Click here to load reader

Estimación y cartografía de parámetros ecológicos y ... · la obtención de variables para las tres especies forestales más abundantes Pinus halepensis, Quercus ilex subsp ilex

  • View
    212

  • Download
    0

Embed Size (px)

Text of Estimación y cartografía de parámetros ecológicos y ... · la obtención de variables para las...

  • Revista de Teledeteccin. ISSN: 1988-8740. 2010. 34: 55-68

    Revista de Teledeteccin. ISSN: 1988-8740. 2010. 34: 55-68 55

    Estimacin y cartografa de parmetrosecolgicos 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 ecologicalparameters for three tree species (Quercus ilex

    L. subsp. ilex, Fagus sylvatica L. and Pinushalepensis L.) with LIDAR data

    V. Zaldo1, G. Mor2 y X. Pons1,[email protected]

    1 Dep. de Geografa. Edifici B. Universitat Autnoma de Barcelona. 08193 Bellaterra2 Centre de Recerca Ecolgica y Aplicacions Forestals (CREAF). Edifici C.

    Univ. Autnoma de Barcelona. 08193 Bellaterra

    Recibido el 22 de marzo de 2010, aceptado el 24 de agosto de 2010

    RESUMEN

    Se ha estudiado la idoneidad de los datos Li-DAR (Light Detection And Ranging) para esti-mar parmetros ecolgicos y forestales para tresespecies (encina, haya y pino) dentro de una zo-na de Catalua. Se muestrearon un total de 50parcelas de las cuales 14 eran para encinas, 18para hayas y 18 para pinares. Los pulsos LiDARse modelizaron mediante estadsticos (percen-tiles, mediana, media, desviacin estndar y co-eficiente de penetracin), que sirvieron comovariables independientes en los modelos de re-gresin. El tratamiento realizado mostr buenajuste a nivel de parcela, pero la densidad dedatos LiDAR es insuficiente para la obtencinde modelos a nivel rbol. Adems, los resulta-dos sugieren el uso de modelos generales, ya quelas diferencias entre las tres especies forestalesno fueron significativas. Los parmetros fores-tales que mejor se consiguieron estimar fueronla altura (R2 = 0.923), la biomasa de madera(R2 = 0.815) y el volumen de copa (R2 = 0.758).Finalmente se generaron modelos digitales pa-ra estos tres parmetros. Los resultados fueronsatisfactorios y sugieren el uso operativo de losdatos LiDAR para la generacin de cartografaforestal.

    ABSTRACT

    The suitability of LiDAR data to estimate eco-logical forest parameters for three species(holm oak, beech and pine) has been studied inan area of Catalonia. A total of 50 plots weresampled, 14 were for oaks, 18 for beechs and18 for pines. LiDAR pulses were modeled bystatistical (percentile, median, mean, standarddeviation and coefficient of penetration), whichwere used as independent variables in regres-sion models. This treatment yields good agre-ement at plot level, but the density of LiDARdata was insufficient to obtain good adjustmentat tree level. Furthermore, the results suggestthe use of general models, since differencesamong the three forest species were not signi-f icant. The best forest parameters were theheight (R2 = 0.923), wood biomass (R2 = 0.815)and crown volume (R2 = 0.815). Digital modelsfor ecological forest parameters were genera-ted. The results were satisfactory and providenew reasons for the generation of forest mapswith LiDAR data.

  • INTRODUCIN Y OBJETIVOS

    El estudio de los bosques es de gran impor-tancia para el conocimiento de las potencialida-des forestales del territorio. Catalua cuenta con1.2 millones de hectreas de bosques, lo cual re-presenta un 38% de su superficie total (Burrielet al., 2000-2004). Se hace, pues, patente la ne-cesidad de contar con informacin precisa delestado de los montes y de conocer los parme-tros ecolgicos y forestales que los caracterizan.La estimacin de estos parmetros permite ob-tener cartografa forestal de tipo cuantitativo quees importante para modelar la biomasa y el car-bono fijado en los ecosistemas forestales. A suvez, tambin sirve como entrada para la elabo-racin de modelos de incendio (Riao et al.,2003) y de modelos predictivos de la distribu-cin de especies (Rodrguez et al., 2007). A lolargo de dcadas, las instituciones y los centrosde investigacin han ido realizando inventariosforestales para obtener informacin de estos pa-rmetros ecolgicos y forestales, pero estos es-tudios implican mtodos bastante costosos entrminos de tiempo y dinero. Esto ha llevado aexplorar otras metodologas ms rpidas y me-nos costosas, como el uso de sistemas de telede-teccin. As, se han realizado estudios intentan-do estimar parmetros forestales, mediante eluso de imgenes de satlite (Anderson et al.,1993; Salvador & Pons, 1998; Vzquez de laCueva, 2008) o de imgenes de sensores aero-portados (Salvador et al., 1997; Baulies & Pons,1995). En varios de estos casos los ajustes de losmodelos no permitieron generar prediccionescuantitativas. Actualmente con la tecnologa Li-DAR (Light Detection And Ranging) se puedeempezar a captar para luego representar de ma-nera cada vez ms precisa la estructura tridimen-sional (x, y, z) de un bosque. El LiDAR incor-pora un lser pulsado de alta potencia comofuente de radiacin electromagntica y detectalos pulsos reflejados. La distancia se determinacomo el tiempo de retardo de cada uno de los re-tornos con respecto al pulso inicial (Wehr &Lohr, 1999). De esta manera la tecnologa Li-

    DAR ofrece la novedosa posibilidad de obtenerinformacin detallada de la estructura verticalde las cubiertas forestales. Los estudios LiDARse han aplicado en bosques tropicales (Nelson etal., 1997), bosques de taiga (Naesset, 1997) ybosques caducifolios del norte de Europa (Hill& Thomson, 2005); sin embargo son escasos enbosques mediterrneos caracterizados por su al-ta complejidad (Maselli & Chiesi, 2006; Garcaet al., 2010). El objetivo principal de este estu-dio es determinar la aplicacin de los datos Li-DAR para la estimacin de variables forestales(altura, altura de la base de la copa, volumen decopa, DBH (Diameter at Breast Height), bioma-sa de madera y biomasa de hojas) en encinares,hayedos y pinares para una zona de Catalua ygenerar cartografa cuantitativa de estas varia-bles. Para ello se analizar la idoneidad de la me-todologa de trabajo tanto a nivel de rbol comode parcela, se evaluar la importancia de la se-paracin por especies en los modelos de regre-sin y se determinara el mejor estimador LiDARpara cada variable a travs del coeficiente de de-terminacin (R2).

