DOI: https://doi.org/10.21829/myb.2019.2531872

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

Alma Delia Ortiz-Reyes, José René Valdez-Lazalde, Gregorio Ángeles-Pérez, Héctor M. De los Santos-Posadas, Laura Schneider, Carlos Arturo Aguirre-Salado, Alicia Peduzzi

Resumen


La estimación y el mapeo de la biomasa aérea sobre áreas extensas puede realizarse haciendo uso de las herramientas que ofrece la percepción remota. El objetivo de este estudio fue estimar la biomasa aérea de dos tipos de selva mediana: subperennifolia (SMSP) y subcaducifolia (SMSC) en la península de Yucatán, México, empleando métricas generadas a partir de datos Light Detection and Ranging (LiDAR). Se usaron datos de 365 unidades de muestreo del Inventario Nacional Forestal y de Suelos (INFyS) de México para calibrar modelos de biomasa aérea usando regresión lineal múltiple y Random Forest (RF). Con estos modelos se mapeó la biomasa aérea sobre franjas de datos LiDAR. El modelo de regresión transformado logró explicar la varianza en un 62% (RMSE = 41.44 Mg ha-1 para SMSP y 36.60 Mg ha-1 para SMSC) para ambos tipos de vegetación. Los modelos generados a través de RF lograron explicar la varianza en un 57% (RMSE = 40.73 Mg ha-1) para la SMSP y solo de 52% (RMSE = 35.10 Mg Ha-1) para la SMSC. El desfase entre la toma de datos en campo y LiDAR, así como el error en la precisión de las coordenadas de los sitios de inventario, son factores reconocidos que influyeron en los resultados. A pesar de lo anterior, las estimaciones obtenidas podrían servir de base para estimar el inventario completo de biomasa en el área de estudio incorporando datos espectrales derivados de un sensor remoto que cubra la totalidad de esta.

Palabras clave


franjas LiDAR; inventario forestal; muestreo; península de Yucatán

Texto completo:

PDF LENS

Referencias


Asner, G. P. (2009). Tropical forest carbon assessment: integrating satellite and airborne mapping approaches. Environmental Research Letters, 4(3). doi: 10.1088/1748-9326/4/3/034009

Asner, G. P., Mascaro, J., Muller-Landau, H. C., Vieilledent, G., Vaudry, R., Rasamoelina, M., & van Breugel, M. (2012). A universal airborne LiDAR approach for tropical forest carbon mapping. Oecologia, 168(4), 1147-1160. doi: 10.1007/s00442-011-2165-z

Baccini, Goetz, S., Walker, W., Laporte, N., Sun, M., Sulla-Menashe, D., & Friedl, M. (2012). Estimated carbon dioxide emissions from tropical deforestation improved by carbon-density maps. Nature Climate Change, 2(3), 182. doi: 10.1038/nclimate1354

Baccini, Laporte, N., Goetz, S., Sun, M., & Dong, H. (2008). A first map of tropical Africa’s above-ground biomass derived from satellite imagery. Environmental Research Letters, 3(4), 045011. doi: 10.1088/1748-9326/3/4/045011

Baltsavias, E. P. (1999). Airborne laser scanning: basic relations and formulas. ISPRS Journal of Photogrammetry and Remote Sensing, 54(2), 199-214. doi: 10.1016/S0924-2716(99)00015-5

Barbosa, J. M., Broadbent, E. N., & Bitencourt, M. D. (2014). Remote Sensing of Aboveground Biomass in Tropical Secondary Forests: A Review. International Journal of Forestry Research, 2014, 1-14. doi: 10.1155/2014/715796

Cairns, M. A., Olmsted, I., Granados, J., & Argaez, J. (2003). Composition and aboveground tree biomass of a dry semi-evergreen forest on Mexico’s Yucatan Peninsula. Forest Ecology and Management, 186(1-3), 125-132. doi: 10.1016/s0378-1127(03)00229-9

Cao, L., Coops, N. C., Innes, J., Dai, J., & She, G. (2014). Mapping above-and below-ground biomass components in subtropical forests using small-footprint LiDAR. Forests, 5(6), 1356-1373. doi: 10.3390/f5061356

Cartus, O., Kellndorfer, J., Walker, W., Franco, C., Bishop, J., Santos, L., & Fuentes, J. (2014). A National, Detailed Map of Forest Aboveground Carbon Stocks in Mexico. Remote Sensing, 6(6), 5559-5588. doi: 10.3390/rs6065559

