Mapear copas en QGIS: 6 métodos gratis y de pago
Para mapear copas de árboles en 
desde imagen multiespectral, calcula NDVI en Raster > Raster Calculator…, córtalo por un umbral con Reclassify by table, luego ejecuta Raster > Conversion > Polygonize (raster to vector). Eso te da cobertura, no árboles solos. Otros cinco métodos cubren LiDAR, datos abiertos, y el caso donde necesitas un polígono por copa.
Dónde se equivoca la web
Tres respuestas se repiten en tutoriales y foros, y cada una te hace perder una tarde.
"Umbraliza NDVI y ya tienes tus árboles." NDVI separa lo verde de lo no verde. Un césped, un campo de trigo y un roble son verdes, así que los tres caen en la misma clase. NDVI te da cobertura vegetal, y llamarlo copa es una decisión que debes defender.
"Saca el modelo de altura de copas directo del archivo LAS." La superficie del suelo sale de los puntos clasificados como suelo, y QGIS 3.44 no tiene ningún algoritmo que los clasifique. Con una nube sin clasificar el filtro no devuelve nada y el terreno sale plano.
"Instala Semi-Automatic Classification Plugin, última versión." La versión 9.0.4 pide QGIS 3.99, la línea QGIS 4. En QGIS 3.44 el gestor te sirve la 8.5.0 de noviembre de 2024, así que comprueba cuál tienes antes de culpar a tus muestras.
La respuesta corta
| Lo que tienes | Método | Cuánto cuesta |
|---|---|---|
| Imagen multiespectral con banda de infrarrojo cercano | Método 1, NDVI y poligonizar | Gratis, QGIS base |
| LiDAR, o un DSM y un DTM | Método 2, modelo de altura de copas | Gratis, QGIS base |
| Imagen y varias clases por separar | Método 3, clasificación supervisada | Gratis, un plugin |
| Una zona amplia, y te sirve la fecha del año pasado | Método 4, un dataset abierto de copas | Descarga gratuita |
| Imagen RGB y una tarjeta NVIDIA | Método 5, un modelo de segmentación local | Gratis, y un modelo por encontrar |
| Imagen RGB, sin tarjeta, y quieres copas | Método 6, un modelo de segmentación en la nube | Nivel gratis, luego suscripción |
Antes de empezar
Trabaja en un CRS proyectado. Cada método aquí termina en un área, y un área en grados no vale nada.
Decide si necesitas cobertura o copas. La cobertura es una superficie y de ahí sale un porcentaje. Las copas son objetos contables, que es lo que pide un inventario de calles o parques.
Método 1: umbral NDVI
NDVI separa la vegetación verde de tejados, calles y agua. Abre Raster > Raster Calculator… e introduce ("nir@1" - "red@1") / ("nir@1" + "red@1").
Luego ejecuta Reclassify by table (native:reclassifybytable, Processing Toolbox, Raster analysis), una fila por encima del umbral y otra por debajo, con el tipo de dato de salida en Byte. Poligoniza el resultado.
Úsalo cuando: la imagen trae banda de infrarrojo cercano y quieres cobertura.
Evitalo cuando: debes distinguir árboles de césped o cultivos. NDVI no puede, porque los tres son verdes.
Método 2: modelo de altura de copas desde LiDAR
La altura es la única señal que separa un árbol de un césped, y QGIS construye ambas superficies directo desde un archivo LAS o LAZ con Export to raster (pdal:exportraster, Point Cloud Conversion). Pon Attribute en Z. Para el terreno, añade la expresión de filtro Classification == 2, que es Ground en las clases ASPRS que usa QGIS. Para la superficie, filtra por ReturnNumber == 1.
Resta uno del otro en Raster > Raster Calculator… con "dsm@1" - "dtm@1", o en grass:r.mapcalc.simple en teselas grandes. Reclasifica a la altura que tu pliego llama copa, luego poligoniza. La salida trae una altura por píxel, que nada más en esta página te da.
Úsalo cuando: tienes LiDAR, o un par DSM y DTM nacional.
Evitalo cuando: tus puntos no están clasificados. QGIS 3.44 no tiene algoritmo de clasificación de suelo, así que los puntos sin clasificar pasan por PDAL fuera de QGIS primero.
Método 3: clasificación supervisada
Dibuja polígonos de muestra para árbol, hierba, tejado y calle, deja que un clasificador etiquete cada píxel y poligoniza la clase árbol. dzetsaka es el que instalaría hoy. Es GPL, versión 5.0.11, corre en QGIS 3.0 a 4.99, y trae once clasificadores incluidos Random Forest y SVM.
Semi-Automatic Classification Plugin es más conocido y también maneja conjuntos de bandas y preproceso, pero mira la versión primero. La versión 9.0.4 pide QGIS 3.99, la línea QGIS 4. En QGIS 3.44 recibes la 8.5.0, de noviembre de 2024.
Úsalo cuando: la copa es una clase entre varias que necesitas de la misma escena.
Evitalo cuando: solo quieres árboles. Las muestras de campo cuestan más tiempo que el Método 1.
Método 4: un dataset abierto de copas
Quizá alguien ya mapeó tu zona.
Cuatro que conviene conocer. El mapa de altura de copas de Meta y WRI es global, versión 2 desde marzo de 2026, píxeles de 1,2 m y un error medio absoluto de 3,0 m frente a LiDAR aéreo. El mapa de ETH Zurich es de 10 m para 2020, desde Sentinel-2 y GEDI, CC BY 4.0.
