Embed Size (px)
Citation preview
i
Resumen
El uso de LiDAR es cada vez más frecuente en el campo forestal, en la actualidad
se han desarrollado diversas investigaciones colocando a este tipo de tecnología
como una de las más robustas, el desarrollo de inventarios a partir de esta es posible
con un alto grado de precisión. En el bosque de investigación de Petawawa se
realizó un estudio a partir del procesamiento una nube de puntos LiDAR, donde se
calcularon los índices de diversidad y equidad de Shannon para cinco tipos de rodal,
fotointerpretación, claves de identificación y matriz de confusión. Los resultados en
los índices de diversidad y equidad, al igual que la fotointerpretación y claves de
identificación son producto del comportamiento de la masa forestal. En la matriz de
confusión se obtuvo un valor del 68% de precisión, es decir, en otras palabras, el
análisis estadístico realizado no puede sustituir la fotointerpretación.
Palabras clave: LiDAR, rodal, forestal, índice de diversidad de Shannon, índice de
equidad de Shannon.
ii
Abstract
The use of LiDAR is increasingly frequent in the forest field, at present several
investigations have been carried out placing this type of technology as one of the
most robust, the development of inventories from this is possible with a high degree
of precision. In the Petawawa Research Forest, a study was made based on the
processing of a cloud of LiDAR points, where Shannon's diversity and equity indices
were calculated for five types of stand, photointerpretation, identification keys and
confusion matrix. The results in the indexes of diversity and equity, as well as
photointerpretation and identification keys are the product of the behavior of the
forest mass. In the confusion matrix a value of 68% accuracy was obtained, that is,
in other words, the statistical analysis performed cannot replace photointerpretation.
Key words: LiDAR, stand, forest, Shannon diversity index, Shannon equity index.
iii
Agradecimientos
A mis padres Teresa Muñoz Cortes y José Ricardo Ramírez Barrón por su apoyo
incondicional en mi formación académica. “Ni con los tesoros más valiosos del
mundo podría pagarles todo lo que han hecho por mí”.
Mis pequeños José Ricardo Cabrera Ramírez y Dulce Camila Ramírez Martínez.
“La distancia y el tiempo que me lleve serán nada comparados con el amor que les
tengo. Ya sea en esta vida o la próxima yo los seguiré amando igual o más que ayer”
Al Director de la División de Ciencias Forestales Dr. Ángel Leyva Ovalle quien me
impulsó a continuar mis estudios y lograr mis sueños, gracias por estar ahí siempre
que lo necesité. “Usted es una persona extraordinaria, aquel que por su honestidad
y rectitud me llevaron a admirarlo”.
Ustedes mis maestros y comité de tesis para los cuales las palabras no son
suficientes ni comparables con su sabiduría. Los reconozco porque se convirtieron
en mi ejemplo. Dr. José Amando Gil Vera Castillo, Dr. Miguel Ángel Pérez
Torres, Dr. Alejandro Velázquez Martínez, Dr. Hubert Tchikoué y Dr. Enrique
Buendía Rodríguez.
Dr. Jean-Martin Lussier, M.C. Mathieu Varin y M.C. Bilel Chalgaf, “Eh logrado
superarme al ser su aprendiz, el resultado final ha sido no solo experiencia, sino
también conocimiento”. Gracias por todo su apoyo y comprensión durante mi
estadía en Canadá.
iv
Agradecimientos
Familia Toros Salvajes Lima-Lama Chapingo. “Porque somos mucho más que
un equipo representativo”. Cada momento a su lado me hizo muy feliz, los valoro y
respeto por todo lo que significan para mí.
María Elisa Cano García y Armando Alán Naranjo Arroyo, gracias por estar
conmigo en estos últimos años y ayudarme a continuar cuando creí que ya no podría
hacerlo. “Los mejores regalos vienen del corazón”.
Sra. Luciana Virginia Mejía Landón, por su amistad y desarrollo incondicional.
“Una amistad verdadera se mide por el mutuo respeto y apoyo incondicional”.
v
Dedicatoria
José Ricardo Cabrera Ramírez, tú mereces todo de mí, siempre serás como un
hijo, la primera persona que me enseñó a amar desde que te tuve entre mis brazos.
Yo te amaba y aún no sabía tu nombre, esperé igual que lo hizo tu madre y te quise
más que a nada en el mundo, porque tú eres todo para mí. Ya no puedo verte más,
pero sé que vives dentro de mi corazón.
vi
Contenido
Lista de figuras .................................................................................................... viii
Lista de tablas ....................................................................................................... ix
1. Introducción ................................................................................................. 1
2. Objetivos ...................................................................................................... 3
2.1. Objetivo general ....................................................................................... 3
2.2. Objetivos específicos .............................................................................. 3
3. Revisión de literatura .................................................................................. 4
3.1. Formato ráster y vector ........................................................................... 4
4. Desarrollo de LiDAR .................................................................................... 6
4.1. Aplicaciones de LiDAR .......................................................................... 10
4.1.1. Delimitación de árboles individuales, copas y modelos digitales
11
4.1.1.1. Estudios de copa .................................................................... 13
4.1.1.2. Modelos digitales y delineación de árboles individuales .... 14
4.1.2. Investigaciones en bosques caducifolios ..................................... 17
4.1.3. Investigaciones en bosque boreal ................................................. 18
4.2. Aplicaciones en ecología e índices ...................................................... 19
4.3. LiDAR en inventarios forestales ........................................................... 22
4.4. LiDAR e imágenes hiperespectrales y multiespectrales .................... 25
5. Materiales y métodos ................................................................................ 28
5.1. Localización geográfica ......................................................................... 28
5.2. Clima ....................................................................................................... 28
5.3. Geología y suelos................................................................................... 28
vii
5.4. Topografía ............................................................................................... 28
5.5. Vegetación .............................................................................................. 29
6. Metodología ............................................................................................... 30
7. Resultados ................................................................................................. 33
7.1. Comparación visual ............................................................................... 39
7.1.1. Índice de equidad de Shannon ....................................................... 40
7.1.2. Fotointerpretación ........................................................................... 41
7.2. Comparación gráfica .............................................................................. 42
7.3. Índice de diversidad de Shannon ......................................................... 47
7.4. Clave de interpretación de micro-tipos ................................................ 48
7.5. Matriz de confusión ................................................................................ 51
8. Discusión ................................................................................................... 52
9. Conclusión ................................................................................................. 54
10. Bibliografía ................................................................................................. 55
viii
Lista de figuras
Figura 1. Mapa de zona buffer. ............................................................................. 34
Figura 2. Mapa de micro-rodales. ......................................................................... 35
Figura 3. Mapa de Modelo de Altura de Dosel (MAD, por sus siglas en ingles CHM).
.............................................................................................................................. 36
Figura 4. Mapa de segmentación de árboles individuales con el programa SEGMA.
.............................................................................................................................. 37
Figura 5. Mapa de árboles individuales clasificados por altura............................. 38
Figura 6. Histograma de número de micro-tipos por tipo de rodal. ....................... 39
Figura 7. Índice Shannon de equidad. .................................................................. 40
Figura 8. Cobertura de copa por tipo de rodal para huecos. ................................ 43
Figura 9. Cobertura de copa por tipo de rodal para arboles pequeños. ............... 44
Figura 10. Cobertura de copa por tipo de rodal para arboles medianos. .............. 45
Figura 11. Cobertura de copa por tipo de rodal para arboles grandes. ................ 46
Figura 10. Índice de diversidad de Shannon. ....................................................... 47
Figura 11. Clave de interpretación de micro-tipos por clase de altura. ................. 49
Figura 12.Clave de interpretación de micro-tipos por código. .............................. 50
ix
Lista de tablas
Tabla 1. Fotointerpretación ................................................................................... 41
Tabla 2. Fotointerpretación ................................................................................... 41
Tabla 3. Matriz de confusión ................................................................................. 51
1
1. Introducción
LiDAR (Light Detection And Ranging) es una tecnología emergente en el campo de
los sensores láser, capaz de generar con gran rapidez alta densidad de datos
georreferenciados con una precisión al menos igual que la obtenida por los métodos
tradicionales sobre el terreno, pero significativamente más rápido (Renslow et al.,
2000, citado por Cerrillo, 2010). Aunque los métodos de campo son generalmente
más precisos, la relación entre el error y la eficacia en la adquisición hace que los
datos LiDAR sean considerados una alternativa real a los métodos tradicionales. Se
trata de equipos formados por sensores activos montados sobre una plataforma
aerotransportada que emiten un pulso láser que permite medir distancias, y generar
una nube de puntos de elevación muy precisa y especialmente densa.
La mayoría de los sistemas LiDAR son aerotransportados, por lo que la aplicación
de estos datos suele restringirse a escalas locales. Hasta ahora el único sistema
LiDAR a bordo de satélite que ha permitido obtener datos LiDAR de manera global
es el sensor Geoscience Laser Altimeter System (GLAS), a bordo de la plataforma
ICESat (Ice, Cloud and Land Elevation Satellite) (Schutz et al., 2005 citado por
García et al., 2009).
La evolución de los Sistemas de Información Geográfica (SIG) y el descubrimiento
de LiDAR, también conocido como Airbone Laser Scanning (ALS), se han
convertido en las herramientas más prometedores en cuanto a manejo forestal. Las
investigaciones han avanzado tanto que se pueden realizar inventarios y obtener
otros productos derivados del procesamiento de estos datos.
2
Los SIG, plataformas aerotransportadas, manipulación de datos LiDAR e imágenes
satelitales son de vital importancia para obtener productos que antes no se conocían.
La silvicultura de precisión ve a las nuevas tecnologías como un medio para la
realización de inventarios forestales cada vez más robustos.
Grandes investigaciones se han realizado comprobando que LiDAR puede usarse
en una amplia gama de estudios brindando información muy importante, desde la
estructura de un bosque hasta la identificación de especies individuales, además
del cálculo del volumen comercial de un área determinada.
3
2. Objetivos
2.1. Objetivo general
Analizar la copa con LiDAR en el bosque de investigación de Petawawa, Canadá.
2.2. Objetivos específicos
I.Comparar el número de micro-tipos por tipo de rodal.
II.Determinar la homogeneidad del bosque con el índice Shannon de
equidad.
III.Realizar fotointerpretación a través de imágenes obtenidas con drones.
IV.Comparar gráficamente la cobertura de copa por tipo de rodal y clase
de altura.
V.Calcular la heterogeneidad del bosque con el índice de diversidad de
Shannon.
VI.Hacer una clave para la interpretación de micro-tipos.
4
3. Revisión de literatura
Los SIG son una herramienta multifuncional que se aplica a diversas áreas de la
ciencia. Nuevos instrumentos como los radares, sensores remotos, vehículos no
tripulados, (drones), entre otros, constantemente toman variables sobre la tierra,
atmosfera y océano (Zapata et al., 2012).
En el entorno SIG se han desarrollado de forma paralela dos formatos, el ráster y
vectorial. Muchas veces, la única manera de trabajar analíticamente y de manera
conjunta una capa vectorial con una capa ráster, es transformar una de ellas al otro
formato (Pesquer et al., 2000).
3.1. Formato ráster y vector
El formato ráster permite dividir el área de estudio en una matriz de datos. Cada
dato se asocia con una celda o píxel de la imagen desplegada en el SIG, cuyo valor
se considera representativo para toda la superficie que abarca la celda. El modelo
ráster, representa la información continua en el espacio, midiendo variables como
la elevación y la precipitación, entre otras (DeMers, 2002, citado por Zapata et al.,
2012).