    MATERIAL Y MTODOS

    rea de estudio

    La zona de estudio se sita sobre una zona deCatalua (long: 2 20 lat: 41 46) que discurrepor el Parque Natural de Sant Lloren del Munti lObac y el Parque Natural del Montseny(Fig. 1). El vuelo LiDAR tiene una longitud deunos 65 km y una anchura de 1 km. La altura me-dia del terreno de estudio es de 617 m, variandoentre 232 y 1.527 m. El rea de estudio presentauna gran diversidad de especies vegetales, sien-do relevantes los extensos pinares de pino carras-co (Pinus halepensis L.). Tambin pueden encon-trarse encinares (Quercus ilex L. subsp ilex) yalcornocales (Quercus suber L.). Adems, en laszonas ms elevadas hay gran presencia de haye-dos (Fagus sylvatica L.) y castaares (Castaneasativa Mill.). En este estudio nos centraremos en

    V. Zaldo et al.

    56 Revista de Teledeteccin. ISSN: 1988-8740. 2010. 34: 55-68

    PALABRAS CLAVE: LiDAR, parmetros eco-lgicos, cartografa forestal, altura, biomasa,volumen de copa.

    KEY WORDS: LiDAR, ecological parameters,forest mapping, height, biomass, crown volu-me.

  • la obtencin de variables para las tres especiesforestales ms abundantes Pinus halepensis,Quercus ilex subsp ilex y Fagus sylvatica.

    Datos de campo

    Coincidente en el tiempo con la obtencin delos datos LiDAR se realiz una campaa de to-ma de datos de campo para obtener parmetrosdasomtricos en la zona de trabajo. El muestroque se realiz entre los meses de octubre y di-ciembre del 2007, fue diseado especialmentepara este trabajo y llevado a cabo por personaltcnico del CREAF (Centre de Recerca Ecol-gica i Aplicacions Forestals). Los datos obteni-dos consistieron en un muestreo discreto en elespacio basado en parcelas circulares con un ra-dio entre 10-15 m para los hayedos y entre 8-10 m para los pinares y encinares. Las diferen-cias en el tamao de las parcelas se deben a lasdiferencias en la densidad de pies de las distin-tas especies: para tener un nmero representati-vo de rboles por parcela, en los hayedos se tu-vieron que usar radios mayores que en lospinares y encinares. Se obtuvieron medidas eco-lgicas y forestales de todos lo rboles que seencontraban dentro de cada parcela. As, se con-sigui informacin para un total de 6.197 rbo-les en 50 parcelas repartidas por las diferentesreas de muestreo (3.518 individuos de Fagussylvatica en 18 parcelas, 1.022 individuos de Pi-nus halepensis en 18 parcelas y 1.657 individuosde Quercus ilex en 14 parcelas). Se realiz una

    localizacin de cada rbol gracias al uso distan-cimetros digitales y a su ubicacin sobre orto-fotografas 1:5.000 e imgenes CASI. De estamanera se consigui una georeferenciacin finade los rboles muestreados para conseguir mini-mizar la propagacin de errores que se producedebido a la indeterminacin de la posicin de ca-da rbol y se evito la localizacin mediante eluso del GPS ya que bajo dosel forestal este sis-tema tienden a producir errores 1,5 a 3 veces ma-yores de lo normal (Popescu et al., 2003). Lasparcelas se seleccionaron previamente a travsde ortofotomapas 1:5.000 y una imagen CASIen zonas aparentemente puras cerca de caminos.La georeferenciacin de los rboles se conseguaubicando una referencia en los ortofotomapas1:5.000 y luego usando un distancimetro. Setomaron medidas estructurales a nivel de rboly stas se extrapolaron a nivel de parcela (Ta-bla 1). Las medidas de altura, altura de la base yDBH se calcularon directamente en el campo.Las medidas de biomasa de madera y biomasade hojas se obtuvieron a partir de ecuaciones alo-mtricas diseadas especialmente para este es-tudio usando muestras de campo de hojas y ra-mas en parcelas cercanas pero distintas a lasparcelas donde se realizaron las otras medidasde inventario (Gracia et al., 2004). Los informesde las ecuaciones alometricas fueron altamentesignificativos para las tres especies (F. sylvaticar2: 0,992, p < 0,0001; P.halepensis r2: 0,986,p < 0,0001 y Q. ilex r2: 0,952, p < 0,0001). Parael volumen de copa, se us una aproximacin deestudios anteriores (Riao et al., 2004). Estaaproximacin, requiere del clculo de la super-ficie de la copa, que en este caso se calcul a tra-vs de las medidas de campo del radio de la co-pa en los cuatro puntos cardinales.

    Datos LiDAR

    El rea de estudio fue sobrevolada el20/10/2007 utilizando un equipo LiDAR de lafirma Optech modelo ALTM3025 propiedad delInstituto Cartogrfico de Catalua (ICC). Se so-brevolaron un total de 6.694 ha; la altura mediade vuelo fue de 1.494 m sobre el nivel del mar,con un ngulo mximo de escaneo de 20, unafrecuencia de barrido de 200 Hz, un swath de 580m, una densidad de puntos de aproximadamente

    Estimacin y cartografa de parmetros ecolgicos y forestales en tres especies con datos LiDAR

    Revista de Teledeteccin. ISSN: 1988-8740. 2010. 34: 55-68 57

    Figura 1. Localizacin del vuelo LiDAR en Catalua.

    N

  • 0.5 puntos/m2 y dos retornos registrados por ca-da pulso emitido. Se realizaron tres pasadas, consolape. Los datos LiDAR utilizados incluyen lascoordenadas (x, y, z) en proyeccin UTM, huso31N, en el sistema ED50 de dos retornos, as co-mo la intensidad de cada retorno. El valor del Ro-ot Mean Square Error (RMSE) para el ajuste delos puntos lser obtenidos por el ICC fue de 0,033m. Para todas las consideraciones altimtricas seus el Modelo Digital de Terreno (MDT) deriva-do de los datos LiDAR a 2 m de resolucin.