Chave, Condit, R., Aguilar, S., Hernandez, A., Lao, S., & Perez, R. (2004). Error propagation and scaling for tropical forest biomass estimates. Philosophical Transactions of the Royal Society B: Biological Sciences, 359(1443), 409-420. doi: 10.1098/rstb.2003.1425

Chave, Condit, R., Lao, S., Caspersen, J. P., Foster, R. B., & Hubbell, S. P. (2003). Spatial and temporal variation of biomass in a tropical forest: results from a large census plot in Panama. Journal of Ecology, 91(2), 240-252. doi: 10.1046/j.1365-2745.2003.00757.x

Chen, Q., Lu, D., Keller, M., dos-Santos, M., Bolfe, E., Feng, Y., & Wang, C. (2015). Modeling and Mapping Agroforestry Aboveground Biomass in the Brazilian Amazon Using Airborne Lidar Data. Remote Sensing, 8(12). doi: 10.3390/rs8010021

Chi, H., Sun, G., Huang, J., Li, R., Ren, X., Ni, W., & Fu, A. (2017). Estimation of Forest Aboveground Biomass in Changbai Mountain Region Using ICESat/GLAS and Landsat/TM Data. Remote Sensing, 9(12). doi: 10.3390/rs9070707

Clark, M. L., Roberts, D. A., Ewel, J. J., & Clark, D. B. (2011). Estimation of tropical rain forest aboveground biomass with small-footprint lidar and hyperspectral sensors. Remote Sensing of Environment, 115(11), 2931-2942. doi: 10.1016/j.rse.2010.08.029

Comisión Nacional Forestal [Conafor]. (2011). Manual y procedimientos para el muestreo de campo. Remuestreo 2012. Inventario Nacional Forestal y de Suelos. Zapopan, Jalisco, México: Conafor. Secretaría del Medio Ambiente y Recursos Naturales.

Comisión Nacional Forestal [Conafor]. (2015). Base de datos del Inventario Nacional Forestal y de Suelos Remedición 2009-2014.

Cook, B., Corp, L., Nelson, R., Middleton, E., Morton, D., McCorkel, J., & Montesano, P. (2013). NASA Goddard’s LiDAR, Hyperspectral and Thermal (G-LiHT) Airborne Imager. Remote Sensing, 5(12), 4045-4066. doi: 10.3390/rs5084045

Cutler, A., Cutler, D. R., & Stevens, J. R. (2012). Random forests. En C. Zhang, & Y. Ma (Eds.), Ensemble machine learning: Mehods and applications (pp. 157-175). Nueva York, Estados Unidos: Springer.

d'Oliveira, M. V., Reutebuch, S. E., McGaughey, R. J., & Andersen, H.-E. (2012). Estimating forest biomass and identifying low-intensity logging areas using airborne scanning lidar in Antimary State Forest, Acre State, Western Brazilian Amazon. Remote Sensing of Environment, 124, 479-491. doi: 10.1016/j.rse.2012.05.014

Deo, R., Russell, M., Domke, G., Andersen, H.-E., Cohen, W., & Woodall, C. (2017). Evaluating Site-Specific and Generic Spatial Models of Aboveground Forest Biomass Based on Landsat Time-Series and LiDAR Strip Samples in the Eastern USA. Remote Sensing, 9(12). doi: 10.3390/rs9060598

Dupuy, J. M., Hernández‐Stefanoni, J. L., Hernández‐Juárez, R. A., Tetetla‐Rangel, E., López‐Martínez, J. O., Leyequién‐Abarca, E., & May‐Pat, F. (2012). Patterns and correlates of tropical dry forest structure and composition in a highly replicated chronosequence in Yucatan, Mexico. Biotropica, 44(2), 151-162.

Echeverría, F., Arreola, J., Esparza, L. G., Morales, V., y López, J. L. (2014). Análisis de la composición y estructura de la selva mediana subperennifolia del Ejido Pachuitz, Hopelchén, Campeche, México. Foresta Veracruzana, 16(2).

