Inventario y cartografía de variables del bosque con datos derivados de LiDAR: comparación de métodos
DOI:
https://doi.org/10.21829/myb.2015.213461Palabras clave:
biomasa aérea, estimadores de razón y regresión, mapeo, modelación espacial, volumen totalResumen
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.
Descargas
Citas
Aguirre S., C.A., J.R. Valdez L., G. Ángeles P., H.M. De los Santos P. y A.I. Aguirre S. 2011. Mapeo de índice de área foliar y cobertura arbórea mediante fotografía hemisférica y datos SPOT HRG: Regresión y k-nn. Agrociencia 45(1):105-119.
Aguirre S., C.A., E.J. Treviño G., O.A. Aguirre C., J. Jiménez P., M.A. González T., J.R. Valdez L., G. Sánchez D., R. Haapanen, A.I. Aguirre S. y L. Miranda A. 2014. Mapping aboveground biomass by integrating geospatial and forest inventory data through a k-nearest neighbor strategy in North Central Mexico. Journal of Arid Land 6(1):80–96. DOI: https://doi.org/10.1007/s40333-013-0191-x
Ángeles P., G., C. Wayson, R. Birdsey, R. Valdez L., H. De los Santos P. y O. Plascencia E. 2011. Sitio intensivo de monitoreo de flujos de CO2 a largo plazo en bosques bajo manejo en el centro de México. In: Memorias III Simposio Internacional del Carbono en México. 12 al 14 de octubre. México. Resumen No. 5.4.
Bortolot, J.Z. y R.H. Wynne. 2005. Estimating forest biomass using small footprint LiDAR data: An individual tree-based approach that incorporates training data. Journal of Photogrammetry & Remote Sensing 59(6):342-360. DOI: https://doi.org/10.1016/j.isprsjprs.2005.07.001
Carrillo A., F., M. Acosta M. y G. Tenorio G. 2004. Tabla de volumen para Pinus patula Schl. et Cham. en el Estado de Hidalgo. Folleto Técnico No. 2. Inifap Sagarpa.16 p.
Conafor (Comisión Nacional Forestal). 2010. Inventario Nacional Forestal y de Suelos, manual y procedimientos para el muestreo de campo, remuestreo 2010. Zapopan, Jalisco, México. 140 p.
Cruz M., Z. 2007. Sistema de ecuaciones para estimación y partición de biomasa aérea en Atopixco, Zacualtipán, Hidalgo, México. Tesis de Maestría en Ciencias. División de Ciencias Forestales. Universidad Autónoma Chapingo. Texcoco, México. 39 p.
Cruz-Leyva, I.A., J.R. Valdez-Lazalde, G. Ángeles-Pérez y H.M. de los Santos-Posadas. 2010. Modelación espacial de área basal y volumen de madera en bosques manejados de Pinus patula y P. teocote en el ejido Atopixco, Hidalgo. Madera y Bosques 16(3):75-97. DOI: https://doi.org/10.21829/myb.2010.1631168
Dubayah, R.O. y J.B. Drake. 2000. LiDAR remote sensing for forestry. Journal of Forestry 98(6):44-46.
Figueroa N., C.M., G. Ángeles P., A. Velázquez M. y H.M. De los Santos P. 2011. Estimación de la biomasa en un bosque bajo manejo de Pinus patula Schltdl. et Cham. en Zacualtipán, Hidalgo. Revista Mexicana de Ciencias Forestales 1(1):105-112. DOI: https://doi.org/10.29298/rmcf.v1i1.658
Hall, S.A., I.C. Burke, D.O. Box, M.R. Kaufmann y J.M. Stoker. 2005. Estimating stand structure using discrete-return LiDAR: an example from low density, fire prone ponderosa pine forests. Forest Ecology and Management 208(1-3):189-209. DOI: https://doi.org/10.1016/j.foreco.2004.12.001
Hawbaker, T.J., T. Gobakken, A. Lesak, E. Tromborg, K. Contrucci y V. Radeloff. 2010. Light Detection and Ranging-based measures of mixed hardwood forest structure. Forest Science 56(3):313-326.
Lim, K. y P. Treitz. 2004. Estimation of above ground forest biomass from airborne discrete return laser scanner data using canopy-based quantile estimators. Scandinavian Journal of Forest Research 19(6):558-570. DOI: https://doi.org/10.1080/02827580410019490
Holmgren, J. 2004. Prediction of tree height, basal area and stem volume in forest stands using airborne laser scanning. Scandinavian Journal of Forest Research 19(6):543-553. DOI: https://doi.org/10.1080/02827580410019472
Hudak, A.T., J.S. Evans y A.M.S. Smith. 2009. LiDAR Utility for natural resource managers. Remote Sensing 1:934-951. DOI: https://doi.org/10.3390/rs1040934
Laes, D., S.T. Reutebunch, R. McGaughey y B. Mitchell. 2011. Guidelines to estimate forest inventory parameters from LiDAR and field plot data. Forest Service. Pacific Northwest Research Station. United States Department of Agriculture. 21 p.