Castellanos (2017), señala que los formatos de archivo para datos ráster son muy
abundantes, existiendo numer MAD osas alternativas, (imágenes de satélite, radar,
LiDAR, fotografía aérea digital, mapas escaneados entre otros).
Los formatos de archivo para imágenes son adecuados para recoger los colores de
las imágenes, pero esto no es suficiente a la hora de almacenar otros valores (por
ejemplo, valores decimales) o bien cuando son necesarios un número más elevado
5
de bandas, como en el caso de imágenes hiperespectrales. Una imagen en blanco
y negro o en escala de grises contiene una banda. Una imagen a color contiene tres,
ya que los colores se expresan como una terna de colores básicos: rojo, verde y
azul (Castellanos, 2017).
El formato vectorial se basa en la localización de puntos individuales según
determinadas coordenadas, viniendo definida por funciones matemáticas, por lo que
se pueden representar puntos, líneas y polígonos. En estos casos los datos
incluidos en los SIG deben ser parámetros que se den en una ecuación, tales como
radios de círculos, distancias en general, etc. (López et al., 2006).
Las diferencias entre un modelo vectorial y ráster, radican en los elementos de su
sistema, mientras en el primero los elementos principales son puntos y líneas, en el
segundo es la celda. Aunque la principal diferencia es que el vector almacena
coordenadas mientras el ráster información a través de pixeles.
6
4. Desarrollo de LiDAR
Los primeros estudios de aplicaciones forestales de ALS se centraron en las
variables tradicionales del inventario forestal, como altura, área basal y volumen (“I.
Detecting and estimating attributes for single trees using laser scanner.”, 1999;
“Næsset, E. a). Determination of mean tree height of forest stands using airbone
laser scanner data.”, 1997; “Næsset, E. b). Estimating timber volume of forest stands
using airbone laser scanner data.”, 1997). El contexto para estos estudios fue
generalmente inventarios de manejo a nivel de rodal utilizando el enfoque de
densidad (área basal). Poco después, el uso operativo de ALS para este propósito
se inició en Noruega y posteriormente en otros países. Los primeros inventarios se
complementaron con análisis económicos de los costos y beneficios del uso de ALS,
como fuente auxiliar de información. En Finlandia, debido a que se requieren
estimaciones de los atributos de los rodales de especies específicas, los datos de
ALS se combinaron con datos de imágenes aéreas (Jari et. al., 2014).
Al igual que en muchos otros países occidentales, los inventarios forestales en
Noruega se realizan tradicionalmente en dos escalas geográficas muy diferentes
que tienen dos propósitos distintos, estos son denominados (1) el Inventario
Nacional Forestal (INF) que proporciona datos para la formulación de políticas
nacionales y regionales y (2) Inventarios de Manejo Forestal (IMF), atienden
principalmente la necesidad de datos locales para el manejo de atributos forestales
individuales. El INF, que data de 1919, es básicamente una simple encuesta basada
en una muestra de probabilidad de parcelas de campo utilizadas para estimar
parámetros importantes, como los condados con un tamaño típico de alrededor de
7
2,000-50,000km2. Los inventarios de manejo, que son espacialmente explícitos,
tienen como objetivo proporcionar datos para cada unidad de tratamiento (rodal
forestal) para la planificación táctica y estratégica. Por lo tanto, los IMF tendrán en
la mayoría de los casos una estimación de cobertura más precisa (Jari et al., 2014).
Aunque los primeros datos de inventarios de manejo se remontan a alrededor de
1870-1880, un desarrollo sistemático de metodologías e implementación de
programas de inventario comenzó en la década de 1950 y principios de 1960 (Jari
et al., 2014).
Un cambio importante en la tecnología y los enfoques metodológicos tuvo lugar a
fines de la década de 1970, lo que allanó el camino para la introducción de ALS en
los inventarios de manejo, 20 años después (alrededor del año 2000) (Jari et al.,
2014).
La primera prueba con ALS tuvo el objetivo de estimar atributos como altura media
y volumen de rodales individuales, se realizó en 1995 (Maltamo et al., 2014).
El enfoque basado en áreas se probó experimentalmente en Finlandia en 2004
(Maltamo, 2006; Suvanto & Latva-Karjanmaa, 2005). La precisión obtenida para el
volumen total del rodal fue superior en comparación con el método de inventario
basado en datos de campo (O Diedershagen et al., 2014) u otros métodos de
inventario basados en percepción remota. Sin embargo, no se cumplió el requisito
de atributos específicos de especie por rodal. Como un medio para proporcionar
información específica de la especie, (Maltamo, 2006; Maltamo et al., 1997;
Maltamo & Tokola, 2008) combinaron datos de ALS con imágenes aéreas y
8
aplicaron una interpolación no paramétrica del vecino más cercano, para estimar
simultáneamente varios atributos del rodal. Este enfoque se ha adoptado ahora
como base para nuevos inventarios de manejo, a nivel de rodal en Finlandia
(Maltamo et al., 2014).
Se han probado enfoques básicos del inventario de ALS, es decir, detección de un
solo árbol y estimación basada en el área, en una variedad de plantaciones de
latifoliadas y coníferas. Un estudio pionero que aplicó el enfoque de detección de
un solo árbol, se llevó a cabo en una plantación de eucaliptos en Portugal (Wack
et al., 2003).
El mapeo del límite del área forestal, es requerido como tal por muchas aplicaciones
relacionadas con el manejo sostenible del bosque y el paisaje, como lo son las
estadísticas de cambio y la estimación del volumen del fuste, la biomasa y el
contenido de carbono. Los límites del bosque también son necesarios antes de
cualquier segmentación más detallada (rodal o talla de árbol). La información
actualizada sobre el límite del bosque, a menudo no existe o puede necesitar
mejoras, especialmente en áreas donde la cubierta forestal está cambiando
rápidamente (Koch et al., 2014).
Straub, Weinacker, y Koch, (2008) desarrollaron un procedimiento para la
segmentación de áreas forestales, que se puede aplicar en bosques de coníferas,
caducifolios y mixtos, de diferente complejidad basados únicamente en LiDAR
aéreo. El procedimiento hace uso de los retornos múltiples de la nube de puntos.
9
Un "rodal" se refiere a la unidad básica de manejo forestal, por lo que la evaluación
y delineación de dichas unidades, es la base de todas las medidas de manejo
operativo (Koch et al., 2014).
Probablemente uno de los primeros enfoques que usó datos LiDAR, solo para la
segmentación del rodal, fue llevado a cabo por Diedershagen et al., (2004), mientras
que los enfoques posteriores combinaron datos multiespectrales y LiDAR (Maltamo
& Tokola, 2008; Pascual et al., 2008).
La detección y delimitación de los árboles individuales, a menudo se llevan a cabo
en dos pasos (separados). De hecho, solo se requiere el primero para derivar y
estimar la posición y altura de los árboles detectados, que se pueden usar
fácilmente para modelar otros atributos del árbol. Sin embargo, la posterior
delineación de la copa permite extraer información sobre las dimensiones de esta y
un modelado adicional de la forma (Koch et al., 2014).
La planificación del manejo forestal en Noruega ha aplicado tradicionalmente un
enfoque en el que los valores medios para las propiedades esenciales de rodales
biofísicos, como altura media y volumen total distribuido en las especies, se han
requerido para las decisiones de manejo y pronóstico. Una dirección importante de
la investigación ha sido explotar la relación entre la distribución de altura de ALS de
un rodal y la distribución del tamaño del árbol (por ejemplo, la distribución del
diámetro) para predecir la distribución del tamaño a partir de la nube de puntos ALS
(Jari et al., 2014).
10
Existe la posibilidad de productos de información completamente nuevos que
anteriormente no formaban parte de los inventarios de manejo (Maltamo et al.,
2014).
4.1. Aplicaciones de LiDAR
Se reconoce el potencial de LiDAR en estudios que estiman la biomasa en
bosques tropicales (Molina, 2016), el mapeo de diversidad y estructura del bosque
(Hernández, 2019) con fines de conservación de fauna (Davies et al., 2019) o
aprovechamiento (Zawawi et al., 2015). En bosques nativos se ha estimado la
invasión de especies exóticas (Cottens et al., 2018) y realizado inventarios con el
objetivo de obtener mayor información de las poblaciones (Corvalán et al., 2014).
Los humedales juegan un papel importante en las funciones ecológicas. Las
técnicas de detección remota permiten obtener información actualizada que ayuda
en el manejo sostenible de este tipo de vegetación (Abdel et al., 2015).
En zonas urbanas el uso de ALS puede ser usado para la planificación de obras
(Ko et al., 2012), actualización de la cartografía (Yépez y Lozano, 2013) y
evaluación de daños a edificios debido a desastres naturales (Zhou y Gong, 2018).
La información LiDAR también permite ajustar los modelos que predicen el
comportamiento del fuego (González et al., citado por Landa et al., 2013) y
describen de manera efectiva los atributos de los combustibles (Engelstad et al.,
2019), la evaluación e identificación de los daños producidos por incendios
forestales (Gobierno de España, 2013), ya que son focos emisores de gases de
efecto invernadero (Domingo et al., 2016).
11
4.1.1. Delimitación de árboles individuales, copas y modelos
digitales
La detección y delimitación exitosa de árboles individuales es crítica en la ciencia
forestal, lo que permite analizar a múltiples escalas el papel de los árboles en el
funcionamiento del bosque. Hay muchos métodos posibles para delinear árboles
con datos detectados de forma remota (Jakubowski et al., 2013).
Los datos LiDAR pueden proporcionar una variedad de características relacionadas
principalmente con la estructura de los árboles. Mientras que la parte geométrica de
la información LiDAR se relaciona con la arquitectura de copas, ramificaciones y
follajes (Riaño et al., 2004, Coops et al., 2007, citado por Ewald et al., 2016).
Barnes et al., (2017) realizó estudios para la delineación de Copas de Árboles
Individuales (CAI) por escaneo laser para rodales enfermos. En el caso de
evaluaciones fitopatológicas del conjunto de datos con sensores remotos, la
aplicación que da un enfoque de CAI presenta varias ventajas para identificar áreas
que requieren intervenciones fitosanitarias. En las primeras etapas del
establecimiento de la enfermedad en el bosque, el aislamiento de las CAI, que
inicialmente sucumben a la infección, pueden permitir una respuesta rápida a plagas
y patógenos, que presentan nuevos riesgos para áreas forestales. En estudios de
paisajes forestales enfermos, basados en copas también se puede facilitar el
estudio detallado de patrones heterogéneos de infección. Adicionalmente, el uso de
técnicas de delineación de CAI junto con la identificación de especies pueden
facilitar dirigir la evaluación de especies arbóreas susceptibles. Este enfoque
combinado presenta el potencial para la identificación de individuos resistentes a
12
enfermedades, que pueden resultar particularmente útiles con respecto al
mejoramiento de genotipos resistentes y desarrollo de resiliencia en el stock forestal.
Como resultado, en el caso de P. ramorum, la aplicación basada en CAI podría, por
lo tanto, facilitar una evaluación de áreas boscosas infectadas.
En otra investigación se desarrolló un enfoque generalizado para la segmentación
de árboles en bosques con estructuras complejas, utilizando datos LiDAR. Usando
un método de evaluación mejorado, los resultados mostraron que su enfoque pudo
detectar el 72% de los árboles y el 86% de los árboles detectados fueron
identificados correctamente, lo que resulta en una precisión general del 77%. Al
examinar los resultados por clase de copa, se detectaron el 94% de árboles
dominantes y co-dominantes, y 62% de los intermedios y árboles suprimidos. El
análisis estadístico reveló niveles de precisión similares a través de parcelas con
diferentes estructuras, lo que indica el potencial de aplicación exitosa de esta
investigación a otros tipos de bosques (Hamraz et al., 2016b).
