evaluaciÓn del uso de la tecnologÍa lidar … · diseño de un cuestionario para conocer las...

67
Mariano García Alonso EVALUACIÓN DEL USO DE LA TECNOLOGÍA LIDAR EN LA ESTIMACIÓN DEL CONTENIDO DE CARBONO FORESTAL

Upload: doankien

Post on 29-Sep-2018

218 views

Category:

Documents


0 download

TRANSCRIPT

Page 1: EVALUACIÓN DEL USO DE LA TECNOLOGÍA LIDAR … · Diseño de un cuestionario para conocer las perspectivas de los técnicos de la región sobre la tecnología LiDAR 43 ... a nivel

Mariano García Alonso

EVALUACIÓN DEL USO DE LA TECNOLOGÍA

LIDAR EN LA ESTIMACIÓN DEL

CONTENIDO DE CARBONO FORESTAL

Page 2: EVALUACIÓN DEL USO DE LA TECNOLOGÍA LIDAR … · Diseño de un cuestionario para conocer las perspectivas de los técnicos de la región sobre la tecnología LiDAR 43 ... a nivel

 

Page 3: EVALUACIÓN DEL USO DE LA TECNOLOGÍA LIDAR … · Diseño de un cuestionario para conocer las perspectivas de los técnicos de la región sobre la tecnología LiDAR 43 ... a nivel

1. Introducción 1

1.1. Objetivos 1

2. Introducción a la tecnología LiDAR 2

2.1. Especificaciones del sistema 4

3. Clasificación de los sistemas LiDAR 7

4. Datos proporcionados por los sistemas LiDAR 10

4.1. Atributos de los datos LiDAR 12

4.2. Formato de los datos LiDAR 13

5. Precisión de los datos LiDAR 14

6. Aplicaciones forestales de la tecnología LiDAR 16

6.1. Estimación de biomasa y contenido de carbono 18

6.2. Estimación de la estructura de los bosques 30

6.3. Clasificación de coberturas del suelo 34

7. Análisis de software disponibles 35

7.1. Software comercial 36

7.2. Software gratuito 38

7.3. Software libre 39

8. Estimación de costes 40

9. Necesidad de capacitación 42

10. Diseño de un cuestionario para conocer las perspectivas de los técnicos

de la región sobre la tecnología LiDAR 43

11. Propuesta de un proyecto piloto 46

11.1. Estimación del contenido de carbono a nivel local 46

11.2. Estimación del contenido de carbono a nivel nacional 50

Referencias 56

Page 4: EVALUACIÓN DEL USO DE LA TECNOLOGÍA LIDAR … · Diseño de un cuestionario para conocer las perspectivas de los técnicos de la región sobre la tecnología LiDAR 43 ... a nivel

 

Page 5: EVALUACIÓN DEL USO DE LA TECNOLOGÍA LIDAR … · Diseño de un cuestionario para conocer las perspectivas de los técnicos de la región sobre la tecnología LiDAR 43 ... a nivel

1

1 Introducción

La deforestación y degradación de bosques, a través de la conversión de éstos

a pastos, desarrollo de infraestructuras, talas o incendios, representan

aproximadamente el 20% de las emisiones de gases de efecto invernadero. Así, la

Convención Marco de las Naciones Unidas sobre el Cambio Climático (UNFCCC),

considerando que los bosques son sumideros importantes de carbono y que su

deforestación y degradación producen emisiones considerables de carbono a la

atmósfera, ha puesto en marcha el programa de Reducción de Emisiones por

Deforestación y Degradación (REDD+), con el objetivo de minimizar estas

emisiones en los países en vías de desarrollo.

Los países Centroamericanos han mostrado su voluntad de prepararse

estructuralmente para un régimen internacional en REDD+ en varias estrategias

regionales. En este sentido, el programa REDD-CCAD-GIZ busca apoyar a los países

centroamericanos a través de un enfoque regional en la mejora de las condiciones

marco y las capacidades de los actores clave para REDD.

Como parte de las actividades que está desarrollando el programa REDD-

CCAD-GIZ, se enmarca esta consultoría sobre el uso de la tecnología LiDAR y sus

aplicaciones forestales, especialmente la estimación del carbono almacenado en los

bosques. En este documento nos centraremos fundamentalmente en sistemas

aeroportados puesto que son lo que presentan mayor interés para nuestros

objetivos.

1.1. Objetivos

El objetivo general del presente trabajo es realizar un informe técnico que

permita evaluar las capacidades de la tecnología LiDAR en el ámbito forestal,

principalmente para estimar el contenido de carbono en el contexto de un sistema

MRV-REDD+ para los países del CCAD. Los objetivos específicos son:

Introducir el principio de funcionamiento y las características de los

sistemas LiDAR, así como su uso en el ámbito forestal, principalmente la

estimación de carbono y la precisión de las estimaciones realizadas.

Analizar las ventajas y posibles inconvenientes derivados del uso del LiDAR

a nivel operativo para la región Centroamericana.

Page 6: EVALUACIÓN DEL USO DE LA TECNOLOGÍA LIDAR … · Diseño de un cuestionario para conocer las perspectivas de los técnicos de la región sobre la tecnología LiDAR 43 ... a nivel

2

Evaluar las herramientas disponibles para el tratamiento de los datos

LiDAR, la necesidad de capacitación, costes de adquisición y tratamiento de

los datos.

Elaborar una propuesta para ejecutar un proyecto piloto para el desarrollo

de una metodología operativa para la integración de estos datos en un

sistema MRV-REDD+.

2 Introducción a la tecnología LiDAR

LiDAR es el acrónimo de Light Detection and Ranging. También pueden

encontrarse referencias al LiDAR como “laser scanning” or LaDAR (Laser Detection

and Ranging) (Wehr and Lohr 1999). Se trata de un sistema activo de

teledetección, es decir, utiliza su propia fuente de energía, y se basa en el mismo

principio básico utilizado por la tecnología radar, aunque empleando energía láser

(Light Amplification by Stimulated Emission of Radiation) en vez de energía emitida

en la región de microondas. La mayoría de los sistemas LiDAR empleados en

aplicaciones topográficas y forestales, trabajan en la región del espectro

electromagnético correspondiente al infrarrojo cercano (IRC), normalmente entre

las longitudes de onda de 1040 nm y 1065 nm, de manera que una característica

fundamental de los sistemas LiDAR es que están afectados por las condiciones

atmosféricas (nieve, nubes, etcétera).

El principio de funcionamiento es relativamente sencillo pues un sensor LiDAR

mide el intervalo de tiempo transcurrido entre la emisión de un pulso láser y la

recepción de un eco o retorno después de que dicho pulso láser incida sobre un

objeto situado sobre la superficie terrestre. A partir del tiempo medido por el sensor

es posible determinar la distancia entre el sensor y dicho objeto a partir de la

siguiente ecuación:

R t

(1)

Donde R (Range) es la distancia entre el sensor y el objeto (m), t es el

intervalo de tiempo medido por el sensor (s) and c es la velocidad de la luz

(aproximadamente 300,000 km s-1) (Baltsavias 1999). Basándose en este principio

de medida, los sistemas LiDAR son capaces de generar una densa nube de puntos

en 3 dimensiones que permiten describir detalladamente la superficie del terreno

escaneado por el sensor.

Page 7: EVALUACIÓN DEL USO DE LA TECNOLOGÍA LIDAR … · Diseño de un cuestionario para conocer las perspectivas de los técnicos de la región sobre la tecnología LiDAR 43 ... a nivel

3

Figura 1. Escaneado de una zona forestal mediante un sistema LiDARaeroportado.

Para calcular las coordenadas (X, Y, Z) del punto donde se refleja el pulso laser

emitido es necesario combinar la información proporcionada por los siguientes sub-

sistemas que componen el sistema LiDAR. En el caso de los sistemas aeroportados

estos sub-sistemas son: la unidad de medida de distancias láser, el escáner y la

unidad de control y procesamiento (figura 2) (Wehr and Lohr 1999).