    Resolucin espacial

    A fin de determinar cual es la resolucin es-pacial ptima para la obtencin de modelos fo-restales a partir de un LiDAR con densidad de0,5 puntos/m2, se establecieron dos niveles de es-tudio: el rbol y la parcela. El rbol correspon-da al individuo que se haba medido en campo yla parcela a la parcela seleccionada que engloba-ba a todos los individuos. Se generaron dos ba-ses vectoriales de polgonos; una para cada unade las copas de los rboles y otra para las parce-las que englobaban a dichos rboles. El procesode creacin de la base vectorial de las copas delos rboles se realiz a partir de las medidas decampo de la posicin central del rbol y del ra-dio de capa copa en los cuatro puntos cardinalesy cuatro puntos ms que se calcularon suponien-do un polgono octogonal para las copas de losrboles. La base vectorial de las parcelas se ob-

    tuvo a travs de aplicar un buffer al punto cen-tral de la parcela con su radio correspondiente.

    Anlisis estadstico de los datos LiDAR

    De los datos LiDAR, que contenan ms de 84millones de registros, se seleccionaron nicamen-te los datos LiDAR para los rboles y las parce-las de las cuales se tenan datos de campo. Paraello se us la cartografa vectorial generada a par-tir de los datos de campo de las copas de los r-boles y de las parcelas muestreadas, para as po-der extraer los puntos LiDAR correspondientesa cada nivel de estudio: el rbol y la parcela (Fig.2). La extraccin de puntos del fichero originalen formato LAS i los procesos posteriores se re-aliz con el software MiraMon (Pons, 2010).

    V. Zaldo et al.

    58 Revista de Teledeteccin. ISSN: 1988-8740. 2010. 34: 55-68

    Parmetro forestalrbol Parcela

    Unidad Mtodo Unidad Mtodo

    Altura m Campo m Media de los 10 rboles(Distancimetro) ms altos

    Altura base de la copa m Campo m Media(Distancimetro)

    Volumen de copa m3/m2 (Riao et al., 2004) m3/m2 Sumatorio

    DBH cm Campo cm Sumatorio

    Biomasa de madera kg Ecuaciones T/Ha Ecuacionesalomtricas alomtricas

    Biomasa de hojas kg Ecuaciones T/Ha Ecuacionesalomtricas alomtricas

    Tabla 1. Parmetros forestales a nivel de rbol y de parcela.

    Figura 2. Polgonos de las copas de los rboles (color) delas parcelas (fondo en negro) y puntos LiDAR.

    0 20 m1:700

  • Se utilizaron todos los pulsos del vuelo Li-DAR, tanto el primer pulso como el segundo, yaque los parmetros forestales de rboles que seencontraban en el dosel inferior, podan estar ex-plicados por la informacin presente en este se-gundo pulso. Para obtener la altura sobre el te-rreno (Altura LiDAR), se realiz una resta de laz LiDAR menos la z del MDT. El MDT fue ge-nerado por el ICC con los mismos datos del vue-lo LiDAR y a partir de la seleccin de los puntospertenecientes al suelo mediante un algoritmo declasificacin (Axelsson, 1999) y la posterior in-terpolacin de dichos puntos. Una vez obtenidoslos datos LiDAR para los rboles correspondien-tes a las medidas de campo, se realiz un anli-sis exploratorio de los datos LiDAR para poderdeterminar tendencias y tipos de distribucin. Serealizaron histogramas con la Altura LiDAR porespecie. Los histogramas fueron ajustados me-diante funciones de densidad (Figs. 3 y 4). El per-fil altimtrico de densidad indica cuntos puntosde retorno hay en cada rango de altitudes. En lospinares se ha obtenido mayor penetracin del Li-DAR que en los encinares y en los hayedos. Losbosques de Pinus halepensis se suelen encontrarsobre suelos poco evolucionados en ambientesridos, lo que determina unas formaciones abier-tas y, en consecuencia, gran parte de los puntosLiDAR en estos bosques corresponden al suelo.Se detect que por debajo de 5 m de altura, en loshayedos no hay rebotes de los pulsos LiDAR, loque se relaciona con la escasa presencia de soto-bosque en estas formaciones debido la estructu-

    ra de copas y hojas de los hayedos, que aprove-chan al mximo la radiacin incidente limitandoas la presencia de luz en el sotobosque. Por suparte los encinares se representan como bosquesdensos donde la frecuencia de rebotes LiDAR esalta pero con individuos bajos.

    Los datos de Altura LiDAR sin procesar no seajustaron a ningn modelo de distribucin esta-dstica conocido. Por lo tanto se opt por usarestadsticos no paramtricos (mediana y percen-tiles), aunque tambin se calcularon algunos es-tadsticos paramtricos (media y desviacin es-tndar) al igual que realizan en otros estudios(Nelson et al., 1997; Ziegler et al., 2000). Se pa-rametriz la nube de puntos LiDAR, para as cre-ar diferentes variables, que explicasen mejor lascaractersticas forestales. Las variables LiDARque se generaron fueron: Altura mxima (Mxi-mo), Altura media (Media), Desviacin estn-dar (Sd), Percentiles (P), Mediana (Mediana) yCoeficiente de penetracin (CP). El coeficientede penetracin es la proporcin de puntos quellegan al suelo respecto del nmero de puntos to-tales. Los puntos del suelo pertenecientes al pri-mer percentil se eliminaron del anlisis.

    Modelizacin

    Se supone un modelo de regresin de la formaY = a + b X donde Y es el parmetro ecolgico oforestal, X es la variable LiDAR y (a y b) son loscoeficientes estimados para el modelo. Se deci-

    Estimacin y cartografa de parmetros ecolgicos y forestales en tres especies con datos LiDAR

    Revista de Teledeteccin. ISSN: 1988-8740. 2010. 34: 55-68 59

    Figura 3. Funciones de densidad del retorno LiDAR porrbol.

    Figura 4. Funciones de densidad del retorno LiDAR porparcela.