La mayoría de los estudios que involucran detección de copa, estimación de altura
de árboles e imágenes de alta resolución se han centrado en el análisis de
plantaciones, bosques boreales y templados. Se realizan menos estudios en
bosques tropicales (Asner et al., 2002; Falkowski et al., 2006, citado por Zawawi, et
al., 2015).
Itakura y Hosoi (2018), analizan la amplia variedad de usos de LiDAR, como la
estimación de parámetros estructurales de las plantas, altura de árboles, ángulo de
inclinación de las hojas y la biomasa. En un estudio proponen (1) detectar cada árbol
a partir de imágenes de nubes de puntos 3D obtenidas de LiDAR terrestre, (2)
13
estimar el número de árboles y el diámetro a la altura del pecho (DAP) a partir de
las imágenes de nubes de puntos 3D detectadas de árboles y (3) segmentar cada
copa de árbol. Se centraron en nubes de puntos que oscilan entre 0.5m y 1.5m para
detectar grupos de troncos, después se expandieron clasificando otros puntos, el
proceso se repitió y se separaron troncos de copas. Como resultado, los árboles en
las imágenes de nubes de puntos 3D se detectaron con alta precisión, y se estimó
el número de árboles y densidad. Además, cada copa de árbol estaba segmentada.
4.1.1.1. Estudios de copa
Las relaciones morfométricas de copa permiten describir y caracterizar las
dimensiones de los árboles, los rodales sin conocimiento previo de la edad y tienen
utilidad en el manejo silvícola, el monitoreo forestal y la productividad,
especialmente cuando existe la premisa de hacer un uso sostenible de los bosques.
Las relaciones morfométricas de Prosopis alba se pueden estimar con precisión
utilizando modelos de regresión (Belén et al., 2019).
La intercepción de las nevadas por la copa se puede cuantificar como la capacidad
de almacenamiento de nieve por estas y la eficiencia de intercepción. En tres áreas
de la sierra Nevada de California se llevó a cabo un estudio que trató de explicar y
predecir la variabilidad espacial de la acumulación de nieve utilizando métricas de
copa derivadas de LiDAR y mediciones de sensores de profundidad de nieve
agrupados. Se encontraron correlaciones entre los atributos de la copa derivado de
LiDAR y la acumulación de nieve extraída de las mediciones de profundidad de
nieve, no obstante, la correlación es más fuerte cuando el evento de precipitación
14
tiene más de 15 cm de acumulación de nieve y una altura menor a los 2000m (Zheng
et al., 2018).
Con los avances en complejidad y resolución en el modelado ecológico, existe una
demanda creciente de caracterización más detallada de la arquitectura de copas.
Wang y Kumar (2019), desarrollaron un método para describir la estructura del
agrupamiento físico de copas para árboles individuales que puede resolver
variaciones en agrupamientos de follaje. Se usó un algoritmo de agrupamiento para
extraer la estructura que se encuentra dentro de los datos LiDAR, luego, rasgos
representativos para clasificar los datos en grupos, en base a ello se identificaron
grupos de vegetación que van desde intermedios hasta densos.
4.1.1.2. Modelos digitales y delineación de árboles individuales
LiDAR proporciona puntos sobre cualquier objeto situado sobre el terreno, en
particular sobre la vegetación. En un bosque, si los espacios entre las hojas son lo
suficientemente grandes, algunos pulsos láser alcanzarán el suelo y podremos con
ellos, construir un MDT (Modelo Digital del Terreno). Muchos de los puntos
rebotarán en la vegetación a diferentes alturas y esto nos abre el camino para
nuevas aplicaciones. LiDAR es la única técnica de teledetección capaz de detectar
simultáneamente el terreno y la vegetación (Ruiz y Kornus, 2003).
En esta aplicación, LiDAR es una técnica madura que compite con otras técnicas
de captura masiva como son la fotogrametría o el radar interferométrico. Se usa en
estudios de riesgo de inundaciones, cálculos de volúmenes en minas a cielo abierto
15
y vertederos, estudios de desplazamientos de arena en las playas después de
tormentas, estudios de erosión, deslizamientos de tierras, etc. (Ruiz y Kornus, 2003).
Los Modelos Digitales de Elevación (MDE), son la forma más común y eficaz de
representar la superficie terrestre, sin embargo, tienen errores que se deben al
método de interpolación. Estudios previos han presentado conclusiones que
discrepan, por ello se realizó un estudio para comparar y evaluar la precisión de
MDE generados utilizando métodos de interpolación determinísticos (IDE,
ANUDEM) y probabilísticos (OK, KT). Los resultados sugieren que KT genera MDE
más precisos que el resto de los métodos de interpolación aquí evaluados y sin la
presencia de errores sistemáticos, como ocurre en los MDE generados usando IDE,
ANUDEM y OK (Enrique y Castillo, 2013).
España cuenta desde el año 2008 con datos LiDAR de todo su territorio, capturados
en el marco del Plan Nacional de Ortofotografía Aérea (PNOA), la existencia de esta
información ha generado la necesidad de investigar sobre su procesamiento, así
como sus posibilidades y limitaciones, por ello se llevó a cabo un estudio donde se
pretende encontrar el mejor método de interpolación. En un ambiente forestal
mediterráneo dominado por Pinus halepensis y Quercus coccifera se seleccionaron
dos zonas prueba y se aplicaron seis métodos de interpolación, asimismo, se
analizó la influencia de cuatro variables en el error de interpolación (pendiente del
terreno, densidad de puntos, penetración de los pulsos y cobertura del suelo). La
validación de los MDE realizada con el 20% de la muestra, reveló que el mejor
interpolador es TIN a ráster, con una resolución de 1 m (Montealegre et al., 2014).
16
Fradette et. al., (2019), menciona que la subestimación de alturas en LiDAR es
ampliamente conocida, pero nunca ha sido evaluada para varios sensores y para
diversos tipos de condiciones ecológicas. En uno de sus estudios propone un
modelo de ajuste para corregir el sesgo en MDT y, en última instancia, un modelo
de ajuste para corregir el sesgo del Modelo de Altura de Dosel (MAD), para una
amplia gama de condiciones de sitio. Después de análisis preliminares se concluye
que el MDT no necesita ajustes específicos, caso contrario al MAD, para el cual el
modelo de ajuste reduce el sesgo de 0.70m a 0.20m. La corrección del MAD es un
paso importante, ya que es usado en cálculos de volumen, modelos de crecimiento
forestal, entre otras cosas.
Khosravipour et al., (2014) señala que los MAD son utilizados para extraer
parámetros de inventarios forestales, sin embargo, debido a las variaciones de
altura se crean huecos en los datos que interrumpen los modelos y afectan de forma
negativa la detección de árboles, por ello se desarrolló un ráster MAD sin huecos,
este algoritmo funciona de forma robusta en nubes de puntos de alta densidad, así
como en una de baja densidad, se demostró que mejora significativamente la
precisión en la detección de árboles.
Jakubowski et al., (2013) delineó árboles individuales en un bosque de coníferas
mixto con condiciones topográficas complejas, utilizando dos métodos: datos
vectoriales y un algoritmo para la segmentación de nube de puntos 3D LiDAR, y el
uso de datos ráster con un análisis de imagen basado en objetos de un MAD. Ambos
delinearon los límites de los árboles que diferían en forma, sin embargo, LiDAR
17
produjo menos, más complejos y polígonos más grandes que se parecían más a la
estructura forestal real.
LiDAR nos proporciona la posibilidad de identificar árboles individuales como si de
un inventario pie a pie se tratara. Existen varios métodos descritos, los más
utilizados se basan en la búsqueda de máximos relativos de alturas dentro de los
modelos digitales de altura de la vegetación. Para que estos modelos sean efectivos
es necesario tener información previa de las dimensiones de la copa de los árboles,
ya que esta variable va a ser la que defina la ventana de comparación de alturas en
la búsqueda de máximos relativos (Landa et al., 2013).
ALS se usó en un sitio experimental del neotrópico, donde las alturas de los árboles
individuales se calcularon segmentando manualmente las copas de los árboles en
el MAD y luego extrayendo la altura máxima del dosel local. Se descubrió que la
esbeltez de los árboles se correlacionaba positiva y muy significativamente con la
altura media de la copa a nivel de parcela (Grégoire, F. et al., 2012).
4.1.2. Investigaciones en bosques caducifolios
Basado en una nube de puntos LiDAR un enfoque no paramétrico recopiló
información de altura, límites de dosel y tamaño, para un bosque caducifolio. Los
resultados mostraron que este enfoque fue capaz de detectar el 72% de los árboles
y el 86% de los árboles detectados se identificaron correctamente, lo que resulta en
una precisión del 77%. Al examinar los resultados por clase de corona, se detectó
el 94% de los dominantes y árboles co-dominantes y 62% de los árboles intermedios
y superpuestos (Hamraz et al., 2016a).
18
Debido a la explotación histórica, los bosques viejos son escasos, se caracterizan
por una estructura compleja, múltiples especies, claros y madera muerta, por ello
se evalúo la posibilidad de cuantificar estados sucesionales avanzados en bosques
caducifolios a partir de datos LiDAR públicos. Finalmente se obtuvo que los datos
disponibles en España pueden identificar estructuras forestales relacionadas con
bosques caducifolios maduros (Navarro et al., 2016).
En la Reserva de la Biosfera de Guánica se realizó una investigación donde se
clasificaron los árboles en diferentes tipos de bosques secos y etapas sucesionales.
Al comparar los resultados basados en LiDAR con clasificaciones hechas a partir
de datos de detección remota de uso común, incluidas imágenes de satélite Landsat
y datos topográficos basados en radar. La precisión de la clasificación de tipo de
bosque basada en LiDAR (incluidas las clases de bosque dominado por nativos y
exóticos) fue sustancialmente mayor que la de los datos disponibles anteriormente
(Martinuzzi et al., 2012).
4.1.3. Investigaciones en bosque boreal
Las aberturas de copa en el bosque son un elemento clave de su estructura, ya que
influye en una gran cantidad de dinámicas ecológicas. Dietmaier et al., (2019),
delineó aberturas de copa en el bosque boreal de Alberta Canadá, usó MAD
derivados de tres fuentes diferentes de datos (i) LiDAR, (ii) Fotogrametría Aérea
Digital (FAD) y (iii) un híbrido LiDAR / FAD. Al comparar los modelos y mapas,
surgieron diferencias evidentes, sin embargo, hubo poca diferencia entre el FAD y
LiDAR/FAD, evaluaciones sugieren que LiDAR produce mayor precisión general:
94%. Los datos DAP e híbridos tuvieron precisiones generales de 77% y 78%,
19
respectivamente. Una prueba Z reveló que todas estas precisiones eran
significativamente diferentes entre sí (p <0.05) con un nivel de confianza del 95%.
Los resultados LiDAR fueron notablemente más altos que los producidos por FAD
y los conjuntos de datos híbridos para cuatro clases de aperturas. En promedio, la
precisión general de detección de apertura de los modelos LiDAR, FAD e híbridos
fue del 87%, 46% y 47% respectivamente.