Figura 2. Componentes de un sistema LiDAR (Fuente: Baltsavias: International School on LiDAR Technology, IIT Kanpur, India, 31 March - 4 April 2008)

La unidad de medida de distancias comprende el emisor laser y el receptor

electro-óptico, los cuales comparten el mismo camino óptico asegurando así que el

Page 8: EVALUACIÓN DEL USO DE LA TECNOLOGÍA LIDAR … · Diseño de un cuestionario para conocer las perspectivas de los técnicos de la región sobre la tecnología LiDAR 43 ... a nivel

4

objeto iluminado por el láser está dentro de campo de visión (Field Of View- FOV)

del receptor. El escáner distribuye el rayo laser normalmente de manera

perpendicular a la dirección de vuelo mientras que la segunda dimensión se realiza

por el movimiento del avión. Por su parte, la unidad de control y procesamiento

incluye el sub-sistema formado por el sistema de posicionamiento global y la

unidad de medida inercial (GPS/IMU), lo que permite determinar la posición y

orientación del sensor. Debe tenerse en cuenta que es necesario disponer de una

estación base GPS para poder realizar correcciones diferenciales en la fase de post-

proceso y mejorar las precisiones en la determinación de la posición obtenida con

GPS. Esta base debe estar situada en las proximidades de la zona de vuelo y si bien

no existe una regla fija, suele colocarse en un entorno de 10-50 km dependiendo

de la topografía (visibilidad de los satélites) y posibles perturbaciones de la señal

GPS. Los distintos sub-sistemas que componen el sistema LiDAR producen cada uno

un conjunto de datos de manera asíncrona, por lo que todos los datos tomados por

cada sub-sistema son marcados con el tiempo de adquisición y es almacenado por

la unidad de control y procesamiento. Los datos de cada una de estas fuentes son

enlazados posteriormente utilizando dichas marcas durante la fase de post-proceso

para obtener las coordenadas X, Y, Z finales del punto.

Las propiedades físicas de los sistemas LiDAR se caracterizan por los siguientes

parámetros: la longitud de onda del laser (m), la duración del pulso (ns), la

energía del pulso (J), la velocidad de emisión de pulsos (kHz), la anchura del pulso

(mrad), el ángulo de escaneo (deg), la velocidad de escaneo (Hz), la altura de

vuelo (m) y el tamaño de la huella sobre el terreno (m) (Baltsavias 1999).

2.1. Especificaciones del sistema

Los sistemas LiDAR han evolucionada a una velocidad vertiginosa en los últimos

años, impulsado por la competencia comercial pero también por el potencial

mostrado por esta tecnología en distintos ámbitos de aplicación. Por tanto, a la

hora de planificar la adquisición de los datos, es fundamental tener en cuenta las

especificaciones de los sistemas disponibles puesto que en muchos casos estas

especificaciones determinarán los costes de adquisición e incluso la viabilidad del

proyecto. Las principales especificaciones operacionales de un sistema LiDAR son:

Frecuencia de emisión de pulsos: representa el número de pulsos emitidos

por segundo. Los sistemas actuales pueden operar a frecuencias superiores a 150

Page 9: EVALUACIÓN DEL USO DE LA TECNOLOGÍA LIDAR … · Diseño de un cuestionario para conocer las perspectivas de los técnicos de la región sobre la tecnología LiDAR 43 ... a nivel

5

kHz, lo que hace que puedan generar nubes de puntos mucho más densas. Esto

permite que los vuelos se realicen a mayor altura y velocidad, reduciendo por tanto

el tiempo de vuelo y los costes de adquisición.

Patrón de escaneo: se refiere a la disposición espacial de los puntos que

cabría esperar sobre una superficie plana. Este patrón dependerá del mecanismo

empleado para dirigir los pulsos transversalmente a la línea de vuelo. El método

más común en los sistemas utilizados para aplicaciones forestales consiste en un

espejo oscilante que dirige los rayos perpendicularmente a la línea de vuelo, dando

un patrón de “zig-zag” (seesaw). También pueden encontrarse sistemas que hacen

un barrido paralelo o bien elíptico. La siguiente figura ilustra dichos patrones:

Figura 3. Patrones de escaneo (Fuente:Gatziolis and Andersen 2008).

Frecuencia de escaneo: hace referencia al número de líneas de escaneo (o

patrones) por segundo.

Page 10: EVALUACIÓN DEL USO DE LA TECNOLOGÍA LIDAR … · Diseño de un cuestionario para conocer las perspectivas de los técnicos de la región sobre la tecnología LiDAR 43 ... a nivel

6

Divergencia del rayo: se refiere a la desviación de los fotones de la línea de

propagación teórica del rayo, de manera que a medida que aumenta la distancia el

diámetro del rayo aumenta. Normalmente la divergencia del rayo oscila entre 0.1 y

1 mrad, lo que significa que para una divergencia de 0.3 mrad, a una distancia de

1,000 m el diámetro será de 30 cm. Como consecuencia de este incremento del

área como consecuencia de la divergencia del rayo, para una misma distancia y una

misma cantidad de energía emitida, cuanto mayor sea la divergencia se tendrá una

menor razón señal-ruido.

Ángulo de escaneo: se refiere al ángulo con el que el pulso es emitido

perpendicularmente a la línea de vuelo y determinar el campo de visión (Field Of

View- FOV).

Diámetro de la huella: es el diámetro del rayo interceptado por un plano

situado a una distancia determinada del emisor. El valor del diámetro es función de

la altura de vuelo y de la divergencia del rayo. En el caso de superficies

horizontales y rayos emitidos nadiralmente la huella tendrá una forma circular,

mientras que para superficies inclinadas o rayos emitidos con un determinado

ángulo se obtendrá una elipse por lo que el tamaño de la huella será función de los

ejes mayor y menor de la elipse. Este parámetro es similar a la resolución espacial

(tamaño del pixel) de una imagen tomada por un sensor óptico pasivo (eg.

Landsat-TM) (Sheng 2008) puesto que determina el tamaño del área de muestreo.

Longitud del Pulso: es la duración de la emisión del pulso, normalmente

medida en nanosegundos (ns). Junto con la configuración del sistema de detección

de pulsos, determina la resolución en distancia o mínima distancia entre dos

retornos consecutivos de un pulso en los sistemas discretos.

Distancia entre huellas: es la distancia nominal entre los centros de dos

rayos consecutivos a lo largo de la línea de vuelo y entre dos líneas de vuelo. Es

función de la frecuencia de escaneo, la altura de vuelo y la velocidad del avión.

Determina junto con el tamaño de la huella la resolución espacial de un sistema

LiDAR.

Configuración de registro: este término hace referencia al modo en el que se

registra la energía devuelta hacia el sensor. Estos parámetros son específicos de

cada sistema utilizando algoritmos propietarios de cada fabricante, y determinan la

Page 11: EVALUACIÓN DEL USO DE LA TECNOLOGÍA LIDAR … · Diseño de un cuestionario para conocer las perspectivas de los técnicos de la región sobre la tecnología LiDAR 43 ... a nivel

7

mínima energía necesaria para que se registre un retorno. Junto con la longitud del

pulso, determinan la mínima distancia entre dos retornos consecutivos. Algunos

sistemas graban hasta 6 retornos por cada pulso emitido. Estos sistemas se

denominan sistemas discretos. Otros sistemas son capaces de registrar la energía

de manera prácticamente continua y se denominan sistemas de huella continua. En

el apartado capacidad de registro de la sección siguiente describiremos estos dos

tipos de sistemas.

