Chioma degli alberi in QGIS: 6 metodi

Per mappare la copertura arborea in a partire da immagini multispettrali, costruisci l'NDVI in Raster > Raster Calculator…, applica una soglia con Reclassify by table, poi esegui Raster > Conversion > Polygonize (raster to vector). Ottieni la copertura, non i singoli alberi. Gli altri cinque metodi coprono LiDAR, dati aperti e il caso in cui ti serva un poligono per ogni chioma.

Dove sbagliano le guide online

Tre risposte si ripetono nei tutorial e nei forum, e ognuna ti fa perdere un pomeriggio.

"Applica una soglia all'NDVI e hai i tuoi alberi." L'NDVI separa il verde dal non verde. Un prato, un campo di grano e una quercia sono tutti verdi, quindi finiscono nella stessa classe. L'NDVI ti dà la copertura vegetale, e chiamarla copertura arborea è una scelta che devi poter difendere.

"Calcola il modello di altezza della chioma direttamente dal file LAS." La superficie del terreno deriva dai punti classificati come terreno, e QGIS 3.44 non ha un algoritmo che li classifichi. Su una nuvola non classificata il filtro non restituisce nulla e il terreno risulta piatto.

"Installa il Semi-Automatic Classification Plugin, ultima versione." La release 9.0.4 richiede QGIS 3.99, la linea QGIS 4. Su QGIS 3.44 il gestore ti propone la 8.5.0 di novembre 2024, quindi controlla quale hai davvero installato prima di dare la colpa ai tuoi campioni.

La risposta breve

Cosa hai	Metodo	Costo
Immagini multispettrali con banda nel vicino infrarosso	Metodo 1, NDVI poi poligonizzazione	Gratuito, QGIS nativo
LiDAR, oppure un DSM e un DTM	Metodo 2, modello di altezza della chioma	Gratuito, QGIS nativo
Immagini e diverse classi da separare	Metodo 3, classificazione supervisionata	Gratuito, un plugin
Un'area estesa, e va bene la data dell'anno scorso	Metodo 4, un dataset aperto sulla copertura arborea	Download gratuito
Immagini RGB e una scheda NVIDIA	Metodo 5, un modello di segmentazione locale	Gratuito, ma devi trovare un modello
Immagini RGB, nessuna scheda e vuoi le chiome	Metodo 6, un modello di segmentazione cloud	Piano gratuito, poi abbonamento

Prima di iniziare

Lavora in un CRS proiettato. Ogni metodo qui porta a un'area, e un'area espressa in gradi non vale nulla.

Decidi se ti serve la copertura o le chiome. La copertura è una superficie unica da cui ricavi una percentuale. Le chiome sono oggetti numerabili, ciò che serve per un censimento stradale o un inventario di un parco.

Metodo 1: soglia NDVI

L'NDVI separa la vegetazione verde da tetti, strade e acqua. Apri Raster > Raster Calculator… e inserisci ("nir@1" - "red@1") / ("nir@1" + "red@1").

An NDVI raster over a French village in QGIS, vegetation bright and roofs dark, with the layer histogram beside it showing two peaks. — NDVI from a Sentinel-2 scene. The histogram has two peaks and the valley between them is your threshold. There is no universal number, so read your own scene.

Esegui quindi Reclassify by table (native:reclassifybytable, Processing Toolbox, Raster analysis), con una riga sopra la soglia e una sotto, impostando il tipo di dati in uscita su Byte. Poligonizza il risultato.

Usalo quando: le immagini hanno una banda nel vicino infrarosso e vuoi la copertura.

Saltalo quando: devi distinguere gli alberi dal prato o dalle colture. L'NDVI non può farlo, perché sono tutti verdi.

Metodo 2: modello di altezza della chioma da LiDAR

L'altezza è l'unico segnale che separa davvero un albero da un prato, e QGIS costruisce entrambe le superfici direttamente da un file LAS o LAZ con Export to raster (pdal:exportraster, Point Cloud Conversion). Imposta Attribute su Z. Per il terreno, aggiungi l'espressione di filtro Classification == 2, che corrisponde a Ground nelle classi ASPRS usate da QGIS. Per la superficie, filtra con ReturnNumber == 1.

A canopy height model in QGIS coloured from green at ground level to dark red at 25 metres, tree crowns standing out over flat grey ground. — DSM minus DTM over a park. Crowns stand out because they are tall, not because they are green, so lawns and gardens drop out on their own.