4.2. Aplicaciones en ecología e índices
Uno de los índices más utilizados para cuantificar la biodiversidad específica es el
de Shannon, también conocido como Shannon-Weaver (Pla, 2006).
El índice Shannon viene dado por la expresión:
𝐻′ = − ∑ 𝑝𝑖 ∗
𝑆
𝑖=1
log2(𝑝𝑖)
Donde:
S = Es el número de especies,
𝑝𝑖 = Es la abundancia relativa de cada especie (en número de individuos o en
cobertura).
Este índice aumenta con el número de especies presente en el rodal y toma
mayores valores cuando las proporciones de las distintas especies son similares
(Montes et al., 2003).
20
Velázquez et al., (2008), señala que aunque el índice de Shannon-Wiener
implícitamente considera la uniformidad de la abundancia de especies, es posible
calcular por separado medidas adicionales de la uniformidad.
La diversidad máxima (𝐻𝑚𝑎𝑥), se refiere a una situación en la que todas las especies
presentes en la comunidad serían (si esta situación se presentara) igualmente
abundantes; esto es 𝐻′ = 𝐻𝑚𝑎𝑥 = ln 𝑆. Esta relación entre la diversidad observada
(𝐻′) y la diversidad máxima ( 𝐻max ), ha sido propuesta como una medida de
uniformidad (E) o equidad; por lo que a partir de lo anterior se han desarrollado
varias medidas de uniformidad (equidad) entre las que se incluyen:
La medida de uniformidad de Pielou la cual está dada por:
𝐸 = 𝐻′/𝐻𝑚𝑎𝑥=𝐻′/ ln 𝑆
Donde:
𝐸 = La medida de la uniformidad de Pielou
𝐻′ = La media de diversidad calculada (Shannon-Wiener)
𝐻max = La diversidad máxima esperada para S (número de especies) con igual
número de abundancias.
El valor 𝐸 toma valores entre 0 y 1.0, donde 1.0 representa una situación en la que
todas las especies se distribuyen de forma uniforme; considerando que todas las
especies se han contabilizado en la muestra (Velázquez et al., 2008).
Los indicadores de biodiversidad con un enfoque de ecosistema, tradicionalmente,
se han desarrollado considerando la heterogeneidad horizontal de los parches de
21
hábitat; pero, a partir del avance tecnológico que en el presente siglo han tenido las
herramientas de sensores remotos, se ha evidenciado que la complejidad
estructural vertical de la vegetación y del terreno, en general, (altura media de
vegetación, altura del follaje, volumen de vegetación, frecuencia de huecos,
variabilidad microtopográfica) es por demás relevante para la diversidad de
especies, y su medición a grandes escalas espaciales es, actualmente, factible con
la tecnología LiDAR (Zamora, 2017).
Los aspectos de la estructura forestal pueden indicar la etapa de desarrollo de un
rodal y el potencial de crecimiento, diversidad de hábitats incluidos, y pueden
predecir los atributos importantes en el manejo, tales como densidad, área basal y
biomasa aérea. La base para la información detallada de la estructura de copa es
un conjunto de mediciones de distancia referenciadas espacialmente. La detección
y el alcance de la luz (LiDAR), que mide la distancia por vuelo utilizando pulsos de
luz láser puede proporcionar dicha información (Parker et al., 2004).
Parker et al., (2004) estudió las limitaciones de los sistemas LiDAR aéreos y
espaciales, que dificultan la obtención de información detallada de la estructura de
los bosques, para resolver este problema se usó un sistema portátil, (telémetro) que
permite una medición rápida y precisa de la estructura de copa a escalas
ecológicamente significativas, después de hacer evaluaciones en laboratorio se
adaptó para su uso en campo y según los resultados de esta investigación, el
sistema proporciona información novedosa sobre la organización interna de la
vegetación.
22
Se ha estudiado la idoneidad de LiDAR, para estimar parámetros ecológicos y
forestales de tres especies (Quercus ilex L. subsp ilex, Fagus sylvatica L. y Pinus
halepensis L.). Los parámetros forestales que mejor se consiguieron estimar fueron
la altura (R2 = 0.923), la biomasa de madera (R2 = 0.815) y el volumen de copa (R2
= 0.758), (V. Zaldo, 2010).
Cerrillo (2010), considera que LiDAR ha mostrado resultados satisfactorios para el
cálculo de la estimación del índice de superficie foliar en Quercus ilex, sin embargo,
esta generalización depende de su costo y la facilidad para ser aplicado en grandes
superficies.
4.3. LiDAR en inventarios forestales
Los datos LiDAR y los modelos que se derivan de estos también son utilizados para
predecir el volumen de madera comercial (Yoga et al.,2018).
La disponibilidad de LiDAR en España se ha convertido en una base de datos
georreferenciada imprescindible para la optimización del uso del territorio, y
posibilita el inventario exhaustivo de los árboles o de la estructura vegetal en su
conjunto para el territorio forestal. En países donde el sector forestal es un recurso
económico muy potente como el caso de Finlandia ya se está utilizando y ofertando
con buenos resultados (Martín y Fabra, 2010).
Ortiz et al., (2015), considera el gran abanico de posibilidades que tiene la
tecnología LiDAR para su incorporación a los inventarios forestales. En su trabajo
se estudió la relación entre las métricas derivadas de LiDAR con los datos medidos
en campo para estimar variables dasométricas como: área basal, biomasa total,
23
cobertura arbórea y volumen de madera, mediante cuatro métodos: 1) regresión
lineal múltiple, 2) regresión no lineal, 3) estimador de razón y 4) inventario forestal
tradicional (muestreo estratificado). Los resultados mostraron una buena relación
entre las métricas LiDAR y los datos de campo, (R2>0.5%).
El resultado final de un inventario LiDAR es la cartografía a detalle de cada una de
las variables objetivo incluyendo el resumen de existencias por rodal y a nivel de
monte. El principal avance de estos inventarios frente a los métodos por muestreo
es que obtenemos una información continua de la estructura del bosque, la cual
permite describir la variabilidad de las masas incluso en unidades superficiales
pequeñas y trabaja con errores muy bajos a nivel de rodal. Teniendo en cuenta que
la gestión se realiza a nivel de rodal, los inventarios LiDAR son una herramienta
muy útil tanto para los trabajos de planificación como para la gestión forestal
(Rodríguez et al., 2014).
Los sensores ALS capturan de forma continua datos tridimensionales de los
distintos terrenos forestales permitiendo describir a detalle la estructura del bosque.
Esta información ha permitido enriquecer y mejorar sustancialmente la cartografía
forestal y es un primer paso para la realización de un inventario forestal LiDAR a
escala regional. Trabajos como este permiten reducir considerablemente los costos
de inventario en la planificación y manejo de masas forestales (Tomé M. et al., 2013).
Los datos ALS han demostrado que pueden utilizarse para el inventariado de
parcelas debido a su alta densidad y penetrabilidad, especialmente en las partes
inferiores de la estructura forestal, además, también ha demostrado su capacidad
24
para caracterizar el terreno, siendo crucial para cualquier normalización de alturas
(Crespo et al., 2017).
En México, durante la segunda década del siglo XXI se ha implementado el uso de
la tecnología LiDAR, con la finalidad de llevar a cabo la cartografía precisa de los
bosques para fomentar su manejo sustentable. Aún son pocas las investigaciones
en las que se aplica la tecnología LiDAR, las ventajas en cuanto a precisión y
resolución que ofrece su incorporación a los estudios de biodiversidad y de la
estructura del hábitat constituyen una garantía del conocimiento que se genere, y
servirán para fundamentar la toma de decisiones de los responsables del manejo
forestal y de la elaboración de políticas públicas enfocadas a la conservación de la
biodiversidad (Zamora, 2017).
En un inventario forestal, para la estimación de variables como volumen de madera,
densidad de árboles, área basal, altura dominante, diámetro cuadrático medio y
biomasa total aérea sobre una masa de Pinus sylvestris L. se usó el método ABA
(Area Based Approach) que consiste en la estimación de variables forestales a nivel
de parcela a partir de métricas de distribución de alturas extraídas de información
LiDAR. Los mejores resultados se obtuvieron para las variables volumen, área basal,
altura dominante y biomasa total aérea con coeficientes de determinación ajustados
entre 0.88 y 0.92 lo que demuestra el potencial de estos datos en la realización de
inventarios forestales (Sánchez A. et al., 2018).
Jamru (2018) considera que la precisión de un inventario forestal, como la
estimación de altura de árboles y delineación individual de copas dependen de la
extracción del MAD, ya que representa la altura de la vegetación. Sin embargo, se
25
generan “hoyos” en estos modelos que generan variación y afectan de forma
negativa las mediciones biofísicas. Para reducir el error en bosques tropicales se
han usado algoritmos, demostrando así que los MAD sin huecos presentan una
buena correlación con los datos del suelo (R2 de 0.86), lo cual no sucede con el
MAD estándar, (R2 de 0.78), es decir, la precisión para la identificación de árboles
mejora.
4.4. LiDAR e imágenes hiperespectrales y multiespectrales
Los inventarios y los sistemas de monitoreo son herramientas importantes para el
manejo forestal sostenible y para la protección de la naturaleza en general. Para
hacer planes de manejo adecuados, es importante obtener información sobre el
estado real del medio ambiente y el alcance de los posibles cambios, por ello un
método para el reconocimiento de objetos que permite la extracción de información
tridimensional es LiDAR, mientras que los datos multiespectrales se pueden usar
para extraer información sobre las especies arbóreas y la distribución de la mezcla.
En conjunto, estos datos permiten obtener mayor información de las masas
forestales (Diedershagen et al., 2003).
La complejidad de las áreas urbanas dificulta la obtención de datos de detección
remota de una sola fuente, para cumplir con todos los requisitos de aplicaciones
urbanas se puede proporcionar datos LiDAR precisos en puntos horizontales y
verticales, mientras que las imágenes hiperespectrales pueden proporcionar cientos
de bandas espectrales estrechas que son sensibles a sutiles diferencias en
materiales de superficie. Debido a lo anterior Man, Dong, y Guo, (2016), hicieron un
análisis donde los principales objetivos eran combinar datos LiDAR e
26
hiperespectrales para la clasificación del suelo urbano y ver la eficiencia de la
combinación de pixeles y objetos. Como resultado se obtuvo que la fusión de datos
hiperespectrales-LiDAR mejoró la precisión general al 6.8% (de 81.7 a 88.5%).
En los últimos años se han realizado diversas investigaciones para la identificación
de especies arbóreas, utilizando imágenes multiespectrales, hiperespectrales y
datos LiDAR. En estudios recientes se analizaron dos configuraciones de sensores
múltiples: 1) imágenes hiperespectrales de alta resolución espacial en el aire
combinadas con datos LiDAR; y 2) imágenes multiespectrales satelitales de alta
resolución espacial combinadas con datos LiDAR. Los resultados experimentales
mostraron que la configuración basada en datos hiperespectrales fue efectiva,
alcanzando altas precisiones, mientras que la multiespectral produjo una reducción
en la precisión, siendo agudo solo para arboles individuales (Dalponte et al., 2012).
Alonso et al., (2016), evaluó la viabilidad de combinar imágenes geográficas
basadas en Análisis de Objetos (GEOBIA, por sus siglas en ingles) y la fusión de
una imagen WorldView-2 (WV2) y datos de rango de detección de luz de baja
densidad (LiDAR) para producir mapas de tipo de combustible dentro de un área de
orografía compleja y distribución de vegetación. De acuerdo a los resultados al
hacer las comparaciones y posteriormente integrar los datos LiDAR con el GEOBIA,
se mejoró en todos los casos en más del 10%.
