21 (Cuadro 2) y fueron seleccionados partir de estudios previos (^{Pontius et al., 2017}).

Clasificación de la salud del arbolado en las imágenes

El estado de salud de los árboles se evaluó a partir de la estructura y transparencia de su copa, así como de los daños y defectos observados en cada individuo (^{Callow, May y Johnstone, 2018}). Es relevante mencionar que, al inicio, únicamente se clasificó la salud del arbolado de las especies principales, separando las coberturas de no vegetación y de vegetación de porte bajo, como pasto y arbustos. Para esto se utilizó la técnica de enmascaramiento múltiple que consiste en la clasificación y eliminación secuenciada de coberturas que no son de interés para el estudio, dejando únicamente las coberturas objetivo de la investigación (^{McDonald et al., 2021}; ^{Ruiz et al., 2019}). En cada fase de la clasificación se definieron clases dicotómicas, las cuales se separaron a partir de las características observadas en las bandas y la comparación de los índices de vegetación. Al final, la salud del arbolado se evaluó bajo tres enfoques: a) sin diferenciación de especies, b) por especie, y c) por tipo de follaje: perennifolios y caducifolios, los cuales se compararon para identificar el de mayor exactitud (Figura 3).

Fuente: elaboración propia

Figura 3 Diagrama de metodología utilizada en la clasificación por máscaras múltiples, donde se señalan las clases en los que se clasificaron las imágenes para la definición de estado de salud 

En el primer enmascaramiento se clasificó la imagen en vegetación con sombra, vegetación con luz, no vegetación con sombra y no vegetación con luz, y se eliminaron las coberturas de no vegetación; para ello se utilizaron las imágenes compuestas IRBG y RBG. En la segunda mascara se utilizaron los índices de vegetación, con los cuales se clasificaron zonas de arbolado y se eliminaron las zonas de vegetación de bajo porte, como: arbustos, hierbas y pasto (^{Bravo-Bello et al., 2020}; ^{Zhou et al., 2021}). Cabe destacar que, tanto para la primera como para la segunda mascara de clasificación, se utilizaron los sitios de entrenamiento seleccionados a partir de la herramienta SegTrain del software Idrisi versión 18.21. A partir de la tercera mascara se utilizaron como sitios de entrenamiento polígonos con radio de tres metros generados a partir del arbolado medido y se compararon los valores de cada una de las bandas y de los índices, seleccionando las variables que visiblemente señalaban una diferenciación más significativa entre clases. En la tercera mascara se clasificaron siete categorías: 1) casuarina (Casuarina equisetifolia), 2) eucalipto (Eucalyptus camaldulensis), 3) ficus (Ficus benjamina), 4) fresno (Fraxinus uhdei), 5) jacaranda (Jacaranda mimosifolia), 6) palmera (Syagrus romanzoffiana) y (Washingtonia robusta) y 7) otros, dentro del cual se incluyeron individuos de las especies aguacate (Persea americana), árbol de las orquídeas (Bahuinia variegata), grevilea (Grevilea robusta), guayabo (Psidium guajava), majahua (Hibiscus elatus), mango (Mangifera indica) y tabachín (Delonix regia).

En la máscara cuatro se clasificó el estado de salud de los árboles, sin distinción de especies, utilizando las categorías: declinación, pobre, regular y sano (Figura 4). En la máscara cinco, se separó cada especie y se clasificó por separado el estado de salud; posteriormente se aplicó la herramienta de mosaic Idrisi versión 18.21 para unir los valores de salud en una sola capa. En la máscara seis se clasificó el arbolado por tipo de follaje (caducifolios y perennifolios) para posteriormente en la máscara siete clasificar a cada grupo de especies por estado de salud de forma individual. Se tomó en cuenta esta opción debido a que las imágenes satelitales se tomaron en el mes de octubre, que es el inicio del otoño y comienza a existir un cambio en el follaje (debido a la fenología) que facilita su diferenciación. Para todos los procesamientos se utilizó el método de Máxima verosimilitud como algoritmo de clasificación, asumiendo normalidad de los datos y asignando categorías a cada píxel de acuerdo con la probabilidad que tiene de entrar a una clase o a otra, seleccionando la categoría de mayor probabilidad (^{Timilsina et al., 2019}). Finalmente, para la validación, se seleccionaron al azar 150 árboles de diferentes especies y categorías de estado de salud conocido y se aplicó el cálculo de matriz de confusión e Índice de Kappa.

