Inventario y cartografía de variables del bosque con datos derivados de LiDAR: comparación de métodos

Abstract

El método más común para estimar variables dasométricas a gran o pequeña escala es el inventario forestal basado en un muestreo en campo. En la actualidad la teledetección ofrece un abanico de posibilidades para incorporarse en las estimaciones forestales, tal es el caso de LiDAR (Light Detection And Ranging) que permite caracterizar de forma tridimensional el bosque. En este trabajo se estudió la relación entre datos derivados de LiDAR con los datos medidos en campo para estimar variables dasométricas como: área basal (AB), biomasa total (BT), cobertura arbórea (COB) y volumen de madera (VOL), mediante cuatro métodos: 1) regresión lineal múltiple, 2) regresión no lineal, 3) estimador de razón y 4) inventario forestal tradicional (muestreo estratificado). Las estimaciones totales derivadas del estimador de razón se encuentran dentro del intervalo de confianza al 95% calculado mediante inventario tradicional para AB, BT y VOL, siendo este el estimador que arroja los valores más cercanos y precisos a la estimación mediante inventario. En general, las estimaciones de los modelos no lineales fueron los más optimistas con respecto al inventario tradicional. Los resultados indican una buena relación (R2 > 0.50) entre las métricas de LiDAR y datos de campo, principalmente los percentiles de altura y las tasas de retorno sobre una altura definida. A partir de los modelos lineales, se generó la cartografía de cada una de las variables analizadas.

Inventario y mapeo de un bosque bajo manejo de pino con datos del sensor SPOT 6

“…These results are similar to those obtained by Ortiz-Reyes et al (2015) for the same study area, but they were calculated based on LiDAR data. These authors estimated 20 787.40 m The differences in the estimations of CC and LAI described above are partially due to the constantly occurring forestry interventions (total or partial harvesting of different intensities) in the forest that was the subject of this study.…”

“…These technologies make it possible to estimate variables both locally (Ortiz-Reyes et al , 2015) and in large areas at various levels of detail and in less time (Merem and Twumasi, 2008;Muñoz-Ruiz et al, 2014).…”

Determinants of Above-Ground Biomass and Its Spatial Variability in a Temperate Forest Managed for Timber Production

“…We used 204 subplots of 400 m 2 , 204 microplots of 80 m 2 , and 240 microplots of 1 m 2 in order to quantify the AGB defined as all living vegetation, both woody and herbaceous, above the soil [20]. All plots were geo-referenced on the ground with a GPS Garmin GPSmap ® 62 s [53]. We tagged all trees, identified species, and measured the DBH at a 1.3 m height of live trees ≥ 5 cm diameter in the 400 m 2 plots, and trees with 5 > DBH > 2.5 cm and taller than 1.3 m in the 80 m 2 subplots.…”

Transectos de datos LiDAR: una estrategia de muestreo para estimar biomasa aérea en áreas forestales

“…Posteriormente se probaron modelos lineales múltiples para estimar la biomasa aérea en función de las métricas LiDAR, empleando la función "lm" del paquete "stats" del software R (R Development Core Team, 2013). Sin embargo, se optó por construir los modelos con base en lo señalado por Ortiz-Reyes et al (2015), en donde incorporaron características notorias al modelo, es decir, variables que describen tanto la estructura horizontal como vertical del dosel. La estructura horizontal considera la densidad del arbolado, mientras que la estructura vertical es descrita por la distribución de alturas.…”