Coops et al., (2004), señala que las imágenes multiespectrales y datos LiDAR son
diferentes pero complementarios en cuanto al estudio de estructuras forestales. En
su investigación al utilizar un algoritmo para la delineación e identificación de árboles
individuales en ambos, al compararlos se pudo conocer que las diferencias en
27
cuanto a la delineación de la copa se deben al contenido de la información de los
productos usados, es decir, al usarlos juntos se puede obtener información no
disponible de forma independiente.
Gulbe (2015), hizo un estudio donde evaluó la metodología para identificar y
delinear las copas de árboles individuales, utilizando LiDAR y fusión de datos
multiespectrales. Al utilizar los algoritmos para la delineación de copas y compararlo
con la delineación de árboles manualmente, se pudo comprobar que la fusión es
significativamente más rápida para el primer caso.
28
5. Materiales y métodos
5.1. Localización geográfica
Petawawa Research Forest (PRF) se encuentra aproximadamente a 200 km al
oeste de Ottawa y 180 km al este de North Bay, justo al este del río Chalk, Ontario
(Treitz et al., 2012).
5.2. Clima
Se considera un clima continental, pero es ligeramente más seco en comparación
con las áreas circundantes debido al efecto de sombra de lluvia causado por las
tierras altas en el Parque Algonquin. La temporada de crecimiento promedio es de
136 días, con una precipitación anual promedio de 859mm. El mes más frío es
típicamente enero (temperatura promedio de -12 ° C) mientras que el mes más
cálido es julio (temperatura promedio de 20 ° C) (Gobierno de Canadá, 2019).
5.3. Geología y suelos
Geológicamente, el PRF se encuentra en el extremo sur del Escudo Precámbrico
con el lecho rocoso formado por granitos y gneis, algunos de los cuales tienen
aproximadamente mil millones de años.
5.4. Topografía
Se encuentra en el extremo sur del Escudo Precámbrico, su topografía ha sido
fuertemente influenciada por la glaciación y el deslave posglacial. El terreno está
dominado por: extensas llanuras de arena de origen principalmente deltaico; colinas
imponentes, suelos poco profundos, arenosos y afloramientos rocosos; y colinas
suavemente onduladas con arena franca moderadamente profunda que contiene
29
numerosas rocas. Las elevaciones en el área van desde140 a más de 280 msnm
(Treitz et al., 2012).
5.5. Vegetación
El bosque contiene una mezcla de especies de maderas duras y coníferas. Abarca
10.000 hectáreas, con aproximadamente 8.500 hectáreas cubiertas por bosques y
1.500 hectáreas cubiertas por lagos y humedales.
Las especies de árboles predominantes en el PRF incluyen:
Pino blanco (Pinus strobus), rojo (Pinus resinosa) y jack (Pinus banksiana)
Roble rojo (Quercus rubra)
Abedul amarillo (Betula alleghaniensis)
Arce rojo (Acer rubrum) y azucarero (Acer saccharum)
Abeto blanco (Picea glauca)
(Gobierno de Canadá, 2019).
30
6. Metodología
Para este estudio se utilizó una nube de puntos LiDAR donde el objetivo fue
encontrar cinco réplicas de los siguientes tipos de rodales, para un total de 25.
1. Latifoliadas, bosque mixto de 60 años con una estructura vertical de
un solo piso.
2. Latifoliadas, bosque mixto de 60 años con una estructura vertical
compleja.
3. Pinos Blancos y Rojos de 120 años de edad con una estructura vertical
de un solo piso.
4. Pinos blancos y rojos de 120 años de edad con una estructura vertical
de dos pisos.
5. Pinos blancos y rojos de 120 años de edad con una estructura vertical
compleja.
Para este análisis, la selección se limitó a rodales entre 7.5 y 17.5ha (las clases de
10 y 15ha), con la finalidad de permitir un número suficiente de candidatos y micro-
rodales, para comparar los de tamaños similares. Se enfocó el análisis bajo las
siguientes condiciones, que son dominantes y se consideran representativas de la
estructura forestal.
Todos los rodales están en la clase de tamaño de 10 o 15 ha, el método fue aplicable
a un amplio rango de tipos de rodal (abierto/cerrado, manejado/no manejado,
puro/mixto, estructura simple/estructura compleja, coníferas/latifoliadas). Se aplicó
una zona buffer de 20m por cada rodal.
31
Se trabajó con micro-rodales que tienen una gran diversidad de estructura (especies,
tamaño y distribución), cada micro-rodal tiene un área de 400m2 (20mx20m).
Con la nube de puntos se hicieron modelos digitales de elevación como: Modelo
Digital de Elevación (MDE), Modelo Digital de Superficie (MDS) y Modelo de Altura
de Dosel (MAD).
Las actividades realizadas fueron la segmentación de micro-rodales, identificación
de árboles individuales utilizando SEGMA y sus características, (altura, cubierta del
dosel, densidad de la copa del árbol por hectárea), al final se clasificaron en brecha,
árboles pequeños, medianos y grandes, (correspondientes a las alturas de 0-2m, 2-
12m, 12-24m y más de 24m respectivamente), con ArcGIS 10.3.2., además se
realizó la confección de mapas de este proceso. Posteriormente se generó un
código de acuerdo con la cubierta de copa, llamado micro-tipo, este proceso se
realizó en RStudio 3.5.2.
Para cada rodal se tuvo que encontrar el número de micro-tipos y sus frecuencias,
además se obtuvo el índice Shannon de equidad. Para observar las diferencias
entre homogéneo vs heterogéneo, y manejado vs no manejado, se hizo un mapeo
de las métricas de rodales forestales en PRF, siendo de la siguiente manera:
1. Muestreo de los 25 rodales.
2. Comparación visual de mapas de tipos de micro-rodal para cada rodal.
3. Comparación gráfica de la distribución de la brecha, la cobertura de
árboles pequeños, medianos y grandes, dentro y entre los tipos de rodales
(gráficas de caja, una por rodal).
32
4. Índice de diversidad de Shannon.
5. Clave de interpretación de micro-tipos dentro de las etapas de
desarrollo del rodal.
6. Matriz de confusión.
Todo este proceso se realizó en Lenguaje R y en ArcGis, módulo ArcMap.
Finalmente se realizó una fotointerpretación con imágenes a color de tres bandas,
(verde, rojo y azul), tomadas por un vehículo no tripulado (drone), donde se dieron
valores de 1 a 5 para características de la masa forestal como sombras, huecos,
color, altura y caminos. Para concluir se hizo una comparación de esta información
con los resultados del análisis estadístico.
33
7. Resultados
Los productos obtenidos de esta investigación, entre otros, son mapas que
representan los datos obtenidos, (Figura1-5) en formato ráster, además de gráficos
donde se pueden apreciar atributos de la masa forestal a escala de rodal y micro-
rodal, y tablas de una fotointerpretación realizada.
En la Figura 1, se muestra en color azul un rodal, mientras que en rojo se puede
apreciar la zona buffer (o área de amortiguamiento). En todos los mapas se observa
el mismo rodal, la macrolocalización donde se hace referencia al área de Petawawa,
y la microlocalización, es un pequeño punto rojo apenas perceptible que indica el
lugar que ocupa el rodal en el área total.
En la Figura 2, se puede notar una serie de cuadros de color verde que hacen
alusión al rodal, cada cuadro es un micro-rodal con un área de 400m (20x20m).
De acuerdo a la información de la Figura 3, se tiene un MAD que contiene alturas
en un rango de 0 a 40m, estas son representadas de menor a mayor con una gama
de colores que van desde verde obscuro, amarillo y rojo. El rojo representa el valor
más alto (40m).
La Figura 4 muestra la delineación de copas de árboles individuales como polígonos
de figura irregular en color verde claro. La Figura 5 muestra la misma información
solo que se representan las copas correspondientes a las clases de altura de 0-2m,
2-12m, 12-24m y mayor a 24m con colores distintos, las brechas no se representan
con ningún color, las copas de árboles pequeños se indica con color azul, la de
árboles medianos con verde y, por último, los grandes con rojo.
34
Figura 1. Mapa de zona buffer.
Dónde: *Macro location es macrolocalización; *Micro location es microlocalización; *Legend es leyenda; *Buffer zone for each stand es zona buffer por cada rodal; Stand es rodal; *Buffer es zona de amortiguamiento. (Elaboración propia).
35
Figura 2. Mapa de micro-rodales.
Dónde: *Macro location es macrolocalización; *Micro location es microlocalización; *Legend es leyenda; *Forel es área de 400m; *Microstand es micro-rodal.
36
Figura 3. Mapa de Modelo de Altura de Dosel (MAD, por sus siglas en ingles CHM).
Dónde: *Macro location es macrolocalización; *Micro location es microlocalización; *Legend es leyenda; *CHM es Canopy Height Model.
37
Figura 4. Mapa de segmentación de árboles individuales con el programa SEGMA.
Dónde: *Macro location es macrolocalización; *Micro location es microlocalización; *Legend es leyenda; *Segmentation of tres by SEGMA,es segmentación de árboles por SEGMA.
38
Figura 5. Mapa de árboles individuales clasificados por altura.
Dónde: *Macro location es macrolocalización; *Micro location es microlocalización; *Legend es leyenda; *Segmentation of tres by height class, es segmentación de árboles por clase de altura; *Tree es árbol.
39
7.1. Comparación visual
En la Figura 6, se puede ver el comportamiento del número de micro-tipos por tipo
de rodal. Se observa que los grupos de latifoliadas (Hardwoods_CX y
Hardwoods_SS) y pinos con estructura de dos pisos (Pines_TS) tienen un mayor
número de micro-tipos, es decir, una mayor diversidad de cobertura de copa,
mientras que los pinos de estructura simple (Pines_SS) y compleja (Pines_CX)
cuentan con un menor número.
Figura 6. Histograma de número de micro-tipos por tipo de rodal.
Dónde: *Stand level number of microtypes by Stand Type, es a nivel de rodal número de micro-tipos por tipo de rodal; *Nb. Microtypes es número de micro-tipos; *Count es numeración; *Stand type es tipo de rodal; *Hardwoods_CX es latifoliadas de estructura compleja; *Hardwoods_SS es latifoliadas de un solo piso o estructura simple; *Pines_CX es pinos de estructura compleja; *Pines_SS es pinos de estructura de un solo piso; *Pines_TS es pinos con estructura de dos pisos.
40
7.1.1. Índice de equidad de Shannon
Una puntuación cercana a 1 significa que el área está distribuida uniformemente
entre los micro-tipos, es heterogénea (Velázquez et al., 2008).
Las latifoliadas, pinos con estructura de dos pisos y un solo piso, son rodales
heterogéneos y homogéneos (índice de equidad cercano a 1 y 0.6). La variación de
equidad entre los rodales es menor para pinos de estructura compleja, lo que
significa que hay menor diferencia entre estos, hay cierta variabilidad, pero se
pueden observar grupos con diferentes puntajes de equidad, la tendencia general
es hacia la mayor diversidad (índice de alta equidad).
Figura 7. Índice Shannon de equidad.
Dónde: *Stand level Shannon equity index by Stand Type, es a nivel de rodal índice de equidad de Shannon por tipo de rodal; *Density es densidad; *Stand type es tipo de rodal; *Hardwoods_CX es latifoliadas de estructura compleja; *Hardwoods_SS es latifoliadas de un solo piso o estructura simple; *Pines_CX es pinos de estructura compleja; *Pines_SS es pinos de estructura de un solo piso; *Pines_TS es pinos con estructura de dos pisos.