    Fagus sylvaticaQuercus ilexPinus halepensis

    0,00 0,05 0,10 0,15 0,20Frecuencia

    0,00 0,05 0,10 0,15 0,20 0,25 0,30Frecuencia

    Altu

    ra (m

    )

    Altu

    ra (m

    )

    30

    25

    20

    15

    10

    5

    0

    30

    25

    20

    15

    10

    5

    0

    Fagus sylvaticaQuercus ilexPinus halepensis

  • di optar por modelos simples para que pudiesenser extrapolables a otras zonas del territorio. Sequera determinar cul de los estadsticos LiDARera el mejor estimador para cada una de las varia-bles forestales por lo que se realiz una regresinentre las variables forestales y cada una de las va-riables LiDAR, tanto a nivel de individuo (Ane-xo, Tabla A), como a nivel de parcela (Anexo, Ta-bla B). Usando estos modelos (Anexo, Tablas Ay B), se seleccion el mejor estimador LiDAR pa-ra cada parmetro forestal en funcin del coefi-ciente de determinacin R2 y su RMSE Estos me-jores estimadores LiDAR fueron la base para laobtencin de los modelos de la Tabla 2.

    Generacin de cartografa

    Se pretenda obtener modelos digitales de losparmetros ecolgicos estimados. La forma ha-

    bitual para obtener modelos digitales es interpo-lar a partir de puntos individuales, pero en estecaso interesaba obtener informacin a una esca-la de parcela. Adems el elevado nmero de pun-tos hacia la interpolacin muy costosa compu-tacionalmente. Por tanto se opt por generar unamalla regular y obtener las estadsticas LiDARcon los puntos que caan dentro de cada polgo-no. As los coeficientes de los modelos se pod-an aplicar a las estadsticas de los puntos LiDARpara obtener los valores de las variables ecol-gicas y forestales a nivel de polgono. Se selec-cionaron las variables biomasa de madera (T/ha),volumen de copa (m3/m2) y altura (m) por pre-sentar unos ajustes bastante altos en los mode-los generales. Esta cartografa se gener parauna zona de escena (3 0,5 km2) en reas domi-nadas por vegetacin de hayedo y encina. Paragenerar cartografa forestal de debe tener encuenta cual es el tamao de pxel optimo de di-

    V. Zaldo et al.

    60 Revista de Teledeteccin. ISSN: 1988-8740. 2010. 34: 55-68

    ParmetroEstadstico

    R2 RMSEEstadstico

    R2 RMSEforestal

    Especie LiDARindividuo individuo

    LiDARparcela parcela

    individuo parcela

    Altura General Mximo 0,607 6,452 P 90% 0,923 1,593Quercus ilex Mximo 0,384 8,293 P 80% 0,858 1,145Fagus sylvatica Mximo 0,386 8,343 P 80% 0,823 1,710Pinus halepensis Mximo 0,243 12,682 P 80% 0,869 1,144

    Altura base General P 80% 0,258 11,993 Sd 0,496 1,110de la copa Quercus ilex P 80% 0,297 11,344 P 30% 0,570 0,915

    Fagus sylvatica P 80% 0,219 12,725 P 40% 0,611 0,884Pinus halepensis P 80% 0,298 14,638 P 60% 0,662 0,904

    Volumen General Mximo 0,296 14,542 Mximo 0,758 3,232Quercus ilex Mximo 0,119 33,891 Mximo 0,464 10,53Fagus sylvatica Mximo 0,141 34,193 Mximo 0,496 30,80Pinus halepensis Mximo 0,128 44,124 Mximo 0,392 36,98

    DBH General Mximo 0,152 161,067 P 20% 0,389 158,0Quercus ilex Mximo 0,191 116,963 P 20% 0,339 127,1Fagus sylvatica Mximo 0,214 121,321 P 20% 0,233 213,5Pinus halepensis Mximo 0,108 115,835 P 10% 0,314 97,45

    Biomasa General Mximo 0,321 42,723 Media 0,815 23,35de madera Quercus ilex Mximo 0,247 54,923 Media 0,964 6,448

    Fagus sylvatica Mximo 0,240 63,754 Media 0,750 30,26Pinus halepensis Mximo 0,165 75,567 P 60% 0,746 10,83

    Biomasa General CP 0,043 139,243 Sd 0,466 10,81foliar Quercus ilex CP 0,086 98,237 CP 0,476 24,89

    Fagus sylvatica CP 0,027 179,732 Sd 0,272 30,96Pinus halepensis CP 0,076 120,464 CP 0,586 21,01

    Tabla 2. Modelos de los mejores estimadores LiDAR.

  • cha cartografa. La eleccin del tamao del p-xel esta sujeta a diferentes variables: la resolu-cin de los datos de partida, la estructura espa-cial del ecosistema, la variabilidad forestal y eltipo de variable a representar. Es decir se tratade una eleccin compleja que no solo dependede los datos de partida. En (Nijland et al., 2009)determinan la resolucin espacial ptima paramapear la vegetacin natural en un ambiente me-diterrneo, usando un tamao de pxel diferen-te del de los datos de partida. En este estudio de-bido al escaso nmero de muestras, no se pudorealizar un anlisis de cross-validation que po-dra dar una medida del error de la cartografa.Por tanto se generaron mapas a diferentes reso-luciones 5, 10, 15 y 20 metros y se evalo la re-presentatividad de dicha cartografa con respec-to a la imagen CASI atendiendo a la estructuraespacial del ecosistema, la variabilidad forestaly el tipo de parmetro. Se comprob que debidoa la alta complejidad estructural y ambiental, apartir de un tamao de pxel de 10 metros no serecoga la variabilidad de los parmetros repre-sentados. Por tanto se selecciono el pxel de 10metros como el ptimo para representar los pa-rmetros de este estudio. Para calcular las varia-bles LiDAR se utiliz una media de 170 puntosLiDAR por polgono, que se aproxima a los 190puntos que se tenan de media para las parcelas.