Foody, G. M., Boyd, D. S., & Cutler, M. E. J. (2003). Predictive relations of tropical forest biomass from Landsat TM data and their transferability between regions. Remote Sensing of Environment, 85(4), 463-474. doi: 10.1016/s0034-4257(03)00039-7

Goetz, S. & Dubayah, R. (2011). Advances in remote sensing technology and implications for measuring and monitoring forest carbon stocks and change. Carbon Management, 2(3), 231-244. doi: 10.4155/cmt.11.18

Gonçalves, F., Treuhaft, R., Law, B., Almeida, A., Walker, W., Baccini, A., & Graça, P. (2017). Estimating Aboveground Biomass in Tropical Forests: Field Methods and Error Analysis for the Calibration of Remote Sensing Observations. Remote Sensing, 9(12). doi: 10.3390/rs9010047

Hansen, A. J., Phillips, L. B., Dubayah, R., Goetz, S., & Hofton, M. (2014). Regional-scale application of lidar: Variation in forest canopy structure across the southeastern US. Forest Ecology and Management, 329, 214-226. doi: 10.1016/j.foreco.2014.06.009

Hernández-Stefanoni, J., Dupuy, J., Johnson, K., Birdsey, R., Tun-Dzul, F., Peduzzi, A., y López-Merlín, D. (2014). Improving Species Diversity and Biomass Estimates of Tropical Dry Forests Using Airborne LiDAR. Remote Sensing, 6(12), 4741-4763. doi: 10.3390/rs6064741

Houghton, R. A., Hall, F., & Goetz, S. J. (2009). Importance of biomass in the global carbon cycle. Journal of Geophysical Research: Biogeosciences, 114(G2), doi: 10.1029/2009jg000935

Instituto Nacional de Estadística y Geografía [INEGI]. (2013). Conjunto Nacional de Uso del Suelo y Vegetación a escala 1:250,000. Aguascalientes, México: INEGI.

Laurin, G. V., Puletti, N., Chen, Q., Corona, P., Papale, D., & Valentini, R. (2016). Above ground biomass and tree species richness estimation with airborne lidar in tropical Ghana forests. International Journal of Applied Earth Observation and Geoinformation, 52, 371-379. doi: 10.1016/j.jag.2016.07.008

Lefsky, M. A., Cohen, W. B., Harding, D. J., Parker, G. G., Acker, S. A., & Gower, S. T. (2002). Lidar remote sensing of above‐ground biomass in three biomes. Global ecology and biogeography, 11(5), 393-399. doi: 10.1046/j.1466-822x.2002.00303.x

Li, M., Im, J., Quackenbush, L. J., & Liu, T. (2014). Forest Biomass and Carbon Stock Quantification Using Airborne LiDAR Data: A Case Study Over Huntington Wildlife Forest in the Adirondack Park. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 7(7), 3143-3156. doi: 10.1109/jstars.2014.2304642

Lu, D., Chen, Q., Wang, G., Moran, E., Batistella, M., Zhang, M., & Saah, D. (2012). Aboveground Forest Biomass Estimation with Landsat and LiDAR Data and Uncertainty Analysis of the Estimates. International Journal of Forestry Research, 2012, 1-16. doi: 10.1155/2012/436537

Mascaro, Asner, G. P., Knapp, D. E., Kennedy-Bowdoin, T., Martin, R. E., Anderson, C., & Chadwick, K. D. (2014). A tale of two "forests": random forest machine learning AIDS tropical forest carbon mapping. PLoS One, 9(1), 5993. doi: 10.1371/journal.pone.0085993

Mascaro, Detto, M., Asner, G. P., & Muller-Landau, H. C. (2011). Evaluating uncertainty in mapping forest carbon with airborne LiDAR. Remote Sensing of Environment, 115(12), 3770-3774. doi: 10.1016/j.rse.2011.07.019

McGaughey, R. J. (2016). FUSION/LDV: software for LiDAR data analysis and visualization. US Department of Agriculture, Forest Service, Pacific Northwest Research Station: Seattle, WA, USA.