41
7.1.2. Fotointerpretación
La fotointerpretación da como resultado un mayor valor para los pinos de estructura
compleja, contrario a esto, en la Figura 6 son las latifoliadas las que lo presentan.
Al comparar la información obtenida con el índice Shannon de equidad (Figura 7),
se entiende que la tendencia de los pinos de estructura compleja es hacia la mayor
diversidad, por ende, se refleja esto en el resultado de la fotointerpretación.
Tabla 1. Fotointerpretación
Tabla 2. Fotointerpretación
Sujeto 1 Tipo de rodal HCX HSS PCX PSS PTS
14 7 15 8 7
13 6 10 7 11
9 11 9 11 9
6 5 11 7 6
8 6 13 6 8
10 7 11,6 7,8 8,2
Dónde: *HCX es latifoliadas de estructura compleja; *HSS es latifoliadas de estructura simple; *PCX pinos de estructura compleja; *PSS pinos de estructura simple; *PTS pinos con estructura de dos pisos.
Sujeto 2 Tipo de rodal HCX HSS PCX PSS PTS
15 7 14 11 5
12 6 9 6 12
8 8 10 12 11
5 5 12 8 5
6 5 12 7 4
9,2 6,2 11,4 8,8 7,4
Dónde: *HCX es latifoliadas de estructura compleja; *HSS es latifoliadas de estructura simple; *PCX pinos de estructura compleja; *PSS pinos de estructura simple; *PTS pinos con estructura de dos pisos.
42
7.2. Comparación gráfica
Los valores medios de cobertura de copa son similares para los 5 tipos de rodal, no
obstante, la proporción de espacio es más variable en latifoliadas de estructura
compleja y pinos de estructura simple, mientras que para los otros rodales es
semejante, (Figura 8).
En los árboles pequeños la extensión de cobertura de copa es similar para todos
los rodales. El valor medio cambia para las latifoliadas de estructura compleja, ya
que es más alto, y más bajo en los pinos de estructura simple (Figura 7).
La extensión de la cubierta de árboles medianos es similar (Figura 10) en los tipos
de rodales, la media cambia para las latifoliadas de un solo piso y pinos de un solo
piso, siendo para el primero la más alta y para la segunda el valor más bajo. La
clasificación de los tipos de rodales para árboles medianos es similar a la de los
árboles pequeños.
Hay pocos árboles grandes (Figura 11), en ambos tipos de latifoliadas, las medias
son comparables, pero más variable para las latifoliadas de un solo piso
43
Dónde: *Gap Cover by Stand Type es cobertura de “huecos” por tipo de rodal.
Figura 8. Cobertura de copa por tipo de rodal para huecos.
44
Figura 9. Cobertura de copa por tipo de rodal para arboles pequeños.
Dónde: *Small tree Cover by Stand Type es cobertura de “arboles pequeños” por tipo de rodal.
45
Figura 10. Cobertura de copa por tipo de rodal para arboles medianos.
Dónde: *Medium tree Cover by Stand Type es cobertura de “arboles medianos” por tipo de rodal.
46
Figura 11. Cobertura de copa por tipo de rodal para arboles grandes.
Dónde: *Large tree Cover by Stand Type es cobertura de “arboles grandes” por tipo de rodal.
47
7.3. Índice de diversidad de Shannon
Las latifoliadas, pinos con estructura de dos pisos y un solo piso, son rodales con
diversidad que va desde 1.25 a 2.25, los pinos de estructura compleja también
tienden hacia una diversidad similar, sin embargo, presentan formación de grupos,
(Figura 12).
Dónde: *Stand level number of microtypes by Stand Type, es a nivel de rodal índice Shannon por tipo de rodal; *Density es densidad; *Diversity es diversidad; *Stand type es tipo de rodal; *Hardwoods_CX es latifoliadas de estructura compleja; *Hardwoods_SS es latifoliadas de un solo piso o estructura simple; *Pines_CX es pinos de estructura compleja; *Pines_SS es pinos de estructura de un solo piso; *Pines_TS es pinos con estructura de dos pisos.
Figura 12. Índice de diversidad de Shannon.
48
7.4. Clave de interpretación de micro-tipos
La interpretación para las Figuras 13 y 14 respectivamente es la siguiente:
Si el área del rodal está dominada por árboles medianos y es superior a 0.099 (si el
rodal tiene micro-rodales con más del 67% de árboles medianos), se tiene un rodal
de latifoliadas de estructura de un solo piso, pero si es menor a 0.099 y el área del
rodal cubierta por árboles pequeños es superior al 57%, entonces se tendrán pinos
de un solo piso. Cuando se tenga cubierta de árboles pequeños inferiores al 42%
se tendrán latifoliadas de estructura compleja, pero si el valor está entre 42% y 57%
será pinos de estructura compleja (Figura 13).
Para la Figura 14, la interpretación es similar, solo que ahora se aborda a partir de
los códigos por micro-tipo, de tal forma que si el micro-tipo es superior a 0.025
(1111) y 84% (1212), entonces se tendrán latifoliadas de estructura compleja, pero
si es inferior a 0.025, tendrá pinos de estructura simple. Cuando el micro-tipo está
entre 84% y 48% (1113), la estructura será pinos de estructura compleja, pero si es
inferior al 48% se obtendrá pinos con estructura de dos pisos.
49
Figura 13. Clave de interpretación de micro-tipos por clase de altura.
50
Figura 14.Clave de interpretación de micro-tipos por código.
51
7.5. Matriz de confusión
La matriz de confusión comparó la clasificación del modelo con la realidad, aquí
tenemos 5 rodales (Tabla 3), pero el modelo solo hizo una buena predicción en 3
casos, siendo estos los siguientes: latifoliadas de estructura simple, pinos de
estructura compleja y pinos de estructura simple. La precisión de las observaciones
es del 68% con un intervalo de confianza del 95%.
Tabla 3. Matriz de confusión
Referencia
Predicción Hardwoods_CX Hardwoods_SS Pines_CX Pines_SS Pines_TS
Hardwoods_CX 3 0 0 0 3
Hardwoods_SS 2 5 0 0 0
Pines_CX 0 0 5 1 2
Pines_SS 0 0 0 4 0
Pines_TS 0 0 0 0 0
Dónde: *Hardwoods_SS es latifoliadas de un solo piso o estructura simple; *Pines_CX es pinos de estructura compleja; *Pines_SS es pinos de estructura de un solo piso; *Pines_TS es pinos con estructura de dos pisos.
52
8. Discusión
En los resultados obtenidos para la distribución de micro-tipos por tipo de rodal, se
aprecia a las latifoliadas y pinos con estructura de dos pisos como los tipos de rodal
con mayor diversidad. Los pinos presentan mayor diversidad en cuanto a dicha
estructura, esto tiene sentido ya que la estructura de un bosque depende de las
prácticas de manejo que se estén implementando (Pinzón, 2009). La
caracterización de la diversidad estructural de ecosistemas forestales constituye
una condición básica para la toma de decisiones sobre el manejo de sus recursos,
de esta forma se puede garantizar una gestión sostenible (Albert et al., 1995; Aguirre,
et al., 1998 citado por Corral et al., 2005).
Dentro de los elementos que componen la estructura de un ecosistema forestal, los
árboles suponen el más relevante; las distintas especies presentan diferentes
características morfológicas y dan lugar a diferentes estructuras (Montes et al.,
2003).
El índice Shannon de equidad para pinos de estructura compleja tiene la distribución
de micro-rodales más uniforme que para los otros tipos de rodales, a pesar de contar
con un menor número de micro-tipos. Uno de los resultados de la competencia entre
especies forestales es la formación de capas, lo cual influye en la composición de
copas; una estructura compleja quiere decir que se tienen varias, y aunque estas
tengan un menor porcentaje de cobertura de copa (micro-tipos), presentarán una
mejor distribución (Barnes et al., 1998).
53
Las imágenes permiten realizar un análisis visual (fotointerpretación), pero también
aplicar otras técnicas más sofisticadas para extraer información (Jiménez et al.,
2011). En la fotointerpretación para este estudio se obtuvieron resultados similares
con el análisis estadístico.
En la comparación grafica por cada clase de altura, (0-2m, 2-12m, 12-24m y >24m),
huecos, arboles pequeños, medianos y grandes respectivamente, se observa el
comportamiento de las distribuciones de cobertura de copa por tipo de rodal, de tal
forma que se puede saber el comportamiento de la masa forestal. Como era de
esperarse, la cobertura de copa de los arboles más grandes pertenece a los pinos.
Las coníferas dominan los ecosistemas boreales por sus adaptaciones, lo que les
permite crecer bajo condiciones extremas y obtener mayores alturas que las
latifoliadas (Barnes et al., 1998). Las claves de interpretación fueron realizadas de
acuerdo al análisis estadístico, una de ellas se realizó por clase de altura y la otra
por micro-tipo.
La matriz de confusión tiene una precisión del 68%, lo anterior significa que la
clasificación de árboles, solo predecirá correctamente los tipos de rodal de esta
fotointerpretación en 2 casos de 3, esto quiere decir que la evaluación de la
estructura de copa es correcta, sin embargo, no se puede imitar completamente a
los fotointerpretes.
54
9. Conclusión
LiDAR en estudios de manejo forestal tiene alta precisión comparado con los datos
de campo, lo cual comprueba que es una tecnología a la vanguardia que promete
resultados satisfactorios, además, su combinación con imágenes espectrales
amplía la gama de productos que se pueden obtener de esta. Es recomendable usar
la metodología de esta investigación para el conocimiento de las estructuras de
vegetación, de tal forma que se puedan prescribir tratamientos silvícolas a partir de
la información que se obtenga.
Considerando los resultados que se tienen en el bosque de investigación de
Petawawa, Canadá, se concluye que este tipo de estudio puede ser aplicado a los
bosques de México. De acuerdo con lo que se investigó, para la estimación de
atributos específicos por especie forestal es posible emplear imágenes espectrales,
la metodología usada se puede adaptar para añadir el uso de estas.
55
10. Bibliografía
Abdel-rahman, E. M., Makori, D. M., Landmann, T., Piiroinen, R., Gasim, S., Pellikka,
P., & Raina, S. K. (2015). The Utility of AISA Eagle Hyperspectral Data and
Random Forest Classifier for Flower Mapping, (January 2014), 13298–13318.
https://doi.org/10.3390/rs71013298
Alonso-benito, A., Arroyo, L. A., Arbelo, M., & Hernández-leal, P. (2016). Fusion of
WorldView-2 and LiDAR Data to Map Fuel Types in the Canary Islands. Remote
sensing. https://doi.org/10.3390/rs8080669
Barnes, C., Balzter, H., Barrett, K., Eddy, J., Milner, S., & Su, J. C. (2017). Individual
Tree Crown Delineation from Airborne Laser Scanning for Diseased Larch
Forest Stands. Remote sensing, 9(231), 1–20.
https://doi.org/10.3390/rs9030231
Barnes, B. V., Zak, D. R., Denton, S. R., & Spurr, S. H. (1998). Forest ecology (4a
ed.). Willy. https://doi.org/10.111
Belén Cisneros, A., Graciela Moglia, J., & Agustín Álvarez, J. (2019). Morfometría
de copa en Prosopis alba Griseb. Ciencia Forestal, 29(2), 1–22. Recuperado
de
https://web.a.ebscohost.com/abstract?direct=true&profile=ehost&scope=site&
authtype=crawler&jrnl=01039954&AN=137801618&h=14MENbroNUou0Xdg1
2odYG56UG7VjESD%2FZIwTBAcfnNTpWbHzdXgLotpCn3hpbrXFtQxyk6B6lI
Xk1ftyfnNzw%3D%3D&crl=c&resultNs=AdminWebAuth&resultLocal=
Castellanos Fajardo, L. A. (2017). Pre - procesamiento de datos vectoriales Autor :
56
Recuperado de
https://centrogeo.repositorioinstitucional.mx/jspui/bitstream/1012/150/1/06-
Pre-Procesamiento de Datos Vectoriales - Diplomado de Análisis de
Información Geoespacial.pdf
Cerrillo, N. (2010). Aplicación de imágenes LIDAR para la estimación del índice de
superficie foliar (LAI) en encinas [, 19(1), 61–69.