3 Clasificación de los sistemas LiDAR

Los avances que ha experimentado la tecnología LiDAR, así como la diversidad

creciente de campos de aplicación donde esta tecnología ha mostrado un gran

potencial, ha dado lugar al desarrollo de diversos sistemas, con distintas

configuraciones y características. Los distintos sistemas existentes pueden

agruparse en distintas categorías atendiendo a diversos criterios:

Superficie a medir: Un primer criterio clasifica los sensores en función del

tipo de superficie a medir, considerando sensores topográficos, sensores

batimétricos y sensores atmosféricos. Los primeros suelen operar en la región del

infrarrojo cercano (700-1300 nm) mientras que los empleados para aplicaciones

batimétricas o atmosféricas se emplean sistemas que trabajan con dos longitudes

de onda, una en el infrarrojo cercano y otra en la región del verde (500-600 nm).

Algunos sensores también incluyen longitudes de onda en el infrarrojo medio de

onda corta-SWIR (1550 nm). La mayoría de los sistemas aeroportados comerciales

trabajan en longitudes de onda correspondientes al infrarrojo cercano.

Fabricante Modelo Longitud de onda (nm)

Fugro FLI-MAP 400 1,500

IGI LiteMapper 5600 1,550

IGI LiteMapper 2400 905

LeicaGeosystems ALS50-II 1,064

Optech ALTM Gemini 1,060

Riegl LMS LMS-Q240i-60 900

Riegl LMS LMS-Q240i-80 900

Riegl LMS LMS-S560-I 1,500

Page 12: EVALUACIÓN DEL USO DE LA TECNOLOGÍA LIDAR … · Diseño de un cuestionario para conocer las perspectivas de los técnicos de la región sobre la tecnología LiDAR 43 ... a nivel

8

Riegl LMS LMS-S560-A 1,500

Riegl LMS LMS-Q560 1,500

Tabla 1: Modelos de sensores LiDAR y longitudes de onda en las que operan

Principio de medida de distancias: podemos considerar dos grupos en

función del método empleado para determinar el tiempo transcurrido entre la

emisión de un pulso y su retorno. El primer método, más directo, consiste en medir

el tiempo transcurrido desde la emisión de un pulso hasta su recepción mediante

relojes ultra-precisos, y es empleado por la mayoría de los sistemas comerciales. El

segundo se basa en determinar la diferencia de fase entre el pulso emitido y el

recibido. En este caso el tiempo empleado por el pulso en recorrer la distancia

sensor-objeto es directamente proporcional a la diferencia de fase observada.

Plataforma: Un tercer criterio para clasificar los sistemas LiDAR es en base a

la plataforma sobre la que va instalado el sensor. Así por ejemplo, podemos

encontrar sistemas terrestres, sistemas aeroportados y sistemas a bordo de

satélite. Más recientemente, se han desarrollado sistemas montados sobre

vehículos denominados sistemas LiDAR móviles (VLS)(Lin et al. 2010). Estos

sistemas son una variación de los sistemas terrestres, montados sobre vehículos,

vagones o furgonetas, lo que les proporciona más flexibilidad.

Page 13: EVALUACIÓN DEL USO DE LA TECNOLOGÍA LIDAR … · Diseño de un cuestionario para conocer las perspectivas de los técnicos de la región sobre la tecnología LiDAR 43 ... a nivel

9

Figura 4. Ejemplos de sistemas LiDAR. De izquierda a derecha y de arriba abajo: sistema terrestre, sistema aeroportado, ICESat/GLAS (satélite) y sistema móvil.

Capacidad de registro: Siguiendo este criterio, podemos clasificar los

sistemas en sensores discretos y sensores de huella continua (figura 5). El primer

grupo graba retornos discretos (primeo y último, o retornos múltiples - hasta 6) por

cada pulso emitido, mientras que el segundo grupo de sensores digitizan toda la

energía que es devuelta hacia el sensor por los distintos objetos situados en el

camino óptico del pulso emitido.

Tamaño de la huella:De acuerdo al tamaño de la huella, podemos clasificar

los sensores como sistemas de huella pequeña (varios centímetros), y sistemas de

huella grande (hasta varios metros). El tamaño de la huella es un parámetro crítico

que determina el área de muestro del sobre el terreno o lo que es lo mismo la

proyección sobre el terreno del campo instantáneo de visión (Instantaneous Field

Of View –IFOV) del sensor, esto es, la resolución.

Figura5: Izquierda: señal emitida y recibida (primer y último retorno) para un sensor discreto. Centro: Onda digitizada en una zona arbolada utilizando un sistema de huella pequeña. Derecha: Onda digitizada para un sistema de huella grande (adaptado de (Mallet and Bretar 2009).

Page 14: EVALUACIÓN DEL USO DE LA TECNOLOGÍA LIDAR … · Diseño de un cuestionario para conocer las perspectivas de los técnicos de la región sobre la tecnología LiDAR 43 ... a nivel

10

Figura6: Tamaño de huella. Izquierda: huella grande. Derecha: huella pequeña

4 Datos proporcionados por los sistemas LiDAR

En este apartado nos centraremos en los sistemas LiDAR aeroportados

discretos por ser los más ampliamente utilizados. En este caso como se mencionó

anteriormente, los sistemas registran las coordenadas (X, Y, Z), es decir la posición

de los objetos sobre los que incide el pulso láser emitido. Además de las

coordenadas del punto donde se refleja el pulso láser emitido, los sistemas LiDAR

registran la intensidad de cada uno de los retornos, la cual representa la cantidad

de energía reflejada.

La energía recibida depende de las propiedades del sistema LiDAR, el ángulo de

incidencia, la reflectividad del objeto sobre el que incide el pulso, la absorción

atmosférica y la distancia sensor-objeto (Coren and Sterzai 2006). También

depende de otros factores relacionados directamente con el sistema empleado

como por ejemplo el factor de ganancia del receptor o incluso fluctuaciones en la

energía emitida por el sensor. El factor de ganancia determina la sensibilidad del

Page 15: EVALUACIÓN DEL USO DE LA TECNOLOGÍA LIDAR … · Diseño de un cuestionario para conocer las perspectivas de los técnicos de la región sobre la tecnología LiDAR 43 ... a nivel

11

sensor a la radiación que le lleva. Este factor es variable en función de las

características de reflectividad del área que se esté escaneando. Así por ejemplo,

cuando se sobrevuelan zonas con elevada reflectividad se reduce la sensibilidad del

sistema para evitar que se sature, mientras que cuando se sobrevuelan zonas con

baja reflectividad se modifica el factor de ganancia para aumentar la sensibilidad

del sistema.

Como consecuencia de los distintos factores que afectan a la intensidad, ésta

puede variar entre distintas adquisiciones, regiones o incluso a lo largo de la misma

línea de vuelo. Por tanto, de cara a comparar los valores de intensidad entre

distintos sensores, líneas de vuelo o campañas de adquisición, la intensidad debe

corregirse de efectos atmosféricos, el efecto de la distancia, la energía del pulso y

el ángulo de incidencia si la campaña de adquisición ha incluido varios ángulos de

campo de visión, o frecuencias de emisión de pulsos (Vain et al. 2010). La mayoría

de los sistemas comerciales registran pulsos discretos y no proporcionan

información sobre los algoritmos empleados para detectar los pulsos, de manera

que la intensidad puede corresponder a la intensidad máxima registrada en un

intervalo de tiempo o la integral de la energía registrada en dicho intervalo (Höfle

and Pfeifer 2007).

Figura7: Datos registrados por un sistema LiDAR. Izquierda: imagen formada a partir de datos de altura. Derecha: imagen formada a partir de datos de intensidad.

Page 16: EVALUACIÓN DEL USO DE LA TECNOLOGÍA LIDAR … · Diseño de un cuestionario para conocer las perspectivas de los técnicos de la región sobre la tecnología LiDAR 43 ... a nivel

12

4.1. Atributos de los datos LiDAR

Como se ha comentado antes, en el caso de los sistemas aeroportados

discretos, el resultado de un vuelo LiDAR es una nube de puntos donde para cada

punto se tiene las coordenadas de los puntos donde el rayo láser ha incidido sobre

los objetos situados sobre la superficie terrestre, la intensidad del retorno, así como

otra serie de atributos relativos al pulso emitido como el ángulo de escaneo, la

distancia sensor-objeto, o el número de retorno correspondiente. Así mismo, el

conjunto de datos queda definido por una serie de atributos que describiremos a

continuación. No todos los conjuntos de datos incluyen los parámetros descritos.