Meyer, V., Saatchi, S. S., Chave, J., Dalling, J. W., Bohlman, S., Fricker, G. A., & Hubbell, S. (2013). Detecting tropical forest biomass dynamics from repeated airborne lidar measurements. Biogeosciences, 10(8), 5421-5438. doi: 10.5194/bg-10-5421-2013

Næsset, E. & Økland, T. (2002). Estimating tree height and tree crown properties using airborne scanning laser in a boreal nature reserve. Remote Sensing of Environment, 79(1), 105-115. doi: 10.1016/S0034-4257(01)00243-7

Nelson, R., Margolis, H., Montesano, P., Sun, G., Cook, B., Corp, L., & Prisley, S. (2017). Lidar-based estimates of aboveground biomass in the continental US and Mexico using ground, airborne, and satellite observations. Remote Sensing of Environment, 188, 127-140. doi: 10.1016/j.rse.2016.10.038

Ningthoujam, R. K., Joshi, P. K., & Roy, P. S. (2018). Retrieval of forest biomass for tropical deciduous mixed forest using ALOS PALSAR mosaic imagery and field plot data. International Journal of Applied Earth Observation and Geoinformation, 69, 206-216. doi: 10.1016/j.jag.2018.03.007

Ortiz-Reyes, A. D., Valdez-Lazalde, J. R., los Santos-Posadas, D., Héctor, M., Ángeles-Pérez, G., Paz-Pellat, F., y Martínez-Trinidad, T. (2015). Inventario y cartografía de variables del bosque con datos derivados de LiDAR: comparación de métodos. Madera y Bosques, 21(3), 111-128. doi: 10.21829/myb.2015.213461

Peduzzi, A., Wynne, R. H., Fox, T. R., Nelson, R. F., & Thomas, V. A. (2012). Estimating leaf area index in intensively managed pine plantations using airborne laser scanner data. Forest Ecology and Management, 270, 54-65. doi: 10.1016/j.foreco.2011.12.048

Pennington, T. D. (2005). Árboles tropicales de México: manual para la identificación de las principales especies. México, D.F.: UNAM.

Phua, M.-H., Johari, S. A., Wong, O. C., Ioki, K., Mahali, M., Nilus, R., & Hashim, M. (2017). Synergistic use of Landsat 8 OLI image and airborne LiDAR data for above-ground biomass estimation in tropical lowland rainforests. Forest Ecology and Management, 406, 163-171. doi: 10.1016/j.foreco.2017.10.007

Puc-Kauil, R., Ángeles-Pérez, G., Valdez-Lazalde, J. R., Reyes-Hernández, V. J., Dupuy-Rada, J. M., Schneider, L., García-Cuevas, X., Pérez-Rodríguez, P. (2019, aceptado para publicación). Species-specific biomass equations for small-size tree species in secondary tropical forests. Tropical and Subtropical Agroecosystems, 22(x): xx-xx.

R Development Core Team. (2013). R: A language and environment for statistical computing. 2009-2017.

Read, L. & Lawrence, D. (2003). Recovery of biomass following shifting cultivation in dry tropical forests of the Yucatan. Ecological Applications, 13(1), 85-97.

Rocha de Souza, P. F., Kampel, M., Gomes Soares, M., Estrada, G., Bentz, C., & Vincent, G. (2018). Reducing Uncertainty in Mapping of Mangrove Aboveground Biomass Using Airborne Discrete Return Lidar Data. Remote Sensing, 10(4). doi: 10.3390/rs10040637

Rodríguez-Veiga, P., Saatchi, S., Tansey, K., & Balzter, H. (2016). Magnitude, spatial distribution and uncertainty of forest biomass stocks in Mexico. Remote Sensing of Environment, 183, 265-281. doi: 10.1016/j.rse.2016.06.004

Saarela, S., Grafström, A., Ståhl, G., Kangas, A., Holopainen, M., Tuominen, S., & Hyyppä, J. (2015). Model-assisted estimation of growing stock volume using different combinations of LiDAR and Landsat data as auxiliary information. Remote Sensing of Environment, 158, 431-440. doi: 10.1016/j.rse.2014.11.020

Saatchi, S. S., Houghton, R., Dos Santos Alvala, R., Soares, J. V., & Yu, Y. (2007). Distribution of aboveground live biomass in the Amazon basin. Global Change Biology, 13(4), 816-837. doi: 10.1111/j.1365-2486.2007.01323.x

Urbazaev, M., Thiel, C., Cremer, F., Dubayah, R., Migliavacca, M., Reichstein, M., & Schmullius, C. (2018). Estimation of forest aboveground biomass and uncertainties by integration of field measurements, airborne LiDAR, and SAR and optical satellite data in Mexico. Carbon Balance and Management, 13(1), 5. doi: 10.1186/s13021-018-0093-5