Martínez M., M.A. 2004. Nuevos registros de aves en el bosque mesófilo de montaña del noreste de Hidalgo, México. Huitzil 5(2):12-19. DOI: https://doi.org/10.28947/hrmo.2004.5.2.40
Means, J.E., S.A. Acker, D.J. Harding, J.B. Blair, M.A. Lefsky, W.B. Cohen, M.E. Harmon y W.A. McKee. 1999. Use of large-footprint scanning airborne LiDAR to estimate forest stand characteristics in the western Cascades of Oregon. Remote Sensing of Environment 67(3):298-308. DOI: https://doi.org/10.1016/S0034-4257(98)00091-1
McGaughey, R.J. 2012. FUSION/LDV: Software for LIDAR data analysis and visualization. Forest Service. Pacific Northwest Research Station. United States Department of Agriculture. 171 p.
Mora, B., M.A. Wulder, J.C. White y G. Hobart. 2013. Modeling stand height, volume, and biomass from very high spatial resolution satellite imagery and samples of airborne LiDAR. Remote Sensing 5:2308-2326. DOI: https://doi.org/10.3390/rs5052308
Muñoz-Ruiz, M.A., J.R. Valdez-Lazalde, H.M. De los Santos-Posadas, G. Ángeles-Pérez, A.I. Monterroso-Rivas. 2014. Inventario y mapeo del bosque templado de Hidalgo, México mediante datos del satélite SPOT y de campo. Agrociencia 48:847-862.
Næsset E. 2002. Predicting forest stand characteristics with airborne scanning laser using a practical two-stage procedure and field data. Remote sensing of environment 80(1):88-99. DOI: https://doi.org/10.1016/S0034-4257(01)00290-5
Næsset, E. 2004. Practical large-scale forest stand inventory using a small-footprint airborne scanning laser. Scandinavian Journal of Forest Research 19(2):164-179. DOI: https://doi.org/10.1080/02827580310019257
Navarro C., R.M., M. Sánchez, J. Gómez, A. García, R. Hernández y S. Lanjeri. 2010. Aplicación de imágenes LiDAR para la estimación del índice de superficie foliar (LAI) en encinas [Quercus ilex L. subsp. ballota (Desf.) Samp]. Forest Systems 19(1)61-69. DOI: https://doi.org/10.5424/fs/2010191-01167
Persson, A., J. Holmgren y U. Söerman. 2002. Detecting and measuring individual trees using an airborne laser scanner. Photogrammetric Engineering & Remote Sensing 68(9):925–32.
Popescu, S.C. 2007. Estimating biomass of individual pine trees using airborne LiDAR. Biomass and Bioenergy 31(9):646-655. DOI: https://doi.org/10.1016/j.biombioe.2007.06.022
Soriano-Luna, M.A., G. Ángeles-Pérez, T. Martínez-Trinidad, F.O. Plascencia-Escalante y R. Razo-Zárate. 2015. Estimación de biomasa aérea por componente estructural en Zacualtipán, Hidalgo, México. Agrociencia 49:423-438.
Van Aardt, J., R. Wynne y J. Scrivani. 2008. LiDAR-based mapping of forest volume and biomass by taxonomic group using structurally homogenous segments. Photogrammetric Engineering & Remote Sensing 74(8):1033–1044. DOI: https://doi.org/10.14358/PERS.74.8.1033
SAS, Institute Inc. 2002. SAS/IML Users guide, Version 9.0. Cary, N.C. SAS Institute Inc. 1031 p.
Scheaffer, L.R., W. Mendenhall y L. Ott. 1986. Elementary survey sampling. PWS Publishers. EUA. 320 p.
Valdez L., J.R. y C.A. Aguirre S. 2013. Active microwave remote sensing for forest resources management: current use in the world and potential use in Mexico. In: Aplicaciones de geomática en la región central de México. M. Escalona M., Y. Fernández-Ordoñez y M.J. Jiménez-Moreno, eds. Colegio de Postgraduados. p:155-178.
Descargas
Publicado
Cómo citar
-
Resumen749
-
PDF310
-
HTML907
Número
Sección
Licencia
Madera y Bosques por Instituto de Ecología, A.C. se distribuye bajo una Licencia Creative Commons Atribución-NoComercial-CompartirIgual 4.0 Internacional.