Coops, N. C., Wulder, M. A., Culvenor, D. S., & St-onge, B. (2004). Comparison of
forest attributes extracted from fine spatial resolution multispectral and lidar data,
30(6), 855–866.
Corral Rivas, J. J., Aguirre Calderón, O. A., Jiménez Pérez, J., & Corral Rivas, S.
(2005). Un análisis del efecto del aprovechamiento forestal sobre la diversidad
estructural en el bosque mesófilo de montaña «El Cielo», Tamaulipas, México,
14(2), 217–228. https://doi.org/10.13671/j.hjkxxb.2017.0195
Corvalán, P., Galleguillos, M., & Hernández, J. (2014). Presencia, abundancia y
asociatividad de Citronella mucronata en bosques secundarios de Nothofagus
obliqua en la precordillera de Curicó, región del Maule, Chile. SCiELO, 35(3).
Recuperado de https://scielo.conicyt.cl/scielo.php?pid=S0717-
92002014000300002&script=sci_arttext
Cottens Orsi, C., & Manasliski Di Pascua, M. (2018). Detección de zonas del bosque
nativo potencialmente invadidas por especies exóticas a partir de datos LiDAR.
Crespo-Peremarch, P., & Ruiz, L. Á. (2017). Análisis comparativo del potencial del
ALS y TLS en la caracterización estructural de la masa forestal basado en
57
voxelización. Actas XVII Congreso de la Asociación Española de Teledetección.
Nuevas plataformas y sensores de teledetección, (January), 131–135.
Recuperado de file:///D:/Downloads/Crespo-Peremarch_Ruiz_AET2017.pdf
Dalponte, M., Bruzzone, L., & Gianelle, D. (2012). Author ’ s personal copy Tree
species classi fi cation in the Southern Alps based on the fusion of very high
geometrical resolution multispectral / hyperspectral images and LiDAR data.
Remote Sensing of Environment, 123(2012), 258–270.
https://doi.org/10.1016/j.rse.2012.03.013
Davies, A. B., Oram, F., Ancrenaz, M., & Asner, G. P. (2019). Combining behavioural
and LiDAR data to reveal relationships between canopy structure and
orangutan nest site selection in disturbed forests. Biological Conservation, 232,
97–107. https://doi.org/10.1016/J.BIOCON.2019.01.032
Diedershagen, O, Koch, B., Weinacker, H., Airbone, L., & Sci, X. (2004). Automatic
segmentation and characterisation of forest stand parameters using data
multiespectral and FOGIS data. In Int Arch Photogramm Remote Sens Spat Inf
pp, 208-212 SRC-BaiduScholar FG-0.
Diedershagen, O, Koch, B., Weinacker, H., Airbone, L., Sci, X., Haara, A., …
Maltamo, E. (2014). Automatic segmentation and characterisation of forest
stand parameters using data multiespectral and FOGIS data. In Int Arch
Photogramm Remote Sens Spat Inf pp Kuvioittaisen arvioinnin luotettavuus
In Metstieteen aikakauskirja pp 4489508 J H M I Detecting and estimating
attributes for single trees using laser scanner In Photogram pp 162742 Nsset
58
E Forestry, 2004 SRC, 208–212.
Diedershagen, Oliver, Koch, B., & Weinacker, H. (2003). AUTOMATIC
SEGMENTATION AND CHARACTERISATION OF FOREST STAND
PARAMETERS USING AIRBORNE LIDAR DATA , MULTISPECTRAL AND
FOGIS DATA, 208–212.
Dietmaier, A., McDermid, G. J., Rahman, M. M., Linke, J., & Ludwig, R. (2019).
Comparison of LiDAR and Digital Aerial Photogrammetry for Characterizing
Canopy Openings in the Boreal Forest of Northern Alberta. Remote Sensing,
11(16), 1919. https://doi.org/10.3390/rs11161919
Domingo Ruiz, D., Lamelas Gracia, T., Gracia Montealegre, A. L., & de la Riva
Fernández, J. (2016). Estimación de la pérdida de biomasa y de las emisiones
de CO2 generadas por la combustión de masas forestales de Pinus halepensis
Mill. en el incendio de Luna (Aragón), mediante datos LiDAR-PNOA. XVII
Congreso Nacional de Tecnologías de Información Geográfica, 83–88.
Recuperado de http://www.age-geografia.es/tig/2016_Malaga/Domingo-
Ruiz.pdf
Engelstad, P. S., Falkowski, M., Wolter, P., Poznanovic, A., & Johnson, P. (2019).
Estimación de los atributos del combustible del dosel a partir de LiDAR de baja
densidad. Fire, 2(3). Recuperado de https://www.mdpi.com/2571-
6255/2/3/38/htm
Enrique, W., & Castillo, S. (2013). Evaluación y comparación de métodos de
interpolación determinísticos y probabilísticos para la generación de modelos
59
digitales de elevación Evaluation and comparison of deterministic and
probabilistic interpolation methods for digital elevation model gene.
Investigaciones Geográficas, Boletin del Isntituto de Geografia UNAM, 82(82),
118–130. https://doi.org/10.14350/rig.35906
Ewald, F., Lati, H., Stere, K., Modzelewska, A., Lefsky, M., Waser, L. T., … Ghosh,
A. (2016). Remote Sensing of Environment Review of studies on tree species
classi fi cation from remotely sensed data, 186, 64–87.
https://doi.org/10.1016/j.rse.2016.08.013
Fradette, M.-S., Leboeuf, A., Riopel, M., & Bégin, J. (2019). Method to Reduce the
Bias on Digital Terrain Model and Canopy Height Model from LiDAR Data.
Remote Sensing, 11(7), 863. https://doi.org/10.3390/rs11070863
García, M., Prado, E., Riaño, D., Chuvieco, E., & Danson, F. (2009). Ajuste
planimétrico de datos LiDAR para la estimación de características dasométricas
en el Parque Natural del Alto Tajo, 184–208.
Gobierno, España, M. de A. (2013). Teledetección agroforestal : el futuro que ya
está aquí. Ambienta.
Gobierno de Canadá. (2019). Bosques nacionales de investigación. Recuperado de
https://www.nrcan.gc.ca/science-and-data/research-centres-and-labs/forestry-
research-centres/national-research-forests/13171
Grégoire, V., F., C., Sabatier, D., & Lilian, W. (2012). El sistema liDAR muestra que
los bosques más altos tienen árboles más esbeltos. cirad, 55–56. Recuperado
de https://agritrop.cirad.fr/568127/
60
Gulbe, L. (2015). IDENTIFICATION AND DELINEATION OF INDIVIDUAL TREE
CROWNS USING LIDAR AND MULTISPECTRAL DATA FUSION Linda Gulbe,
3294–3297.
Hamraz, H., Contreras, M. A., & Zhang, J. (2016a). A robust approach for tree
segmentation in deciduous forests using small-footprint airborne LiDAR data.
International Journal of Applied Earth Observation and Geoinformation, 1(859),
1–26.
Hamraz, H., Contreras, M. A., & Zhang, J. (2016b). International Journal of Applied
Earth Observation and Geoinformation A robust approach for tree segmentation
in deciduous forests using small-footprint airborne LiDAR data. International
Journal of Applied Earth Observations and Geoinformation, 52, 532–541.
https://doi.org/10.1016/j.jag.2016.07.006
Hernández Stefanoni, J. L. (2019). La unión hace la fuerza: combinación de
sensores remotos para el monitoreo de bosques tropicales J. CICY, 47–51.
I. . Detecting and estimating attributes for single trees using laser scanner. (1999).
In Photogram pp, 16 SRC-, 27–42.
Itakura, K., & Hosoi, F. (2018). Automatic individual tree detection and canopy
segmentation from three-dimensional point cloud images obtained from ground-
based lidar. Journal of Agricultural Meteorology, 74(3), 109–113.
https://doi.org/10.2480/agrmet.D-18-00012
Jakubowski, M. K., Li, W., Guo, Q., & Kelly, M. (2013). Delineating Individual Trees
from Lidar Data: A Comparison of Vector- and Raster-based Segmentation
61
Approaches, 4163–4186. https://doi.org/10.3390/rs5094163
Jamru, L. R. (2018). Correction pit free canopy height model derived from LiDAR
data for the broad leaf tropical forest. IOP Conference Series: Earth and
Environmental Science, 169(1). https://doi.org/10.1088/1755-
1315/169/1/012113
Jari, V., Maltamo, M., McRoberts, R. E., In, M., & Maltamo, E. (2014). Næsset, E. .
Forestry Applications of Airbone Laser Scanning. Nsset V Jari Introduction to
Forestry Aplications of Airbone Laser Scanning p 1 New York London Springer.
Jiménez Muñoz, J. C., Sobrino A., J., & Sória, G. (2011). Procesamiento digital de
imágenes de satélite, 1–12.
Khosravipour, A., Skidmore, A. K., Isenburg, M., Wang, T., & Hussin, Y. A. (2014).
Generating Pit-free Canopy Height Models from Airborne Lidar, 863–872.
https://doi.org/10.14358/PERS.80.9.863
Ko, C., Remmel, T. K., & Sohn, G. (2012). Mapping tree genera using discrete LiDAR
and geometric tree metrics. Bosque (Valdivia), 33(3), 313–319.
https://doi.org/10.4067/s0717-92002012000300015
Koch, B., Kattenborn, T., Straub, C., Vauhkonen, J., In, M., & Maltamo, E. (2014).
Segmentation of Forest to Tree Objects. Nsset J of Airbone Laser Scanning pp
New York Springer, 0–91.
Landa, A. F. A. A. F., Rodríguez, F., López, D., Olabarria, J. R. G., Yudego, B. M.,
Lasala, D., … Molina, A. G. (2013). Los sensores aerotransportados LiDAR y
multiespectrales en la descripción y cuantificación de los recursos forestales.
62
Revista Montes., (112), 31–36. Recuperado de
http://dialnet.unirioja.es/servlet/articulo?codigo=4194545
López, E., Carlos, L., Simeón, P., Gabriel, J., & Navarro, M. (2006). Los Sistemas
De Información Geográfica, 16. Recuperado de
http://imsturex.unex.es/MUIETSIG/TEMA1.pdf
Maltamo, M. (2006). Eerikäinen, K., Packalén, P., & Hyyppä, J. . Estimation of stem
volume using laser scanning based canopy height metrics . In Forestry pp, 79
SRC-, 217–229.
Maltamo, M., Means, J., Acker, S., Fitt, B., Renslow, M., Emerson, L., & Hendrix, C.