    RESULTADOS Y DISCUSIN

    Los resultados del estudio [Tabla 2, Anexo(Tablas A y B)] revelaron que los datos LiDARpermiten estimar, a nivel de parcela y con eleva-da exactitud, parmetros forestales en ecosiste-mas de tipo mediterrneo. Los modelos a nivelde rbol mostraron que todas las variables Li-DAR empleadas fueron significativas pero conbajos ajustes, mientras que a nivel de parcela al-gunas variables LiDAR no fueron significativas[marcadas con () en el Anexo (Tablas A y B)]pero los modelos en general incrementaron con-siderablemente su nivel de ajuste. Los ajustes delos modelos por individuo (con un intervalo deR2 de 0,027-0,607) y por parcela (con un inter-valo de R2 de 0,233-0,964), permiten estableceren este caso la parcela como el nivel adecuadopara trabajar con datos LiDAR de las caracters-ticas de los utilizados en este estudio.

    En todos los casos los modelos mejoraron alpasar del nivel de individuo, al nivel de parcela.Probablemente la densidad de puntos LiDAR deeste estudio (0,5 puntos/m2) que permite usar 22puntos para rboles de 8 m2 de superficie media,es insuficiente para trabajar con individuos (otrostrabajos, como el de Chen et al., 2006, usan unadensidad de 9 puntos/m2 para trabajar a este ni-vel). Por tanto estos resultados son susceptiblesde mejora con una mayor densidad de puntos,que puede conseguirse con una conveniente pla-nificacin de vuelo o bien con la incorporacinde tecnologa LiDAR que almacene mayor n-mero de retornos o una mayor frecuencia de emi-sin de pulsos. Tambin cabe plantearse hastaqu punto es til obtener cartografa muy deta-llada de variables forestales que representan pa-rmetros espaciales con una unidad mnima demedida correspondiente al propio rbol. Los mo-delos generados a nivel de parcela s fueron sa-tisfactorios y mejoraron los ajustes de estudiosanteriores usando imgenes de satlite Landsat(Salvador & Pons, 1998; Mallinis, et al., 2004;Vzquez de la Cueva, 2008) e imgenes hiperes-pectrales (Baulies & Pons, 1995; Schlerf & Atz-berger, 2006). De aqu en adelante se considera-rn los modelos a nivel de parcela y se trabajarny discutirn sus resultados. Con respecto al efec-to de las diferencias entre especies en la genera-cin de los modelos, los resultados a nivel de par-cela predicen una mejora en los casos en los quelos predictores LiDAR son similares entre espe-cies diferentes. As, tanto la altura mxima, elvolumen de copa y el DBH con similares predic-tores LiDAR entre especies mejoran en el anli-sis general. Adems, la prdida del ajuste de losmodelos generales es escasa en las variables conmayor variacin interespecifica, como la alturade la base de la copa, biomasa foliar y biomasade madera. Por tanto, las diferentes especies pre-sentan una tendencia similar, por lo que el es-fuerzo que supondra realizar un anlisis y car-tografa a nivel de especie no compensa a la vistade los resultados obtenidos para los modelos ge-nerales. Los resultados a nivel de parcela tam-bin mostraron que los parmetros forestales es-taban explicados por un estadstico LiDARdiferente en cada caso. As, para los modelos ge-nerales los parmetros que dieron mejores resul-tados fueron la altura mxima explicada por elpercentil 90%, el volumen de copa explicado por

    Estimacin y cartografa de parmetros ecolgicos y forestales en tres especies con datos LiDAR

    Revista de Teledeteccin. ISSN: 1988-8740. 2010. 34: 55-68 61

  • el mximo y la biomasa de madera estimada porla media. Los parmetros de altura de la base dela copa, DBH y biomasa foliar no se consiguie-ron estimar con tanto nivel de ajuste, aunque losresultados no son despreciables y podran ser me-jorables con un LiDAR de una mayor densidadde puntos. La altura de la base de la copa, que esun parmetro con una alta variabilidad interes-pecfica, no arroj buenos resultados a nivel ge-neral, pero los modelos por especie indican quelas estadsticas LiDAR explican parte de la va-riabilidad de este parmetro. Para el DBH no seobtuvo una relacin con las estadsticas LiDARcalculadas, aunque cabe sealar que el DBH esun parmetro difcil de estimar con la densidadde puntos LiDAR de este estudio, ya que se tra-ta de una variable de baja resolucin espacial porlo que se necesitara un mayor densidad de pun-tos para su correcta estimacin (Chen et al.,2007). El coeficiente de penetracin sirve paraexplicar parte de la biomasa foliar, sobretodo enlos bosques de aciculifolios donde la penetracindel LiDAR es mayor. Se esperaba obtener unospeores ajustes de los modelos en los bosques msheterogneos y variables como los encinares ypinares con respecto a los bosques ms homog-neos como los hayedos (Salvador et al., 1997).Sin embargo, los resultados obtenidos han reve-lado pruebas en el sentido opuesto. Se puede pen-sar que el propio tipo de estructura homogneade las copas de los hayedos hace que la penetra-bilidad del LiDAR en el dosel vegetal sea menorque en bosques ms heterogneos y esto impidael correcto ajuste de los datos LiDAR a parme-tros que explican caractersticas del propio do-sel. Para la generacin de cartografa cuantitati-va se usaron los tres parmetros que seconsiguieron estimar con mayor exactitud a ni-vel de parcela; la altura mxima R2 = 0.923, bio-masa de madera R2 = 0.815 y volumen de copaR2 = 0.758 (Figs. 5, 6 y 7). Estos tres parmetrosson de vital importancia para el cocimiento delos bosques mediterrneos: La altura mxima esun parmetro bsico de los inventarios foresta-les y del cual derivan otros parmetros, la bio-masa de madera permite estimar la cantidad decarbono acumulado en los bosques y el volumende copa es importante para la modelizacin deincendios forestales.

    Los modelos calculados permitieron generarcartografa de tipo cuantitativo de estos parme-

    tros forestales (Anexo, Fig. A). Lo deseable hu-biera sido evaluar de forma cuantitativa estosmodelos con nuevos datos de campo, pero debi-do a que todas las parcelas con verdad terrenodisponibles se usaron para el ajuste del modelono se ha procedido a tal anlisis. Aun as, los re-sultados de los modelos son satisfactorios a ni-vel visual comparando con la imagen CASI quenos aporta una referencia del estado de las cu-biertas. La combinacin CASI (907, 707, 406nm) permite distinguir las zonas de vegetacinen rojo y verde, de las reas sin vegetacin o consuelo desnudo en azul o blanco. Se detecta co-mo las reas sin vegetacin (en azul) presentanvalores cero de biomasa, volumen de copa y al-

    V. Zaldo et al.

    62 Revista de Teledeteccin. ISSN: 1988-8740. 2010. 34: 55-68

    Figura 5. Estimacin de la altura para modelos generalesa nivel de parcela.