Sottrai una superficie dall'altra in Raster > Raster Calculator… con "dsm@1" - "dtm@1", oppure usa grass:r.mapcalc.simple su tile più grandi. Riclassifica all'altezza che la tua specifica considera copertura arborea, poi poligonizza. Il risultato conserva un'altezza per pixel, qualcosa che nessun altro metodo di questa pagina ti offre.

Usalo quando: hai dati LiDAR, oppure una coppia nazionale DSM e DTM.

Saltalo quando: i tuoi punti non sono classificati. QGIS 3.44 non ha un algoritmo di classificazione del terreno, quindi i punti non classificati devono passare prima da PDAL al di fuori di QGIS.

Metodo 3: classificazione supervisionata

Disegna poligoni di addestramento per alberi, erba, tetti e strade, poi lascia che un classificatore etichetti ogni pixel e poligonizza la classe degli alberi. dzetsaka è quello che installerei oggi. È GPL, versione 5.0.11, funziona da QGIS 3.0 a 4.99 e include undici classificatori, tra cui Random Forest e SVM.

Il Semi-Automatic Classification Plugin è più conosciuto e gestisce anche set di bande e pre-processing, ma controlla prima la versione. La release 9.0.4 richiede QGIS 3.99, la linea QGIS 4. Su QGIS 3.44 ottieni la 8.5.0, di novembre 2024.

Usalo quando: la copertura arborea è una classe tra diverse che devi ricavare dalla stessa scena.

Saltalo quando: ti interessano solo gli alberi. I campioni di addestramento richiedono più tempo del Metodo 1.

Metodo 4: un dataset aperto sulla copertura arborea

Qualcuno potrebbe aver già mappato la tua area.

Copernicus Tree Cover Density loaded in QGIS over a European city, shaded from pale to dark green by percentage of tree cover. — Copernicus Tree Cover Density streamed into QGIS as a WMTS layer. Free, finished, and the wrong tool the moment you need this year's imagery.

Ce ne sono quattro da conoscere. La mappa dell'altezza della chioma di Meta e WRI è globale, versione 2 da marzo 2026, con pixel da 1,2 m e un errore assoluto medio di 3,0 m rispetto al LiDAR aviotrasportato. La mappa di ETH Zurich ha una risoluzione di 10 m per il 2020, deriva da Sentinel-2 e GEDI ed è CC BY 4.0.

Gli altri due dataset sono regionali o storici. Il layer Copernicus Tree Cover Density copre l'Europa a 10 m, ogni anno dal 2018 al 2024, e per scaricarlo serve un EU Login. Hansen Global Forest Change ha una risoluzione di 30 m e parte dal 2000, quindi è quello giusto per analizzare i cambiamenti nel tempo.

Le città pubblicano i propri dati. Parigi offre 219.432 alberi come punti, Melbourne 57.980 poligoni di copertura arborea del 2021, entrambi come URL GeoJSON da incollare in QGIS.

Tutti e quattro i raster globali rispondono a richieste di intervallo, quindi puoi trasmettere un tile con /vsicurl/ invece di scaricarlo. Copernicus offre il WMTS all'indirizzo https://land.copernicus.eu/cdse/tcd_europe_10m_yearly, dove imposti manualmente l'anno. Pubblicizza ogni data dal 1984, ma quasi nessuna contiene dati.

Usalo quando: l'area è estesa e la data di acquisizione non deve essere la tua.

Saltalo quando: hai sorvolato il sito il mese scorso, oppure ti servono le chiome. La maggior parte di questi dataset sono raster percentuali, non oggetti numerabili.

Metodo 5: un modello di segmentazione locale

Deepness, Geo-SAM e samgeo eseguono modelli di segmentazione sul tuo computer. Nulla lo lascia e nulla viene fatturato.

Usalo quando: le immagini non possono lasciare il tuo computer.

Saltalo quando: non hai una scheda NVIDIA, oppure non vuoi cercare un modello, richiedere i pesi e costruire un ambiente Python.

Metodo 6: un modello di segmentazione cloud

Un modello di segmentazione ha imparato che aspetto ha una chioma, quindi divide un popolamento in oggetti numerabili mentre una soglia restituisce un'unica superficie uniforme. Noi ne costruiamo uno, AI Segmentation. Questa sezione riguarda il nostro strumento.

Disegna una zona sulle immagini già aperte in QGIS e inserisci una parola. I poligoni arrivano nel CRS del tuo progetto, ciascuno con un'area e un punteggio di confidenza. Inserisci tree per ottenere un poligono per ogni chioma, tree canopy per ottenere la copertura come superficie.