Fuente: elaboración propia

Figura 4 Resultados parciales de la clasificación por máscaras 

Arbolado urbano

Se evaluaron 950 árboles en total, entre ellos las principales especies registradas fueron: fresno (Fraxinus uhdei Wenz.), eucalipto (Eucalyptus camaldulensis Dehnh.), ficus (Ficus benjamina L.), casuarina (Casuarina equisetifolia L.), palmera de cocos plumosa (Syagrus romanzoffiana Cham.), palmera washingtonia (Washingtonia robusta Wendl.) y jacaranda (Jacaranda mimosifolia D. Don.) (Cuadro 3).

La superficie del área de estudio identificada con cobertura vegetal fue de 27 778.50 ha (42.1% del total), de la cual 49.87% (13 853.87 ha) correspondió a arbolado y 50.13% (13 924.63 ha) a plantas de porte bajo. Por tipo de follaje, se calculó que 15.20% del arbolado fue de follaje caducifolio y 84.80% de follaje perennifolio. De las especies clasificadas, 29.04% fueron casuarinas, 28.52% ficus, 8.38% jacarandas, 1.17% eucaliptos, 0.83% palmeras, 0.48% fresnos y 31.59% arbolado de otras especies. Visualmente fue posible determinar que la zona considerada como centro del municipio de Guadalajara tiene una distribución mayor de arbolado a diferencia de las zonas localizadas en la periferia de la ciudad. Sin embargo, el arbolado presente en la zona centro se distribuye de forma fraccionada, a diferencia de las zonas en la periferia, donde se observa un mayor número de parques y jardines compactos, como es el caso del municipio de Zapopán. Esta condición es muy común en el desarrollo de las ciudades alrededor de todo el mundo y se debe a la deficiente planeación que provoca el crecimiento desordenado de las ciudades (^{Berila e Isufi, 2021}; ^{Liu et al., 2021}).

Estado de salud del arbolado

La categoría clasificada como “otros”, que incluye las especies que no se consideraron como principales, obtuvo el mayor porcentaje de arbolado sano (18.72%), seguida de los fresnos y las jacarandas con 9% y 8% respectivamente. En la categoría de arbolado con estado de salud regular, la jacaranda tuvo el mayor porcentaje con 65.16%, las palmeras y ficus se clasificaron con 40.98% y 39.70% respectivamente (Cuadro 4). Las especies con mayor porcentaje de arbolado clasificado como pobre y declinación fueron las casuarinas con 99% y los eucaliptos con 93.89%.

El arbolado con follaje caducifolio presentó el mayor porcentaje de arbolado sano, con 12.65%; mientras que el arbolado con follaje perennifolio tuvo 5.25%. Por otro lado, en el arbolado con follaje perennifolio se clasificó un mayor porcentaje de arbolado pobre con 78.11%. A partir de este resultado, fue posible determinar que el arbolado de la Zona Metropolitana de Guadalajara se clasifica, en su mayoría, como arbolado de pobre a declinación.

Clasificación por máscaras

En cada etapa del enmascaramiento se utilizaron diferentes variables para clasificar las clases de vegetación o estado de salud del arbolado. En el caso de la máscara 1 se utilizó la composición IRBG (Bandas 723) para separar la vegetación de todo lo que no lo fuera; sin embargo, a partir de la máscara 2 se seleccionaron por sus valores las variables a utilizar. En primer lugar, se utilizó el índice NDVI, pero no mostró utilidad para diferenciar los tipos de vegetación, por lo que se probó con los índices DVI y NDVI4, así como el uso de las bandas 7, 6 y 8 (Figura 4).