Densidad de Pulsos: Determina el número de pulsos emitido por cada metro

cuadrado y es función de la distancia entre las huellas (d=1/distancia_huellas2).

Este atributo está relacionado con la resolución espacial.

Densidad de Puntos: hace referencia al número de retornos por metro

cuadrado. Sólo en el caso de obtener retornos únicos éste valor coincidirá con el

anterior. En el caso de superficies donde es posible obtener varios retornos para

cada pulso emitido, la densidad de puntos puede ser mucho más alta que la

densidad de pulsos. Por esta razón, a la hora de planificar un vuelo se debe

especificar un número mínimo de pulsos por metro cuadrado y no de puntos por

metro cuadrado.

Número de retorno: especifica el orden de un retorno en relación a aquellos

que se han generado a partir de un pulso.

Ángulo de escaneo: indica el ángulo con el que se emitió el pulso. Por tanto,

este atributo corresponde al pulso emitido y que es heredado por los retornos

asociados al pulso.

Tiempo GPS: indica el momento en el que se emitió el pulso. Este atributo

corresponde al pulso emitido y que es heredado por los retornos asociados al pulso.

Final de la línea de escaneo: es un atributo binario que indica si el pulso

corresponde al final de una línea de escaneo. Este atributo corresponde al pulso

emitido y que es heredado por los retornos asociados al pulso.

Page 17: EVALUACIÓN DEL USO DE LA TECNOLOGÍA LIDAR … · Diseño de un cuestionario para conocer las perspectivas de los técnicos de la región sobre la tecnología LiDAR 43 ... a nivel

13

Clasificación: indica la clase a la que corresponde el retorno. Esta información

dependerá de que los datos hayan sido clasificados previamente.

4.2. Formato de los datos LiDAR

En los inicios de esta tecnología cada fabricante desarrollo un formato de

almacenamiento de los datos que en muchas ocasiones no tenía en cuenta las

opciones de importación/exportación a otros formatos, lo que dificultaba el

intercambio de datos. En muchas ocasiones, los datos se ofrecían en formato ASCII

ofreciendo las coordenadas X,Y,Z e intensidad de cada retorno en una línea distinta.

Este formato se caracteriza por la facilidad de acceso con distintos editores de

textos. Sin embargo, desde un punto de vista de almacenamiento de los datos, éste

no es un formato eficiente pues los archivos suelen tener un tamaño 2.3 veces

superior al que tendrían los mismos datos almacenados en formato binario. Además

el acceso a los datos también es mucho más lento.

En los últimos tiempos se ha aprobado y generalizado un formato para los

datos LiDAR aprobado por la American Society for Photogrammetry and Remote

Sensing (ASPRS). Este formato denominado LAS contiene:

Cabecera: se especifica información como la identificación del tipo de archivo,

información genérica sobre el proyecto, la versión del formato LAS utilizada, fecha

de creación, el número de puntos almacenado en el archivo, factores de escala y

sesgo de las coordenadas de cada punto registrado, etcétera.

Registros de longitud variable: contiene información relacionada con la

proyección, los metadatos o información del usuario.

Información de los puntos de datos: contiene las coordenadas, intensidad,

número de retorno, número de retornos por pulso, ángulo de escaneo o incluso la

categoría a la que se ha asignado cada punto. La siguiente figura muestra las

categorías en que puede clasificarse un retorno:

Page 18: EVALUACIÓN DEL USO DE LA TECNOLOGÍA LIDAR … · Diseño de un cuestionario para conocer las perspectivas de los técnicos de la región sobre la tecnología LiDAR 43 ... a nivel

14

Figura8: Categorías en las que puede ser clasificado un retorno.

En el siguiente enlace puede encontrarse información detallada sobre el formato LAS:

http://www.asprs.org/a/society/committees/standards/LAS_1_3_r11.pdf.

5 Precisión de los datos LiDAR

A pesar de que los sistemas LiDAR son capaces de determinar las coordenadas

de los puntos de reflexión con mucha precisión, existen varias fuentes de error que

afectan a la precisión con la que se determina la posición de los puntos. En

términos generales estas fuentes de error se pueden agrupar en (Huising and

Gomes Pereira 1998; Maas 2001):

Errores de alineación entre el sistema láser, el avión y el sistema de

navegación, que causarán errores sistemáticos en los datos.

Precisión en la determinación de la distancia. Este error se propaga

fundamentalmente en la coordenada Z.

Error del espejo, causado principalmente por problemas mecánicos

(vibraciones y oscilaciones), y se transmite en mayor medida a las

coordenadas planimétricas.

Errores del sistema GPS/INS. Puede considerarse como la mayor fuente

de error, causando errores en las coordenadas finales comprendidos

entre los 10 a 20 centímetros en altitud y hasta 50 centímetros en X e

Y.

Page 19: EVALUACIÓN DEL USO DE LA TECNOLOGÍA LIDAR … · Diseño de un cuestionario para conocer las perspectivas de los técnicos de la región sobre la tecnología LiDAR 43 ... a nivel

15

El efecto de estos errores queda reflejado como desplazamientos en las áreas

de solape de las pasadas adyacentes o transversales, en términos relativos, o

respecto a superficies de control, en términos absolutos. Tradicionalmente se ha

prestado mayor atención a los desplazamientos altimétricos puesto que la precisión

de la determinación de la altura es el factor más importante en la generación de

MDT. Sin embargo, el uso de modelos 3D en un número cada vez mayor de

aplicaciones ha resaltado la necesidad de determinar las discrepancias tanto

altimétricas como planimétricas (Maas 2001). Para determinar la precisión relativa

de los datos, se evalúan los datos correspondientes a las zonas de solape entre

pasadas. Para determinar la precisión absoluta es necesario realizar una campaña

de campo y medir elementos que sirvan posteriormente de referencia.

Normalmente las precisiones dadas por los proveedores de datos son ±15 cm

para la coordenada Z y ±50 cm para las coordenadas X e Y para una altura de

vuelo de 1,000 m (Gabriel Amable, Universidad de Cambridge, comunicación

personal). Sin embargo, debe tenerse en cuenta que estas precisiones suelen

referirse a superficies de control sobre terreno plano y considerando superficie

sólidas como por ejemplo la pista de aterrizaje, campos de fútbol o áreas de

similares características en las proximidades de la zona de vuelo.

En el caso de superficies forestales, además de los errores anteriores, que

podemos considerar como errores propios del sistema deben tenerse en cuenta

otros factores como por ejemplo la frecuencia de escaneo, la configuración de

discretización para identificación de retornos , la divergencia del rayo o el ángulo de

escaneo. Estos factores afectarán a la proporción de retornos encontrados en las

partes altas y bajas del dosel y los retornos correspondientes al suelo, así como a la

precisión de las coordenadas que se midan.

Todos los errores descritos anteriormente se propagarán a las variables que se

vayan a estimar posteriormente a partir de los datos LiDAR, por lo que es necesario

un control de calidad de los mismos.