Los otros dos son regionales o históricos. El layer Copernicus Tree Cover Density](https://land.copernicus.eu/en/products/high-resolution-layer-forests-and-tree-cover) cubre Europa a 10 m, cada año de 2018 a 2024, y descargarlo pide un EU Login. Hansen Global Forest Change](https://www.globalforestwatch.org/) es de 30 m y empieza en 2000, así que es el del cambio en el tiempo.
Las ciudades publican los suyos. París sirve 219.432 árboles como puntos, Melbourne 57.980 polígonos de copa para 2021, ambos como URL GeoJSON que pegas en QGIS.
Los cuatro rasters globales aceptan peticiones por rango, así que emite una tesela con /vsicurl/ en vez de descargar. Copernicus sirve WMS en https://land.copernicus.eu/cdse/tcd_europe_10m_yearly, donde pones el año a mano. Anuncia cada fecha desde 1984 y casi ninguna trae datos.
Úsalo cuando: la zona es amplia y la fecha de toma no tiene que ser la tuya.
Evitalo cuando: volaste el sitio el mes pasado, o necesitas copas. Casi todos son rasters de porcentaje, no objetos contables.
Método 5: un modelo de segmentación local
Deepness, Geo-SAM y samgeo corren modelos de segmentación en tu propia máquina. Nada sale de ella y nada se factura.
Úsalo cuando: la imagen no puede salir de tu máquina.
Evitalo cuando: no tienes tarjeta NVIDIA, o no quieres buscar un modelo, pedir pesos y montar un entorno Python.
Método 6: un modelo de segmentación en la nube
Un modelo de segmentación aprendió cómo es una copa, así que divide un rodal en objetos contables donde un umbral devuelve una manta. Construimos uno de estos, AI Segmentation. Esta sección trata de nuestra propia herramienta.
Dibuja una zona sobre la imagen ya abierta en QGIS y escribe una palabra. Los polígonos caen en el CRS de tu proyecto con un área y una puntuación de confianza en cada uno. Escribe tree para un polígono por copa, tree canopy para la cobertura como superficie.
Ideal para: un polígono por copa sobre imagen RGB, en una máquina sin GPU.
Precio: gratis por 3 km² de suelo al mes más 50 objetos Semi-Auto en la nube, sin tarjeta. Pro son 39 euros al mes sin IVA por 200 km² y 500 objetos.
Funciona en: QGIS 3.22 y siguientes, Windows, macOS o Linux. El modelo corre en nuestros servidores en la Unión Europea.
Instalación: gestor de plugins, luego un email para entrar. Sin paquetes, sin pesos.
Dónde gana: la palabra simple mide bien. En 90 días de ejecuciones reales tree volvió vacío en 10,5 por ciento de teselas, frente a 47,3 por ciento para orchard en 716 teselas, así que el plugin cambia la segunda palabra por la primera antes de que gastes nada.
Dónde pierde: un rodal cerrado no tiene bordes de copa por encontrar, así que una ejecución tree devuelve una manta en vez de un polígono por tronco. Usa tree canopy ahí y acepta cobertura. Ambos modos en la nube envían imagen a nuestros servidores, y solo Semi-Auto en tu propia máquina no lo hace.
Los seis métodos lado a lado
| Lo que necesitas | Método |
|---|---|
| Cobertura desde tu propia imagen multiespectral | Método 1 |
| Altura de copas, o árboles separados de hierba | Método 2 |
| Copa como una clase entre varias | Método 3 |
| Una zona amplia, rápido, por nada | Método 4 |
| Copas, sin que nada salga de la máquina | Método 5 |
| Copas, sobre imagen RGB, sin GPU | Método 6 |
Qué recordar
Decide entre cobertura y copas antes de elegir método, porque es una pregunta sobre tu entrega y no sobre tu imagen.
La altura gana al color siempre que la tengas, así que un modelo de altura de copas LiDAR gana donde hay LiDAR.
NDVI lee un césped, un cultivo y un roble como lo mismo, así que un umbral solo nunca te da árboles.
Un rodal cerrado no tiene bordes de copa por encontrar, así que cada método en esta página devuelve cobertura ahí y ninguno devuelve conteo de troncos.
Para un porcentaje de cobertura en toda Europa el layer Copernicus es gratis y ya está terminado, así que pasar un modelo sobre esa zona paga dos veces por la misma respuesta.
Try it free in QGIS, no card needed
Preguntas que hace la gente
¿Puede QGIS mapear copas sin un plugin?
Sí, con los Métodos 1, 2 y 4, que son QGIS base más una descarga. Lo que obtienes son polígonos de cobertura, nunca copas sueltas.
¿Un polígono por árbol, o uno para toda la copa?
Umbralizar NDVI o un modelo de altura te da cobertura. Solo un modelo de segmentación divide un rodal en copas contables, y en el Método 6 la palabra que escribes decide cuál de los dos recibes.
¿Cómo saco un porcentaje de cobertura de copas?
Cada polígono trae su propia área, así que suma la columna de área y divide por el área medida. Es un cálculo de campo, sobre geometría que puedes abrir y revisar.
¿Qué es más preciso, NDVI o un modelo de altura LiDAR?
El modelo de altura, y por mucho. NDVI lee un césped y un roble como lo mismo, mientras un modelo de altura de copas los separa por varios metros.
¿Algo de esto es gratis?
Los Métodos 1 a 5 no cuestan nada más allá de tus propios datos, y una tarjeta gráfica para el Método 5. El Método 6 da 3 km² al mes gratis, luego 39 euros al mes sin IVA.
La guía raster to vector explica los pasos de poligonizar y limpiar con que termina cada método aquí, y el post SAM en QGIS compara los plugins que corren modelos de segmentación. El hub QGIS AI está por encima de ambos.
Sigue leyendoAI Segmentation para QGIS: guía completa