Urquiza-Haas, T., Dolman, P. M., & Peres, C. A. (2007). Regional scale variation in forest structure and biomass in the Yucatan Peninsula, Mexico: Effects of forest disturbance. Forest Ecology and Management, 247(1-3), 80-90. doi: 10.1016/j.foreco.2007.04.015

Véga, C., Vepakomma, U., Morel, J., Bader, J.-L., Rajashekar, G., Jha, C., & Dadhwal, V. (2015). Aboveground-Biomass Estimation of a Complex Tropical Forest in India Using Lidar. Remote Sensing, 7(12), 10607-10625. doi: 10.3390/rs70810607

Wang, C. & Qi, J. (2008). Biophysical estimation in tropical forests using JERS‐1 SAR and VNIR imagery. II. Aboveground woody biomass. International Journal of Remote Sensing, 29(23), 6827-6849. doi: 10.1080/01431160802270123

White, J. C., Wulder, M., Vastaranta, M., Coops, N., Pitt, D., & Woods, M. (2013). The Utility of Image-Based Point Clouds for Forest Inventory: A Comparison with Airborne Laser Scanning. Forests, 4(3), 518-536. doi: 10.3390/f4030518

Wilkes, P., Jones, S. D., Suarez, L., Mellor, A., Woodgate, W., Soto-Berelov, M., & Skidmore, A. K. (2015). Mapping forest canopy height across large areas by upscaling ALS estimates with freely available satellite data. Remote Sensing, 7(9), 12563-12587. doi: 10.3390/rs70912563

Woods, M., Pitt, D., Penner, M., Lim, K., Nesbitt, D., Etheridge, D., & Treitz, P. (2011). Operational implementation of a LiDAR inventory in Boreal Ontario. The Forestry Chronicle, 87(4), 512-528.

Xu, L., Saatchi, S. S., Yang, Y., Yu, Y., & White, L. (2016). Performance of non-parametric algorithms for spatial mapping of tropical forest structure. Carbon Balance Manag, 11(1), 18. doi: 10.1186/s13021-016-0062-9

Zamora-Crescencio, P., Rico-Gray, V., Barrientos-Medina, R. C., Puc-Garrido, E. C., Villegas, P., Domínguez-Carrasco, M. d. R., y Gutiérrez-Báez, C. (2017). Estructura y composición florística de la selva mediana subperennifolia en Bethania, Campeche, México. Polibotánica, 43, 67-86.

Zanne, A., Lopez-Gonzalez, G., Coomes, D., Ilic, J., Jansen, S., Lewis, S., & Chave, J. (2013). Global wood density database 2009.

Zolkos, S. G., Goetz, S. J., & Dubayah, R. (2013). A meta-analysis of terrestrial aboveground biomass estimation using lidar remote sensing. Remote Sensing of Environment, 128, 289-298. doi: 10.1016/j.rse.2012.10.017


Enlaces refback

  • No hay ningún enlace refback.


Copyright (c) 2019 Madera y Bosques

Licencia de Creative Commons
Este obra está bajo una licencia de Creative Commons Reconocimiento-NoComercial-CompartirIgual 4.0 Internacional.


Madera y Bosques, Vol. 26, Núm. 2, Verano2020, es una publicación cuatrimestral editada por el Instituto de Ecología, A.C. Carretera antigua a Coatepec, 351, Col. El Haya, Xalapa, Ver. C.P. 91070, Tel. (228) 842-1835, http://myb.ojs.inecol.mx/, madera.bosques@inecol.mx. Editor responsable: Raymundo Dávalos Sotelo. Reserva de Derechos al Uso Exclusivo 04-2016-062312190600-203, ISSN electrónico 2448-7597, ambos otorgados por el Instituto Nacional del Derecho de Autor. Responsable de la última actualización de este Número, Reyna Paula Zárate Morales, Carretera antigua a Coatepec, 351, Col. El Haya, Xalapa, Ver., C.P. 91070, fecha de última modificación, 12 de mayo de 2020.

Las opiniones expresadas por los autores no necesariamente reflejan la postura del editor de la publicación.

Madera y Bosques por Instituto de Ecología, A.C. se distribuye bajo una Licencia Creative Commons Atribución-NoComercial-CompartirIgual 4.0 Internacional.

 

Licencia Creative Commons

  Los aspectos éticos relacionados con la publicación de manuscritos en Madera y Bosques se apegan a los establecidos en el COPE.

  Gestionando el conocimiento