Page 20: EVALUACIÓN DEL USO DE LA TECNOLOGÍA LIDAR … · Diseño de un cuestionario para conocer las perspectivas de los técnicos de la región sobre la tecnología LiDAR 43 ... a nivel

16

6 Aplicaciones forestales de la tecnología LIDAR

Uno de los campos donde mayor potencial está demostrando la tecnología

LiDAR es en el ámbito forestal gracias a la capacidad de dichos sistemas para

generar densas nubes de puntos en tres dimensiones, proporcionando información

horizontal y vertical con una alta resolución espacial y precisión permitiendo, por

tanto, obtener atributos forestales que no es posible obtener por otros medios (Lim

et al. 2003; Wang and Glenn 2008). Entre los atributos que pueden obtenerse a

partir de los datos LiDAR podemos citar la altura del dosel, la topografía subyacente

al dosel, la biomasa aérea, área basimétrica, diámetro medio del tronco, volumen

de copa o distribución vertical de la vegetación(Dubayah and Drake 2000; Harding

et al. 2001; Lefsky et al. 1999a; Næsset 1997; Naesset and Bjerknes 2001; Nelson

et al. 1984; Nelson et al. 2003; Ritchie et al. 1993). Algunos de estos atributos

pueden obtenerse de manera directa a partir de los datos (X, Y, Z) proporcionados

por los sistemas LiDAR como por ejemplo la altura de la vegetación; otros se

obtienen de manera indirecta mediante el establecimiento de modelos estadísticos

o relaciones empíricas. A pesar de que, como se ha mencionado, algunas variables

se obtienen de manera relativamente directa, es necesario un pre-procesamiento

de los datos que incluye el filtrado de los puntos (al menos dos categorías, una

correspondiente a retornos que se producen sobre el suelo y otra correspondiente a

retornos sobre objetos situados sobre el terreno, normalmente denominada “no

suelo”); la generación de un modelo digital de elevaciones (MDE); y normalización

de las alturas de cada retorno con respecto al terreno por ejemplo.

La estimación de las diversas características forestales a partir de datos LiDAR

puede realizarse siguiendo dos enfoques distintos en función de la densidad de los

datos empleados. El primer enfoque consiste en trabajar a nivel de árbol individual,

el cual requiere datos con alta densidad de puntos, mientras que el segundo se

basa en estimaciones a nivel de área (parcela, rodal o región) a partir de la

distribución de alturas de los retornos del dosel empleando datos con baja densidad

de puntos(Packalén et al. 2008). La principal diferencia entre estos dos enfoques

consiste en que el primero se apoya en la detección y delineación de árboles

individuales y la aplicación de ecuaciones alométricas a nivel de árbol mientras que

el segundo emplea directamente los retornos dentro de una parcela, rodal o masa

arbórea para establecer relaciones que permitan estimar las características de

interés. Según(Hyyppä and Inkinen 1999), para una delineación exitosa de los

árboles individuales se requieren densidades de puntos de 5-10 puntos m-2. Sin

Page 21: EVALUACIÓN DEL USO DE LA TECNOLOGÍA LIDAR … · Diseño de un cuestionario para conocer las perspectivas de los técnicos de la región sobre la tecnología LiDAR 43 ... a nivel

17

embargo, este enfoque suele emplearse a escalas locales y sobre plantaciones. Para

cubrir grandes áreas se utiliza un enfoque basado en áreas con densidades de

pulsos que oscilan entre 0.5 y 4 pulsos m-2. Además, los métodos basados en

árboles individuales tienen el principal inconveniente de que sólo los árboles

dominantes o aquellos árboles aislados se pueden identificar correctamente, por lo

que de cara a un sistema MRV- REDD+ no es aplicable.

Con respecto al tratamiento de los datos podemos considerar otros dos

enfoques en función de cómo se sintetice la información proporcionada por los

sistemas LiDAR. El primero consiste en derivar variables a partir de funciones de

distribuciones de alturas derivadas de la nube de puntos, mientras que el segundo

consiste en sintetizar la información mediante la generación de modelos digitales de

altura de dosel, los cuales son capas ráster donde cada píxel representa la altura de

la vegetación. El segundo enfoque tiene la principal ventaja de que se reduce

considerablemente el volumen de datos y por tanto, el tiempo de procesamiento, lo

que es de gran interés para grandes áreas. Como inconveniente, se produce una

pérdida de información disponible.

Diversos estudios han demostrado que la precisión de los distintos enfoques

considerados en los párrafos anteriores para la estimación de algunas

características como la altura de la vegetación son similares(Hollaus et al. 2006;

Packalén et al. 2008); sin embargo, para otras variables como la biomasa la

mayoría de los estudios han derivado información a partir de la distribución de

alturas de los retornos o de la intensidad de los mismos.

En las siguientes secciones se describirán diversas metodologías empleadas

para estimar el carbono almacenado en la vegetación a partir de datos LiDAR, la

estructura, clasificación de la cobertura del suelo y las precisiones alcanzadas. Nos

centraremos en estudios realizados a nivel de parcela, rodal o masa, y con sensores

aeroportados. Así mismo, se describirán estudios que utilicen un enfoque

multisensor, integrando datos LiDAR con datos multiespectrales y/o radar. También

se mostrarán algunos trabajos realizados con datos tomados desde satélite.

Page 22: EVALUACIÓN DEL USO DE LA TECNOLOGÍA LIDAR … · Diseño de un cuestionario para conocer las perspectivas de los técnicos de la región sobre la tecnología LiDAR 43 ... a nivel

18

6.1. Estimación de biomasa y contenido de carbono

La capacidad de los sensores LiDAR para estimar biomasa de una manera

precisa y fiable, ha quedado demostrada por numerosos estudios realizados en muy

diversos ecosistemas y regiones (Tropical, Templado, Mediterráneo, Boreal,…), así

como con distintos tipos de datos. Uno de los trabajos pioneros en este sentido fue

desarrollado por Nelson(1988), en el que relacionó la altura obtenida con LiDAR con

la biomasa. Además estos estudios han demostrado que con los sistemas LiDAR es

posible superar las limitaciones intrínsecas a los sensores pasivos e incluso radar,

manteniendo relaciones lineales para valores de biomasa de hasta 450 Mg ha-1

(Drake et al. 2002; Lefsky et al. 1999a). Así mismo, estos estudios han sido

realizados a distintas escalas (local a regional).

Independientemente de los sensores utilizados (discretos o huella continua,

huella pequeña (<1 m) o grande (>5 m)) la estimación de biomasa generalmente

se ha realizado mediante el desarrollo de modelos empíricos que relacionan

variables derivadas a partir de los datos LiDAR con datos de biomasa obtenidos

mediante muestreo de un número determinado de parcelas en campo. A partir de

las relaciones obtenidas entre LiDAR y de los datos de campo es posible realizar

estimaciones de biomasa (aérea total o distintas fracciones como biomasa foliar,

biomasa de ramas, biomasa de tronco,…) para toda la zona de estudio cubierta por

datos LiDAR (Bortolot and Wynne 2005; Drake et al. 2002; Lefsky et al. 1999a;

Lefsky et al. 1999b; Lim et al. 2003; Næsset and Gobakken 2008; Popescu 2007).

A partir de la distribución de alturas e intensidades de los retornos es posible

derivar variables que se relacionan con la altura de la vegetación, la estructura del

dosel, la distribución de los elementos del dosel en el espacio, la fracción de cabida

cubierta, la densidad de copa o la distribución de biomasa entre otras. Otros

autores han mostrado la utilidad de los datos de intensidad asociados a cada

registro junto con los datos de altura para estimar fracciones de biomasa, así como

la importancia de desarrollar modelos específicos para cada especie(García et al.

2010). La siguiente tabla muestra algunas de las variables derivadas a partir de los

datos LiDAR para estimar biomasa.

Page 23: EVALUACIÓN DEL USO DE LA TECNOLOGÍA LIDAR … · Diseño de un cuestionario para conocer las perspectivas de los técnicos de la región sobre la tecnología LiDAR 43 ... a nivel

19

Variable Característica

Sistemas Discretos

Altura máxima

Variables relacionadas con la biomasa debido

a la relación existente entre la altura de la

vegetación y la biomasa.

Altura media

Altura mediana

Percentiles de altura (10, 20, …,

90)

Desviación estándar alturas Caracterizan la estructura del dosel en base

a la distribución de los retornos y su

dispersión. Coeficiente de variación alturas

Sesgo alturas Proporcionan información sobre la estructura

del dosel en base a la forma de la

distribución de alturas. Curtosis alturas

Diferencia entre percentiles Describen la distribución de biomasa dentro

del dosel.

Proporción de retornos Describe la fracción de cubierta.