    5 10 15 20 25Percentil 90 altura LiDAR (m)

    R2 = 0,923RMSE = 1,593

    Altu

    ra m

    edia

    de

    los

    10

    rbol

    es m

    s a

    ltos

    (m) 25

    20

    15

    10

    Fagus sylvaticaPinus halepensisQuercus ilex

    Figura 6. Estimacin de biomasa de madera para mode-los generales a nivel de parcela.

    5 10 15 20Media altura LiDAR (m)

    R2 = 0,815RMSE = 23,35

    Biom

    asa

    de m

    ader

    a (T

    /ha)

    250

    200

    150

    100

    50

    Fagus sylvaticaPinus halepensisQuercus ilex

  • tura mxima, mientras que en las zonas de ma-yor densidad de copas estos valores aumentan.En la imagen correspondiente al volumen de co-pa se observan zonas con valor 0 y sin embargola altura vara entre 5-10 m y la biomasa presen-ta valores de aproximadamente 50 T/ha; esto esdebido a que son reas de matorral que no pre-sentan cobertura arbrea y en consecuencia noexisten copas arbreas, pero s presencia de es-pecies arbustivas con cierta altura y biomasa demadera. Los modelos se realizaron para un readominada por haya en la parte inferior de la ima-gen y encinas en la zona superior. El rango devalores obtenido fue de 0-300 T/ha para la bio-masa de madera, de 0-800 m3/m2 para el volu-men de copa y de 0-35 m para la altura.

    Estos modelos permiten detectar reas den-tro del bosque con elevado contenido en bio-masa y/o con elevado volumen de copa. Estasreas podran ser zonas con caractersticas cli-mticas y edficas muy benignas que permitena la vegetacin desarrollarse y acumular altasconcentraciones de biomasa. En los modelosdigitales se detectaron valores altos de los pa-rmetros ecolgicos en zonas con altas pendien-tes, como puntos cercanos a la cima de las co-linas de la parte superior de la imagen. Estopuede ser debido a que la generacin de mode-los digital del terreno (MDT) obtenidos por Li-DAR se realiza a travs de la interpolacin delos puntos del suelo. Estos puntos se clasif icanpor un algoritmo automtico que puede gene-rar errores en las cimas de colinas. As, el MDT

    presentara altitudes menores en las cimas y, enconsecuencia, al restar el MDT a los puntos Li-DAR se tendran valores de Z mayores de lo es-perado en estas zonas.

    Los ajustes obtenidos en este estudio han si-do mayores que los obtenidos en estudios ante-riores (Salvador et al., 1997) y permiten ser op-timistas sobre las posibilidades de la aplicacindel LiDAR para la estimacin y cartografa cuan-titativa de la vegetacin natural. En futuros es-tudios se espera poder mejorar los resultados deestimacin de los parmetros ecolgicos y fo-restales, sobretodo de los foliares, con la incor-poracin de informacin hiperespectral CASI yde la intensidad LiDAR.

    CONCLUSIONES

    En este estudio se comprob la capacidad delos datos LiDAR para genera cartografa de tipocuantitativo. Se puede concluir que una densi-dad de puntos de 0,5 puntos/m2, es adecuada pa-ra trabajar a nivel de parcela, pero insuficientepara el nivel de individuo. A su vez, la escasa di-ferencia entre los modelos a nivel de especie ya nivel general parece indicar que el esfuerzo enla separacin por especie sea innecesario para lageneracin de una cartografa extensiva de pa-rmetros forestales. Finalmente, la metodologausada para el tratamiento de la informacin Li-DAR ha permitido modelizar variables ecolgi-cas forestales como biomasa de madera, volu-men de copa y altura, y en consecuencia generarmodelos digitales forestales con un nivel de fia-bilidad que no se haba conseguido obtener conotras aproximaciones.

    AGRADECIMIENTOS

    Este estudio ha sido posible gracias a un con-venio de colaboracin entre ICC y CREAF pa-ra la utilizacin de datos hiperespectrales ymultitemporales (CASI) y LiDAR para la car-tografa categrica y cuantitativa de la vegeta-cin forestal. Deseamos agradecer especial-mente a los compaeros del ICC el cuidadosoprocesado de los datos, as como a los compa-eros del CREAF que realizaron el extenso tra-bajo de campo.

    Estimacin y cartografa de parmetros ecolgicos y forestales en tres especies con datos LiDAR

    Revista de Teledeteccin. ISSN: 1988-8740. 2010. 34: 55-68 63

    Figura 7. Estimacin de volumen de copas para modelosgenerales a nivel de parcela.

    10 15 20 25Mximo altura LiDAR (m)

    R2 = 0,758RMSE = 3,232

    Volu

    men

    de

    copa

    (m3 /

    m2 )

    700

    600

    500

    400

    300

    200

    100

    0

    Fagus sylvaticaPinus halepensisQuercus ilex

  • REFERENCIAS

    ANDERSON, G. L., HANSON, J. D. & HAAS, R. H. 1993. Evaluating Landsat Thematic Mapper de-rived vegetation indices for estimating above-ground biomass on semiarid rangelands. RemoteSensing of Environment, 45, 165-175.

    AXELSSON, P. 1999. Processing of laser scanner da-ta; algorithms and applications. ISPRS Journal ofPhotogrammetry & Remote Sensing, 54: 138-147.

    BAULIES, X. & PONS, X. 1995. Approach to fo-restry inventory and mapping by means of multi-spectral airborne data. International Journal of Re-mote Sensing, 16: 61-80.

    BURRIEL, J. A., GRACIA, C., IBEZ, J. J., MA-TA, T. & VAYREDA, J. 2000-2004. Inventari Eco-lgic i Forestal de Catalunya (IEFC). CREAF, Be-llaterra.