(1997). Eerikäinen, K., Packalén, P., & Hyyppä, J. . Estimation of stem volume
using laser scanning based canopy height metrics . In Forestry pp Predicting
forest stand characteristics with airbone laser scanning lidar In Photogram Eng
Remote Sens pp 6613671371 Nsset E a Determination of mean tree height of
forest stands using airbone laser scanner data, 79 SRC-, 217–229.
Maltamo, M., Packalen, P., In, M., & Maltamo, E. (2014). Species-Specific
Management Inventory in Finland. Nsset J of Airbone Laser Scanning pp New
York London Springer, 242-243 SRC-BaiduScholar FG-0.
Maltamo, M., & Tokola, T. (2008). Packalén, P., & Detailed assesment using remote
sensing techniques. In Designing green lanscapes pp Dordrecht Springer, 0–
53.
Man, Q., Dong, P., & Guo, H. (2016). Pixel- and feature-level fusion of hyperspectral
and lidar data for urban land-use classification. International Journal of Remote
63
Sensing, 36(6), 1618–1644. https://doi.org/10.1080/01431161.2015.1015657
Martín Gil, A., & Fabra Crespo, M. (2010). " Estructura forestal y trabajos selvícolas
en el MUP de Sinarcas (Valencia). Comparación entre inventarios forestales
tradicionales y mediante tecnología LiDAR. " TRABAJO FINAL DE CARRERA.
Martinuzzi, S., Gould, W. A., Vierling, L. A., Hudak, A. T., Nelson, R. F., & Evans, J.
S. (2012). Cuantificación del tipo de bosque tropical seco y la sucesión: mejora
sustancial con LiDAR. bioTROPICA. Recuperado de
https://onlinelibrary.wiley.com/doi/abs/10.1111/j.1744-7429.2012.00904.x
Molina Simbaña, P. (2016). Geografía del carbono en alta resolución en bosque
tropical amazónico del Ecuador mediante sensores aerotransportados.
Montealegre, A. L., Lamelas, M. T., & Riva, J. de la. (2014). Evaluación de métodos
de interpolación utilizados en la creación de modelos digitales de elevaciones
para la normalización de la nube de puntos LIDAR-PNOA en aplicaciones
forestales. RUA, 116–122. Recuperado de
http://rua.ua.es/dspace/handle/10045/46429
Montes, F., Río, M., & Cañellas, I. (2003). Revisión: índices de diversidad estructural
en masas forestales. Investigación agraria. Sistemas y recursos forestales,
12(1), 159–176. https://doi.org/10.5424/795
Montes Tubio, F., Río, M., & Cañellas Rey de Viñas, I. (2003). Revisión: índices de
diversidad estructural en masas forestales. Investigación agraria. Sistemas y
recursos forestales, 12(1), 159–176. https://doi.org/10.5424/795
Næsset, E. a). Determination of mean tree height of forest stands using airbone laser
64
scanner data. (1997).
Næsset, E. b). Estimating timber volume of forest stands using airbone laser scanner
data. (1997). In Remote Sens Enviroment pp, 51 SRC-, 246–253.
Navarro, E. P., Bañuelos, M. J., & Quevedo, M. (2016). Combinando datos LiDAR e
inventario forestal para identificar estados avanzadosde desarrollo en bosques
caducifolios. REVISTA ECOSISTEMAS, 25(3). Recuperado de
https://www.revistaecosistemas.net/index.php/ecosistemas/article/view/1204
Ortiz Reyes, A. D., Valdez Lazalde, J. R., De los Santos Posadas, H. M., Ángeles
Pérez, G., Paz Pellat, F., & Martínez Trinidad, T. (2015). Inventario y cartografía
de variables del bosque con datos derivados de LiDAR: comparación de
métodos. SCIELO, 21(3), 111–128. Recuperado de
http://www.scielo.org.mx/scielo.php?pid=S1405-
04712015000300008&script=sci_arttext
Parker, G. G., Harding, D. J., & Berger, M. L. (2004). A portable LIDAR system for
rapid determination of forest canopy structure. Journal of Applied Ecology, 41(4),
755–767. https://doi.org/10.1111/j.0021-8901.2004.00925.x
Pascual, C., Garda-Abril, A., Garcia-Montero, L., Martin-Fermandez, S., & Cohen,
W. (2008). Object-based semi-automatic approach for forest structure
characterization using lidar data in heterogeneus Pinus sylvestris stands. In For
ecol manag pp, 255 SRC-, 3677–3685.
Pesquer, L., Masó, J., & Pons, X. (2000). Herramientas de Análisis Combinado
Ráster/Vector en un Entorno SIG. Universidad de Alcalá, (October 2014), 21.
65
Recuperado de
http://scholar.googleusercontent.com/scholar?q=cache:1BdKOEqC-
OkJ:scholar.google.com/+convertir+de+vector+a+raster&hl=es&as_sdt=0,5
Pinzón, J. (2009). Arañas en el bosque boreal : Imitando disturbios naturales como
técnica de manejo sostenible Spiders in the mixedwood boreal forest :
Sustainable forest management by emulating natural disturbances, (May), 543–
544. https://doi.org/10.13140/2.1.3523.4244
Pla, L. (2006). Biodiversidad: Inferencia basada en el índice de Shannon y la riqueza.
Interciencia, 31(8), 583–590. Recuperado de
http://ve.scielo.org/scielo.php?script=sci_arttext&pid=S0378-
18442006000800008&lng=es&nrm=iso&tlng=es
Rodríguez, F., Fernández, A., & Tomé, J. (2014). Resultados y reflexiones tras cinco
años de inventario forestal con tecnología LiDAR. Foresta, (61), 28–33.
Ruiz, A., & Kornus, W. (2003). Experiencias y aplicaciones del lidar, (Baltsavias
1999), 7.
Sánchez Alberola, J., Oliver, P., Estornel, J., & Dopazo, C. (2018). ESTIMACIÓN
DE VARIABLES FORESTALES DE PINUS SYLVESTRIS L. EN EL
CONTEXTO DE UN INVENTARIO FORESTAL APLICANDO TECNOLOGÍA
LIDAR AEROPORTADA. 21. Recuperado de
http://www.geofocus.org/index.php/geofocus/article/view/509
Straub, C., Weinacker, H., & Koch, B. (2008). A fully automated procedure for
delineation and classification of forest and non-forest vegetation based on full
66
waveform laser scanner data. In Proceedingds of the XXI ISPRS congress
Beijing China July pp 10131020, 11 SRC-, 3–8.
Suvanto, L. I., & Latva-Karjanmaa, T. B. (2005). Clone identification and clonal
structure of the European aspen (Populus tremula). Molecular ecology, 14(9),
2851–2860. Recuperado de
http://www.ncbi.nlm.nih.gov/sites/entrez?Db=pubmed&DbFrom=pubmed&Cm
d=Link&LinkName=pubmed_pubmed&LinkReadableName=Related
Articles&IdsFromResult=16029483&ordinalpos=3&itool=EntrezSystem2.PEntr
ez.Pubmed.Pubmed_ResultsPanel.Pubmed_RVDocSum
Tomé M., J. L., García P., S., & Fernández L., A. (2013). Cartografía de Vegetación
en la Comunidad de Madrid utilizando información LiDAR del Plan Nacional de
Ortofotografía Aérea (PNOA). ResearchGate. Recuperado de
https://www.researchgate.net/profile/Jose_Tome6/publication/314457768_Cart
ografia_de_Vegetacion_en_la_Comunidad_de_Madrid_utilizando_informacion
_LiDAR_del_Plan_Nacional_de_Ortofotografia_Aerea_PNOA/links/58c28ec54
5851538eb7fe2b2/Cartografia-de-Vegetacion-
Treitz, P., Lim, K., Woods, M., Pitt, D., Nesbitt, D., & Etheridge, D. (2012). LiDAR
sampling density for forest resource inventories in Ontario, Canada. Remote
Sensing, 4(4), 830–848. https://doi.org/10.3390/rs4040830
V. Zaldo, G. M. Y. X. P. (2010). Estimación y cartografía de parámetros ecológicos
y forestales en tres especies ( Quercus ilex L . subsp ilex , Fagus sylvatica L .
y Pinus halepensis L .) con datos LiDAR Estimation and mapping forest and
67
ecological parameters for three tree species ( Qu. Revista de Teledetección, 34,
55–68.
Velázquez Velázquez, E., Pérez Farrera, M. Á., & Chávez Cortazar, A. (2008). El
análisis de la comunidad: parámetros y evaluaciones de la diversidad biológica.
Lacandonia, 2(1), 131–140. Recuperado de
https://cuid.unicach.mx/revistas/index.php/lacandonia/article/view/147/149
Wack, S., Hajri, A., Heisel, F., Sowinska, M., Berger, C., Whelan, M., … Aprahamian,
M. (2003). Feasibility, sensitivity, and reliability of laser-induced fluorescence
imaging of green fluorescent protein-expressing tumors in vivo. Molecular
therapy : the journal of the American Society of Gene Therapy, 7(6), 765–773.
Recuperado de
http://www.ncbi.nlm.nih.gov/sites/entrez?Db=pubmed&DbFrom=pubmed&Cm
d=Link&LinkName=pubmed_pubmed&LinkReadableName=Related
Articles&IdsFromResult=12788650&ordinalpos=3&itool=EntrezSystem2.PEntr
ez.Pubmed.Pubmed_ResultsPanel.Pubmed_RVDocSum
Wang, K., & Kumar, P. (2019). Characterizing relative degrees of clumping structure
in vegetation canopy using waveform LiDAR. Remote Sensing of Environment,
232, 111281. https://doi.org/10.1016/J.RSE.2019.111281
Yépez, F., & Lozano, D. (2013). Mapeo de ciudades con datos LIDAR. Dinámicas
locales del cambio ambiental global, Aplicaciones de percepción remota y
análisis espacial en la evaluación del territorio, (June).
Yoga, S., Jean, B., Gaétan Daigle, Riopel, M., & Benoît St-Onge. (2018). A
68
Generalized Lidar-Based Model for Predicting the Merchantable Volume of
Balsam Fir of Sites Located along a Bioclimatic Gradient in Quebec , Canada.
forests, 1–13. https://doi.org/10.3390/f9040166
Zamora Martínez, M. C. (2017). La tecnología LiDAR, herramienta útil para el
estudio de la biodiversidad. Revista mexicana de ciencias forestales, 8(39).
Recuperado de http://www.scielo.org.mx/scielo.php?pid=S2007-
11322017000100004&script=sci_arttext
Zapata Jaramillo, C., Toro Botero, F., & Marín Morales, M. (2012). Definición de un
método basado en patrones de análisis para la interoperabilidad entre sistemas
de información geográfica. Revista EIA, (18), 179–194.
Zawawi, A. A., Shiba, M., Janatun, N., & Jemali, N. (2015). Accuracy of LiDAR-based
tree height estimation and crown recognition in a subtropical evergreen broad-
leaved forest in Okinawa , Japan, 24(1), 1–11.
Zheng, Z., Ma, Q., Qian, K., & Bales, R. C. (2018). Canopy effects on snow
accumulation: Observations from lidar, canonical-view photos, and continuous
ground measurements from sensor networks. Remote Sensing, 10(11).
https://doi.org/10.3390/rs10111769
Zhou, Z., & Gong, J. (2018). Análisis automatizado de datos LiDAR móviles para la
evaluación de daños a nivel de componente de estructuras de edificios durante
grandes tormentas costeras. Ingeniería Civil e Infraestructura Asistida por
Computadora, 33(5), 373–392. Recuperado de
https://onlinelibrary.wiley.com/doi/abs/10.1111/mice.12345
69