Proporción de retornos por

intervalos de altura

Proporciona información sobre la densidad

del dosel

Percentiles de intensidad

Capturan las diferencias en reflectividad de

los diferentes componentes del dosel. Intensidad media

Intensidad mediana

Desviación estándar intensidad

Caracterizan la estructura del dosel a partir

de la intensidad de los retornos.

Coeficiente de variación

intensidad

Rango intensidades

Sesgo intensidad Proporcionan información sobre la estructura

del dosel en base a la forma de la

distribución de intensidades. CurtosisIntensidad

Suma Reflexiones Dosel Proporciona una medida de la cobertura de

dosel

Page 24: EVALUACIÓN DEL USO DE LA TECNOLOGÍA LIDAR … · Diseño de un cuestionario para conocer las perspectivas de los técnicos de la región sobre la tecnología LiDAR 43 ... a nivel

20

Suma Reflexiones Dosel

Ponderada por la Densidad

Proporciona una medida de la cobertura de

dosel normalizando la diferente densidad de

pulsos a lo largo de la línea de vuelo a una

densidad media para la zona de estudio.

Porcentaje de primeros,

segundos, terceros o cuartos

retornos

Proporcionan información sobre la densidad

de copa

Sistemas de Huella Continua

HOME Relacionada con la distribución vertical de los

componentes del dosel y la densidad de copa

HRT

Variable relacionada con la variación de

HOME en relación con la altura del dosel y el

grado de sucesión

Altura media

Variables relacionadas con la biomasa debido

a la relación existente entre la altura de la

vegetación y la biomasa.

Altura mediana

Media Cuadrática de la Altura del

Dosel

LeadingEdge/TrailingEdge Variables que representan la variabilidad de

la altura del dosel y el suelo

Ratio Energía Dosel Representa el porcentaje de cobertura de

dosel

Percentiles de Energía Variables relacionadas con la estructura del

dosel Sesgo de la huella

Front SlopeAngle Variable relacionada con la densidad de copa

y la variabilidad de la altura del dosel

Tabla 2: Variables derivadas a partir de los datos LiDAR para estimar biomasa.

Una vez estimada la biomasa, la transformación de dichos valores a contenido

de carbono se realiza mediante la aplicación de un coeficiente de transformación. Si

bien en algunos casos se aplica un valor promedio estándar de 0.5, este factor de

Page 25: EVALUACIÓN DEL USO DE LA TECNOLOGÍA LIDAR … · Diseño de un cuestionario para conocer las perspectivas de los técnicos de la región sobre la tecnología LiDAR 43 ... a nivel

21

conversión es variable para cada especie por lo que en aquellos casos en los que

hay disponible un valor más ajustado debe aplicarse éste.

La relación de las variables obtenidas a partir de los datos LiDAR con los datos

de campo para la estimación de biomasa, se ha realizado en la mayoría de los

casos mediante técnicas paramétricas como la regresión lineal(García et al. 2010;

Lim et al. 2003; Næsset and Gobakken 2008; Patenaude et al. 2004); sin embargo

otros autores han explorado métodos no paramétricos en la estimación, los cuales

no asumen una distribución normal de las variables utilizadas en el análisis (Latifi et

al. 2010; Zhao et al. 2011).

Si bien, el desarrollo de modelos empíricos es sin duda el enfoque más habitual

gracias a su sencillez, se han explorado otros métodos como por ejemplo el uso de

modelos de Demografía de Ecosistemas (Hurtt et al. 2004; Thomas et al. 2008) en

los que los datos LiDAR y las variables derivadas a partir de ellos, son empleados

como input en dichos modelos a partir de los cuales se lleva a cabo una estimación

de los depósitos de carbono y los flujos.

La mayoría de los estudios se han realizado a escalas locales debido a los

costes de cubrir grandes áreas aunque en los últimos años la reducción de éstos,

junto a la aplicación de métodos estadísticos y la integración con otros sensores,

han permitido avanzar en esta línea de manera significativa. Así Gobakken et al.

(2012) desarrollaron un trabajo a distintas escalas en el que se cubrió un área de

27500 km2 en Noruega en la que se volaron 53 transectos LiDAR con una distancia

entre ellas de 6 km. Las líneas de vuelo coincidieron con parcelas de inventario lo

que permitió comparar los resultados obtenidos por ambos métodos. Además se

desarrolló un modelo por cada tipo de cobertura (bosques de productividad alta,

media, baja, bosques jóvenes, áreas de montaña, áreas desarrolladas y bosques no

productivos) obtenida mediante la clasificación de imágenes Landsat. Un aspecto a

destacar es que las diferencias encontradas entre los resultados obtenidos con

datos LiDAR y los obtenidos con los datos de inventario fueron menores de un 10%.

Hawbaker et al.,(2009) utilizaron un área de 53600 ha de bosque mixto en

Wisconsin, USA. Como en el caso anterior, se desarrollaron modelos para los dos

tipos de bosques principales en la zona de estudio (coníferas y latifoliadas).

Además, en este estudio, se comparó el efecto de utilizar un muestreo sistemático

o aleatorio a la hora de medir las parcelas en campo utilizadas para calibrar y

validar los modelos; demostrando que el muestreo sistemático ofrecía mejores

Page 26: EVALUACIÓN DEL USO DE LA TECNOLOGÍA LIDAR … · Diseño de un cuestionario para conocer las perspectivas de los técnicos de la región sobre la tecnología LiDAR 43 ... a nivel

22

resultados ya que se asegura que se muestrea todo el rango de valores que hay en

la zona de estudio.

Lesfky et al., (2005) mostraron que las relaciones entre diversas variables

estructurales, entre ellas biomasa, y los datos LiDAR derivadas en 5 áreas del

Noroeste de Estados Unidos (Washington y Oregon), eran generalizables a escala

regional, lo que sugiere que la estimación de ciertas variables forestales mediante

LiDAR podría realizarse con menor esfuerzo siempre que se muestree un rango

suficiente de estructuras o edades, reduciendo así el gran esfuerzo que requiere la

realización de un inventario.

Aunque los datos LiDAR han mostrado su capacidad para estimar biomasa con

mejor precisión que cualquier otro método de teledetección, su integración con

otros sensores multiespectrales ha permitido mejor las estimaciones(Popescu et al.

2004), especialmente cuando el número de parcelas disponibles es escaso (Chen et

al. 2012). Swatantran et al., (2011), mostraron cómo la integración de datos LiDAR

con datos hiperespectrales permitió mejorar las estimaciones con un incremento en

R2 de 7% y una reducción del RMSE del 12% comparados con los obtenidos con los

resultados obtenidos sólo con LiDAR. Otros autores han explorado las sinergias

entre los sensores Radar y LiDAR. Así Sun et al., (2011), Lucas et al., (2006)

proponen utilizar las estimaciones de biomasa obtenidas con datos LiDAR como la

“verdad terreno”, desarrollando posteriormente modelos basados en datos radar.

Los resultados mostraron que las diferencias entre las estimaciones obtenidas con

datos LiDAR y las obtenidas con datos radar fueron de entorno al 10%(Sun et al.

2011). Banskota et al., (2011) integraron datos LiDAR con un sistema Radar y

compararon los resultados obtenidos mediante la integración con los obtenidos por

los sensores por separados, mostrando que los mejores resultados se obtuvieron

integrando ambos sistemas. Hyde et al., (2006) también compararon los resultados

obtenidos por sensores ópticos (QuickBird, Landsat-ETM), Radar y LiDAR por

separado así como integrados en sus distintas combinación. Aunque los mejores

resultados se obtuvieron al integrar todos los sensores, estos resultados fueron

ligeramente mejores (3%) que los obtenidos mediante la integración de datos

LiDAR y Landsat-ETM.