Después de comparar los valores de las distintas variables fue posible determinar en cuales se diferenciaban mejor las clases para posteriormente utilizarlas en la clasificación. Se encontraron variables en común para la identificación de salud en las bandas 6, 7 y 8 y los índices NDVI3 y NDVI4 (Cuadro 5).

Validación de la clasificación

El método de clasificación de la salud del arbolado que obtuvo mayor exactitud total fue el de la clasificación por tipo de follaje con 33%, seguido del método de clasificación de salud sin diferenciación de especies con 22.66% (Cuadro 6). El método que tuvo menor precisión fue la clasificación de salud por especies con 9%.

Los análisis mostraron que es posible mapear e identificar el arbolado urbano a través de imágenes satelitales, separando las áreas de vegetación con las de no vegetación, por medio de la técnica de enmascaramiento múltiple, sumado a la diferenciación entre áreas sombreadas y áreas con luz. Trabajos previos han reportado valores de precisión más altos para la evaluación de salud del arbolado urbano en otras ciudades (^{Guerra-Hernández et al., 2021}; ^{Krtalić et al., 2021}; ^{Timilsina et al., 2019}). Sin embargo, en estos casos no presentaron una alta diversidad de árboles como en el área de estudio; lo que es provocado tanto por el clima como por la extensa selección de especies instaladas por la población. Por ejemplo, se reporta que tan sólo para la Colonia Chapalita, perteneciente al municipio de Zapopán, hay un total de 149 especies (^{Chávez, 2015}) por lo que, será importante considerar más especies representativas tanto en áreas públicas como privadas. Adicional al alto número de especies presentes, otro elemento que contribuye en la precisión es el traslape de copas de los árboles de las diferentes especies, provocando la mezcla de valores por píxel como en el caso para arbolado en otras ciudades (^{Bravo-Bello et al., 2020}; ^{Timilsina et al., 2019}).

Se han reportado previamente efectos similares en la clasificación por especie, por lo que se considera que la clasificación por tipo de follaje para el monitoreo de salud es una opción con buena precisión para evaluar arbolado urbano (^{Krtalić et al., 2021}). Además, para la identificación de especies se ha sugerido el análisis multitemporal y el uso de diversos tipos de plataformas como Landsat, Quick Bird, y Airborne Lidar, con el objetivo de analizar diferentes especies arbóreas en sus distintos estados fenológicos (^{Hartling et al., 2019}).

Un factor adicional por considerar para mejorar la exactitud de la clasificación es la escala. En el sistema utilizado se realizó la clasificación utilizando individuos completos como sitios de referencia, los cuáles abarcaban pixeles con un rango amplio de valores. Mientras que la clasificación se realiza a nivel pixel, por lo que causa sesgos en la evaluación de la exactitud de la clasificación (matriz de confusión) para detectar arbolado catalogado con algún problema de salud. (^{Heckel et al., 2020}). Por otro lado, el estrés en el arbolado tiene diferentes formas de manifestarse, la disminución de pigmentos fotosintéticos de los árboles es una de las principales características medibles (^{Gupta y Pandey, 2021}), junto a la observación de la condición de copa (^{Callow et al., 2018}). Cabe destacar que, en el caso del presente estudio, el NDVI utilizado por la mayoría de los estudios de vegetación en áreas naturales, no resultó efectivo para el análisis del arbolado urbano, mientras que la adecuación de este índice utilizando otras bandas de las imágenes WorldView-2 como B1, B4, B6 y B8, dieron un mejor resultado en los índices NDVI3 y NDVI4. Una línea de investigación posterior y complementaria del presente trabajo será la evaluación de imágenes multitemporales para disminuir el efecto de la condición fenológica estacional en la clasificación del estado de salud del arbolado urbano.