A Dutch village from the air where every tree crown, in gardens and along the streets, is filled with its own colour as a separate polygon. — 893 crowns from one run over a Dutch village, each its own polygon. Counted off the layer, not estimated.

Ideale per: un poligono per ogni chioma su immagini RGB, con una macchina priva di GPU.

Prezzo: gratuito per 3 km² di terreno al mese più 50 oggetti Semi-Auto cloud, senza carta. Il piano Pro costa 39 euro al mese, IVA esclusa, per 200 km² e 500 oggetti.

Funziona su: QGIS 3.22 e versioni successive, Windows, macOS o Linux. Il modello gira sui nostri server nell'Unione Europea.

Installazione: gestore dei plugin, poi un'e-mail per accedere. Nessun pacchetto, nessun peso.

Dove eccelle: la parola semplice misura bene. In 90 giorni di esecuzioni reali tree è tornato vuoto sul 10,5% dei tile, contro il 47,3% di orchard su 716 tile, quindi il plugin sostituisce la seconda parola con la prima prima che tu spenda qualcosa.

Dove è limitato: un popolamento fitto non ha bordi di chioma da trovare, quindi un run tree restituisce un'unica superficie uniforme invece di un poligono per ogni fusto. In quel caso usa tree canopy e accetta la copertura. Entrambe le modalità cloud inviano le immagini ai nostri server, mentre solo la modalità Semi-Auto sul tuo computer non lo fa.

I sei metodi a confronto

Cosa ti serve	Metodo
Copertura dalle tue immagini multispettrali	Metodo 1
Altezza della chioma, oppure alberi separati dall'erba	Metodo 2
Copertura come una classe tra diverse	Metodo 3
Un'area estesa, rapidamente e senza costi	Metodo 4
Chiome, senza far uscire nulla dal computer	Metodo 5
Chiome su immagini RGB, senza GPU	Metodo 6

Cosa ricordare

Decidi tra copertura e chiome prima di scegliere il metodo, perché è una domanda sul risultato che devi consegnare, non sulle tue immagini.

L'altezza supera il colore ogni volta che puoi ottenerla, quindi un modello di altezza della chioma LiDAR vince ovunque sia disponibile il LiDAR.

L'NDVI legge un prato, una coltura e una quercia allo stesso modo, quindi una semplice soglia non ti darà mai gli alberi.

Un popolamento fitto non ha bordi di chioma da trovare, quindi ogni metodo di questa pagina restituisce la copertura in quel caso e nessuno restituisce il numero di fusti.

Per una percentuale di copertura su tutta l'Europa, il layer Copernicus è gratuito e già pronto, quindi eseguire un modello su quell'area significa pagare due volte per la stessa risposta.

Try it free in QGIS, no card needed

Domande frequenti

QGIS può mappare la copertura arborea senza un plugin?

Sì, con i Metodi 1, 2 e 4, che usano QGIS nativo più un download. Ottieni la copertura come poligoni, mai le singole chiome.

Un poligono per ogni albero o uno per l'intera copertura?

Una soglia NDVI o un modello di altezza ti dà la copertura. Solo un modello di segmentazione divide un popolamento in chiome numerabili, e nel Metodo 6 è la parola che inserisci a decidere quale dei due risultati ottieni.

Come ottengo una percentuale di copertura arborea?

Ogni poligono ha la propria area, quindi somma la colonna dell'area e dividila per l'area misurata. È un solo calcolo di campo, su geometrie che puoi aprire e verificare.

Cosa è più accurato, l'NDVI o un modello di altezza LiDAR?

Il modello di altezza, e la differenza è netta. L'NDVI legge un prato e una quercia allo stesso modo, mentre un modello di altezza della chioma li separa di diversi metri.

È tutto gratuito?

I Metodi da 1 a 5 non costano nulla oltre ai tuoi dati e, per il Metodo 5, una scheda grafica. Il Metodo 6 offre 3 km² gratuiti al mese, poi costa 39 euro al mese, IVA esclusa.

La guida da raster a vettore illustra i passaggi di poligonizzazione e pulizia con cui termina ogni metodo qui descritto, mentre il post SAM in QGIS confronta i plugin che eseguono modelli di segmentazione. Il hub QGIS AI raccoglie entrambi.

Continua a leggereAI Segmentation in QGIS: guida completa