Además de las mejoras en precisión que permite obtener la integración de

diversos sensores, un aspecto de especial importancia es el hecho de que permite

realizar estimaciones de biomasa y otros atributos forestales para grandes áreas

Page 27: EVALUACIÓN DEL USO DE LA TECNOLOGÍA LIDAR … · Diseño de un cuestionario para conocer las perspectivas de los técnicos de la región sobre la tecnología LiDAR 43 ... a nivel

23

utilizando los datos LiDAR como datos de muestreo para calibrar y validar modelos

obtenidos con datos ópticos por ejemplo (Gonzalez et al. 2010; Hudak et al.

2002).Por tanto, pueden planificarse campañas LiDAR, por ejemplo tomando

transectos separados varios kilómetros entre sí, que sean empleadas

posteriormente como “verdad terreno” lo que resulta de especial interés en áreas

de difícil acceso. En el caso de variables que no se estimen directamente a partir de

los datos LiDAR como es el caso de la biomasa, puede aplicarse un enfoque en dos

fases en el que en primer lugar se genera un modelo que permita relacionar los

datos LiDAR aerportados con la variable de interés medida en campo y

posteriormente desarrollar otro modelo que relacione los datos tomados por otros

sensores (multiespectral, radar o ICESat) con la variable estimada a partir de los

datos LiDAR aeroportados. Este enfoque fue empleado por Boudreau et al. (2008)o

Nelson et al. (2010) para estimar biomasa en la región de Quebec, Canadá. Baccini

et al. (2008) integraron datos de altura obtenidos a partir de datos ICESat con

imágenes MODIS para estimar biomasa en África tropical.

A pesar de la gran cantidad de estudios que demuestran la capacidad de

estimar biomasa a partir de datos LiDAR, éstos se han centrado casi

exclusivamente en estimar la biomasa aérea de los árboles. Naesset y Gobakken

(2008) sin embargo, estimaron biomasa aérea y subterránea para 10 áreas del sur

de Noruega distribuidas en un área de 90 km x 390 km, las cuales abarcaban gran

parte de la variación natural del bosque boreal de la región nórdica. La varianza

explicada por los modelos obtenidos fue de 0.88 en el caso de la biomasa aérea y

de 0.85 para la biomasa subterránea. Stephens et al., (2011) también

proporcionaron estimaciones en Nueva Zelanda a nivel nacional. Por su parte,

Hudak et al., (2008) utilizaron técnicas de machine learning, en concreto Random

Forest (bosques aleatorios)para imputar valores de biomasa y los cambios entre

dos fechas a partir de datos de inventario y métricas derivadas de datos LiDAR. Un

aspecto a considerar en este estudio es que los datos de biomasa utilizados en cada

parcela, incluían datos de árboles, árboles jóvenes, matorral, herbáceas e incluso

hojarasca.

Como se ha comentado anteriormente, la utilización de datos LiDAR permite

estimar con precisión la biomasa. La siguiente tabla muestra los resultados de

algunos de los estudios realizados:

Page 28: EVALUACIÓN DEL USO DE LA TECNOLOGÍA LIDAR … · Diseño de un cuestionario para conocer las perspectivas de los técnicos de la región sobre la tecnología LiDAR 43 ... a nivel

24

Autores Área de

estudio

Datos

utilizados

R2 RMSE (Mg ha-1)

(Gobakken

et al.

2012)

Noruega

(27500

km2)

LiDAR 0.80-0.94

Valores para

varias

coberturas

Diferencias con

los resultados

obtenidos con

datos de

inventario 2%-

8%

dependiendo del

método

estadístico

empleados

8.44-19.6 (en términos

relativos entre 15.16% y

45.28%)

(Banskota

et al.

2011)

Virginia,

USA

LiDAR-PALS*

LiDAR (>5

pulsos m-2)

BIOSAR

*Sistema

LiDAR que

toma datos

mediante la

realización de

perfiles

R2-Ajustado

BIOSAR:0.54

PALS:0.51

SCANNING:0.61

BIOSAR+PALS:0.7

8

SCANNING+BIOS

AR:0.72

BIOSAR:31(31.99% para

coníferas, y 22% para

caducifolias)1

PALS: 31.6(32.61% para

coníferas, y 22.49% para

caducifolias) 1

SCANNING: 28.5(29.41%

para coníferas, y 20.28% para

caducifolias) 1

BIOSAR+PALS:21.3(21.98

% para coníferas, y 15.16%

para caducifolias) 1

SCANNING+BIOSAR:24.

2(24.97% para coníferas, y

17.22% para caducifolias) 1

Page 29: EVALUACIÓN DEL USO DE LA TECNOLOGÍA LIDAR … · Diseño de un cuestionario para conocer las perspectivas de los técnicos de la región sobre la tecnología LiDAR 43 ... a nivel

25

(Hawbaker

et al.

2009)

Wisconsin,

USA (53600

ha)

LiDAR (0.4

puntos m-2)

Coníferas: 0.75

Caducifolias: 0.71

Coníferas

sistemático: 0.89

Coníferas

aleatorio: 0.66

Caducifolias

sistemático: 0.84

Caducifolia

aleatorio: 0.74

Coníferas: 45.55 (28.93%)

Caducifolias:

39.32(36.94%)1

Coníferas

estratificado:37.66*/34.6

3**(22.72%*/21.97**)1

Coníferas

aleatorio:29.24*/48.70**(

19.56%*/32.58**)1

Caducifolias

estratificado:

34.54*/31.40**

(24.67%*/22.43**)1

Caducifolias aleatorio:

27.44*/47.61**

(21.23%*/36.83**)1

(Hudak et

al. 2012)

Idaho, USA

(escala

regional:

2,0000ha)

LiDAR

2003 (0.4

puntos m-2)

2009 (12

puntos m-2)

R22003-ajustado:

0.64

R22009-ajustado:

0.60

RMSE: 45.1

RMSE: 57.1

(Hurtt et

al. 2004)

Costa Rica

(escala

local)

LiDAR (full

waveform,

huella

grande)

0.78

(Kronseder

et al.

2012)

Indonesia

(escala

local)

LiDAR (full

waveform,

huella

pequeña)

(1.2 ecos m-2)

Dipterocarpáceas:

0.83

Turberas: 0.32

Combinado= 0.71

Dipterocarpáceas:

21.37%

Turberas: 41.02%

Combinado: 33.85%

(Lim and

Treitz

Ontario,

Canadá

LiDAR

3 puntos m-2

Aérea: 0.9

Tronco: 0.9

Aérea: 50.17(24.82%)1

Tronco: 29.71(24.1%)1

Page 30: EVALUACIÓN DEL USO DE LA TECNOLOGÍA LIDAR … · Diseño de un cuestionario para conocer las perspectivas de los técnicos de la región sobre la tecnología LiDAR 43 ... a nivel

26

2004) (escala

local: 1,000

ha)

Ramas: 0.89

Hojas:0.87

Ramas: 41.2(70%)1

Hojas: 2(56.78%)1

(Muss et al.

2011)

Wisconsin

(escala

local)

LiDAR

0.4 pulsos m-2

0.74 74.03

(Næsset

and

Gobakken

2008)

Noruega

(escala

regional: 90

km x 390

km)

LiDAR

0.4-1.2

pulsos m-2

Aérea: 0.88

Subterránea: 0.85

Aérea: 0.21+

Subterránea: 0.22+

(Nyström

et al.

2012)

Suecia

(escala

local)

LiDAR

2008 (6.1

puntos m-2)

2010 (1.4

puntos m-2)

2008: 0.99

2010: 0.98

18.7 % (con respecto al

valor medio)

21.2 % (con respecto al

valor medio)

(Stephens

et al.