    CHEN, Q., BALDOCCHI, D. D., GONG, P. &KELLY, M. 2006. Isolating individual trees in a sa-vanna woodland using small footprint LiDAR da-ta. Photogrammetric Engineering and Remote Sen-sing, 72: 923-932.

    CHEN, Q., GONG, P., BALDOCCHI, D. & TIAN, Y.2007. Estimating basal area and stem volume forindividual trees from LiDAR data . Photogramme-tric engineering and Remote Sensing, 12: 1355-1365.

    GARCIA, M., RIANO, D., CHUVIECO, E. & DAN-SON, FM. 2010. Estimating biomass carbon stocksfor a Mediterranean forest in central Spain usingLiDAR height and intensity data. Remote Sensingof Environment, 114: 816-830.

    GRACIA, C., BURRIEL, J. A., IBEZ, J. J., MA-TA, T. & VAYREDA, J. 2004. Inventari Ecolgic i Forestal de Catalunya. Mtodes. Volum9. CREAF, Bellaterra, 112.

    HILL, R. & THOMSON, A. 2005. Mapping wood-land species composition and structure using air-borne spectral and LiDAR data. International Jour-nal of Remote Sensing, 26: 3763-3779.

    MALLINIS, G., KOUTSIAS, N., MAKRAS, A. &KARTERIS, M. 2004 Forest parameters estimationin a European Mediterranean landscape using re-motely sensed data . Forest Science, 50: 450-460.

    MASELLI, F. & CHIESI, M. 2006. Evaluation of Sta-tistical Methods to Estimate Forest Volume in a Me-diterranean Region. IEEE Transactions on Geos-cience and Remote Sensing, 44: 2239-2250.

    NAESSET, E. 1997. Determination of mean treeheight of forest stands using airborne laser scan-ner data. Journal of Photogrammetry and RemoteSensing, 52: 49-56.

    NELSON, R., ODERWALD, R. & GREGOIRE, T. G.1997. Separating the ground and airborne lasersampling phases to estimate tropical forest basalarea, volume, and biomass. Remote Sensing of En-vironment, 60: 311-326.

    NIJLAND, W., ADDINK, E. A., DE JONG, S. M. &VAN DER MEER, F. D. 2009. Optimizing spatialimage support for quantitative mapping of naturalvegetation. Remote Sensing of Environment,13:771-780.

    PONS, X. 2010. MiraMon. Geographical informationsystem and remote sensing software. Versin 7.Centre de Recerca Ecolgica i Aplicacions Fores-tals (CREAF). ISBN: 84-931323-4-9.

    POPESCU, S. C., WYNNE R. H. & NELSON R.F.2003. Measuring individual tree crown diameterwith lidar and assessing its influence on estimatingforest volume and biomass. Canadian Journal ofRemote Sensing, 29: 564-577.

    RIAO, D., CHUVIECO, E., CONDES, S., GONZ-LEZ-MATESANZ, J. & USTIN, S. 2004. Genera-tion of crown bulk density for Pinus sylvestris L.from LiDAR. Remote Sensing of Environment, 92:345-352.

    RIAO, D., MEIER, E., ALLGWER, B., CHUVIE-CO, E. & USTIN, S. L. 2003. Modeling airbornelaser scanning data for the spatial generation of cri-tical forest parameters in fire behavior modeling.Remote Sensing of Environment, 86: 177-186.

    RODRGUEZ, J. P., BROTONS, L., BUSTAMANTE,J. & SEOANE, J. 2007. The application of predic-tive modelling of species distribution to biodiver-sity conservation. Diversity and Distributions, 13:243-251.

    SALVADOR, R. & PONS, X. 1998. On the applica-bility of Landsat TM images to Mediterranean fo-rest inventories. Forest Ecology and Management,104: 193-208.

    SALVADOR, R., PONS, X. & BAULIES, X. 1997.Anlisis de imgenes multiespectrales aerotrans-portadas para estimar variables estructurales debosques mediterrneos de Quercus ilex L. Orsis,12: 127-139.

    SCHLERF, M. & ATZBERGER, C. 2006. Inversionof a forest reflectance model to estimate structuralcanopy variables from hyperspectral remote sen-sing data. Remote Sensing of Environment, 100:281-294.

    VZQUEZ DE LA CUEVA, A. 2008. Structural at-tributes of three forest types in central Spain andLandsat ETM plus information evaluated with re-dundancy analysis. International Journal of Remo-te Sensing, 29: 5657-5676.

    WEHR, A. & LOHR, U. 1999. Airborne laser scan-ning - an introduction and overview. ISPRS Jour-nal of Photogrammetry & Remote Sensing, 54: 68-82.

    ZIEGLER, M., KONRAD, H., HOFRICHTER, J.,WIMMER, A., RUPPERT, G., SCHARDT, M. &HYYPPA, J. 2000. Assessment of forest attributesand single-tree segmentation by means of laserscanning. Proceedings of the Internacional Societyfor Optical Engineering, 4035: 73-84.

    V. Zaldo et al.

    64 Revista de Teledeteccin. ISSN: 1988-8740. 2010. 34: 55-68

  • Estimacin y cartografa de parmetros ecolgicos y forestales en tres especies con datos LiDAR

    Revista de Teledeteccin. ISSN: 1988-8740. 2010. 34: 55-68 65

    Figura A. Modelos Digitales Forestales de la biomasa de madera, volumen de copa y altura.

    Anexo

    MODELOS DIGITALES DE LOS PARMETROS ECOLGICOSFORESTALES

    1. Imagen CASI RGB (907, 707, 406 nm).2. Biomasa de madera (T/ha).3. Volumen de copa (m3).4. Altura (m).

    1

    2

    3

    4

    N

    200 0 1.000 m

    1:16.000

    2 (T/ha)

    0-50

    50-100

    100-150

    150-200

    200-250

    250-300

    > 300

    0-100

    100-200

    200-300

    300-400

    400-500

    500-600

    600-700

    700-800

    > 800

    0-5

    5-10

    10-15

    15-20

    20-25

    25-30

    30-35

    > 35

    3 (m3) 4 (m)

  • V. Zaldo et al.

    66 Revista de Teledeteccin. ISSN: 1988-8740. 2010. 34: 55-68

    ParmetroParmetros LiDAR

    Mx P90 P80 P70 P60 Med P40 P30 P20 P10 SD Medi CP

    Altura (m) G R2 0,607 0,583 0,555 0,529 0,496 0,452 0,403 0,349 0,260 0,121 0,265 0,451 0,024

    RMSE 6,452 6,893 6,931 7,627 7,802 8,653 8,982 9,212 9,262 9,392 8,245 7,36 9,834

    Q R2 0,384 0,375 0,375 0,363 0,352 0,343 0,324 0,304 0,249 0,153 0,050 0,319 0,027

    RMSE 8,293 8,485 8,683 8,721 8,959 9,348 9,562 9,578 9,885 10,2 21,39 9,378 24,85

    F R2 0,386 0,357 0,326 0,308 0,276 0,239 0,199 0,155 0,107 0,039 0,066 0,218 0,017

    RMSE 8,343 8,379 8,381 8,402 8,628 8,863 9,256 9,892 9,913 10,38 16,483 9,527 25,38

    P R2 0,243 0,221 0,181 0,139 0,102 0,055 0,017 0,005

  • Estimacin y cartografa de parmetros ecolgicos y forestales en tres especies con datos LiDAR

    Revista de Teledeteccin. ISSN: 1988-8740. 2010. 34: 55-68 67

    ParmetroParmetros LiDAR

    Mx P90 P80 P70 P60 Med P40 P30 P20 P10 SD Medi CP

    Biomasa G R2 0,030 0,034 0,041 0,005 0,006 0,008 0,003 0,012 0,005 0,008 0,007 0,008 0,043

    foliar (T/ha) RMSE 145,6 145,8 146,5 146,8 147,3 148,2 143,8 146,1 146,4 147,3 148,2 152,3 139,2

    Q R2 0,033 0,023 0,018 0,012 0,014 0,010 0,008 0,003

  • V. Zaldo et al.

    68 Revista de Teledeteccin. ISSN: 1988-8740. 2010. 34: 55-68

    ParmetroParmetros LiDAR

    Mx P90 P80 P70 P60 Med P40 P30 P20 P10 SD Medi CP

    DBH (cm) G R2 0,129 0,161 0,185 0,226 0,272 0,328 0,348 0,366 0,389 0,176 0,299

    RMSE 188,6 185,1 182,4 177,8 172,4 165,8 163,2 161 158 183,5 169,2 169,3

    Q R2 0,291 0,301 0,320 0,339

    RMSE 131,7 130,7 128,9 127,1

    F R2 0,174 0,191 0,233 0,131

    RMSE 220,7 218,6 213,5 225,8

    P R2 0,278 0,290 0,220 0,314 0,266 0,260

    RMSE 99,93 99,09 103,9 97,45 100,8 101,2

    Biomasa de G R2 0,632 0,683 0,711 0,731 0,753 0,725 0,716 0,742 0,805 0,563 0,250 0,815 0,262

    madera (T/ha) RMSE 32,91 30,52 29,13 28,11 26,94 28,44 28,87 27,54 23,94 35,86 46,99 23,35 46,6

    Q R2 0,877 0,884 0,922 0,937 0,950 0,963 0,962 0,961 0,944 0,908 0,419 0,964 0,338

    RMSE 11,91 11,53 9,479 8,517 7,556 6,397 6,277 6,649 8,035 10,25 25,89 6,448 27,62

    F R2 0,450 0,540 0,581 0,620 0,658 0,693 0,711 0,660 0,721 0,598 0,750 0,340

    RMSE 44,89 41,02 39,19 37,32 35,37 33,55 32,52 35,28 31,97 38,35 30,26 49,15

    P R2 0,267 0,529 0,627 0,686 0,746 0,230 0,545 0,559 0,240

    RMSE 18,39 14,75 13,13 12,04 10,83 18,86 20,16 14,5 14,27 18,73

    Biomasa G R2 0,335 0,267 0,233 0,159 0,114 0,466 0,153

    foliar (T/ha) RMSE 20,02 21,12 22,17 22,27 24,33 10,811 28,283

    Q R2 0,376

    RMSE 24,89

    F R2 0,272

    RMSE 30,961

    P R2 0,260 0,434 0,585 0,422 0,248 0,311 0,442 0,586

    RMSE 21,35 21,18 21,03 21,19 21,36 21,30 21,17 21,01

    Tabla B. Tabla de R2 de los modelos significativos LiDAR a nivel de parcela. Modelo General, Quercus ilex, Fagussylvatica y Pinus halepensis (G, Q, F y P) respectivamente. P: percentil. Mx: mximo. Med: mediana. Sd: desviacinestndar. Medi: media. CP: coeficiente de penetracin.

    /ColorImageDict > /JPEG2000ColorACSImageDict > /JPEG2000ColorImageDict > /AntiAliasGrayImages false /DownsampleGrayImages true /GrayImageDownsampleType /Bicubic /GrayImageResolution 300 /GrayImageDepth -1 /GrayImageDownsampleThreshold 1.00000 /EncodeGrayImages true /GrayImageFilter /DCTEncode /AutoFilterGrayImages true /GrayImageAutoFilterStrategy /JPEG /GrayACSImageDict > /GrayImageDict > /JPEG2000GrayACSImageDict > /JPEG2000GrayImageDict > /AntiAliasMonoImages false /DownsampleMonoImages true /MonoImageDownsampleType /Bicubic /MonoImageResolution 1800 /MonoImageDepth -1 /MonoImageDownsampleThreshold 1.00000 /EncodeMonoImages true /MonoImageFilter /CCITTFaxEncode /MonoImageDict > /AllowPSXObjects false /PDFX1aCheck false /PDFX3Check false /PDFXCompliantPDFOnly false /PDFXNoTrimBoxError true /PDFXTrimBoxToMediaBoxOffset [ 0.00000 0.00000 0.00000 0.00000 ] /PDFXSetBleedBoxToMediaBox true /PDFXBleedBoxToTrimBoxOffset [ 0.00000 0.00000 0.00000 0.00000 ] /PDFXOutputIntentProfile (None) /PDFXOutputCondition () /PDFXRegistryName (http://www.color.org) /PDFXTrapped /Unknown

    /Description >>> setdistillerparams> setpagedevice