2011)

Nueva

Zelanda

(nivel

nacional)

LiDAR Aérea: 0.81

Subterránea: 0.80

++Aérea: 12(21.94%)1

++Subterránea:

2.7(21.6%)1

(García et

al. 2010)

España

(escala

local. 27

km x 3

líneas de

vuelo de

300 m)

LiDAR

(1.5-4.5

puntos m-2)

Modelo general:

Aérea: 0.67

Ramas: 0.67

Hojas: 0.58

Pinar

Aérea: 0.94

Ramas: 0.90

Hojas: 0.98

Modelo general:

Aérea: 28.89(45.53%)1

Ramas: 18.28(64.05%)1

Hojas: 1.59(40.65%)1

Pinar

Aérea: 18.48(29.55%)1

Ramas:10.26(47.78%)1

Hojas: 0.53(45.09%)1

Page 31: EVALUACIÓN DEL USO DE LA TECNOLOGÍA LIDAR … · Diseño de un cuestionario para conocer las perspectivas de los técnicos de la región sobre la tecnología LiDAR 43 ... a nivel

27

Sabinar

Aérea: 0.72

Ramas: 0.85

Hojas: 0.96

Encinar

Aérea: 0.98

Ramas: 0.98

Hojas: 0.99

Sabinar

Aérea: 15.98(26.93%)1

Ramas: 4.80(27.08%)1

Hojas: 1.13(22.59%)1

Encinar

Aérea: 9.70(10.44%)1

Ramas: 7.07(10.75%)1

Hojas: 0.18(6.25%)1

(Lefsky et

al. 1999a)

Oregon,

USA

(escala

local)

LiDAR

(full

waveform

huella

grande)

0.91

(Lefsky et

al. 1999b)

Maryland,

USA

(escala

local)

LiDAR

(full

waveform

huella

grande)

0.81 Error medio: 50.2

(Lefsky et

al. 2005)

Regional,

Pacific-

Northwest,

USA

LiDAR

(full

waveform

huella

grande)

Bootstrapped-

adjusted: 0.92

89.04

(Drake et

al. 2002)

Costa Rica

(escala

local)

LiDAR

(full

waveform

huella

grande)

0.93 18.39

Page 32: EVALUACIÓN DEL USO DE LA TECNOLOGÍA LIDAR … · Diseño de un cuestionario para conocer las perspectivas de los técnicos de la región sobre la tecnología LiDAR 43 ... a nivel

28

(Chen et

al. 2012)

California,

USA

(escala

local: 3925

ha)

LiDAR

(2-4 puntos

m-2)

Fotografía

aérea

0.83 72.2

(Hyde et

al. 2006)

California

(regional,

6,0000 ha)

LiDAR (full

waveform

huella

grande)

QuickBird

Landsat/ETM

InSAR

LiDAR: 0.773

QB: 0.55

InSAR: 0.509

ETM: 0.49

LiDAR+QB: 0.773

LiDAR+InSAR:

0.773

LiDAR+ETM:

0.796

QB+InSAR+ETM:

0.716

LiDAR+QB+

InSAR+ETM:

0.827

LiDAR: 75.3

QB: 105

InSAR: 109.1

ETM: 111.2

LiDAR+QB: 75.3

LiDAR+InSAR: 75.3

LiDAR+ETM: 71.3

QB+InSAR+ETM: 84.2

LiDAR+QB+

InSAR+ETM: 66.6

(Lucas et

al. 2008)

Queensland

, Australia

(Escala

regional:

37x60 km2)

LiDAR

CASI

0.90 11.8

(Sun et al.

2011)

Maine, USA

(escala

local 10x10

km2)

LiDAR(full

waveform

huella

grande)

+

SAR

0.63–0.71 32.0–28.2

Page 33: EVALUACIÓN DEL USO DE LA TECNOLOGÍA LIDAR … · Diseño de un cuestionario para conocer las perspectivas de los técnicos de la región sobre la tecnología LiDAR 43 ... a nivel

29

(Swatantra

n et al.

2011)

California,

USA

(escala

regional

22,000 ha)

LiDAR(full

waveform

huella

grande)

+

AVIRIS

0.84 58.78

Tabla 3: Resumen de resultados obtenidos utilizando LiDAR para estimar biomasa en diversos estudios. 1: los valores relativos de los errores (%) no son proporcionados por los autores sino que han sido calculados para este documento a partir de la información de campo del valor medio de biomasa que aparece en el artículo, por lo que deben tomarse con precaución ya que por ejemplo no tienen en cuenta el porcentaje de cobertura de cada especie ni otros factores que puedan estar afectando a las estimaciones. *Calibración modelo *Validación modelo +Estos valores corresponden a la variable transformada (ln biomasa) ++Toneladas carbono

Los resultados presentados en la tabla anterior, muestran resultados que

oscilan entre R2: 0.6-0.99 y RMSE: 8-75 Mg ha-1para diversos sensores,

configuraciones de vuelo, y áreas geográficas presentando características muy

distintas en cuanto a especies, homogeneidad, estado, edad, etcétera. En todos los

casos en los que los resultados obtenidos con LiDAR se compararon con los

obtenidos con otros sensores, los primeros fueron mejores en todos los casos y

mostrando relaciones lineales, es decir, sin saturación, hasta valores de biomasa >

450 Mg ha-1. Entre los factores a considerar en los resultados, además de los

errores inherentes al sistema descritos en la sección 5, están el tamaño de las

parcelas utilizado a la hora de realizar el trabajo de campo, los errores de co-

registro entre las parcelas y los datos LiDAR, el número de parcelas empleado y los

métodos estadísticos empleados para obtener los modelos predictivos. El rango de

tamaño encontrado en la revisión bibliográfica es variado, sin embargo, Frazer et

al. (1997) demuestran que las parcelas de mayor tamaño (25 m) soportan mejor

los efectos de error de registro de parcelas (GPS). Además, el efecto de

desplazamiento observado fue mayor en parcelas con árboles altos y muy

heterogéneas que en parcelas con árboles bajos y homogéneas. Mascaro et al.

(2011) también analizaron la relación entre el tamaño de las parcelas y los errores

obtenidos en las predicciones de los datos LiDAR mostrando que se cumple una

reducción de 38% en el error al pasar de un tamaño de parcela de 0.36 ha a 1 ha.

Page 34: EVALUACIÓN DEL USO DE LA TECNOLOGÍA LIDAR … · Diseño de un cuestionario para conocer las perspectivas de los técnicos de la región sobre la tecnología LiDAR 43 ... a nivel

30

No debe olvidarse que las estimaciones finales estarán afectadas, como en

cualquier otro trabajo, por la precisión con la que se hayan medido los datos de

campo que son utilizados para calibrar los modelos.

6.2. Estimación de la estructura de los bosques

La estructura del dosel puede definirse como la organización espacio-temporal,

incluyendo posición, extensión, cantidad, tipo y conectividad de los componentes

vegetales (Parker 1995), proporcionando por tanto, información muy importante

sobre el estado de desarrollo de los bosques (Lefsky et al. 1999a). Entre las

variables que definen la estructura se encuentra la altura, la fracción de cubierta,

área basimétrica, índice de área foliar, biomasa, etcétera. Esta información puede

obtenerse de manera precisa a partir de los datos LiDAR.

La altura media del dosel y la desviación estándar son importantes variables

para sintetizar la estructura forestal. Numerosos estudios han demostrado la

capacidad de los sistemas LiDAR para estimar la altura de la vegetación(Andersen

et al. 2006; Næsset 1997; Naesset and Bjerknes 2001; Popescu et al. 2002; Zimble

et al. 2003). Los métodos desarrollados puede agruparse en dos grandes

categorías: a) métodos directos y b) métodos indirectos. En el primer caso la

obtención de la altura de la vegetación a partir de datos LiDAR se realiza de una

manera sencilla a partir de la resta del MDE con respecto al MDS. De esta manera

se obtiene lo que generalmente se llama modelo digital del altura del dosel (MDAD)

o digital canopy height model (DCHM), que representa la altura de la vegetación en

cada píxel: MDAD= MDS-MDE. Por su parte, los métodos indirectos estiman la

altura de la vegetación a partir del establecimiento de modelos estadísticos que

relacionan los datos LiDAR (variables independientes del modelo) con la altura de la

vegetación (variable dependiente).

La precisión con la que es posible estimar la altura de la vegetación a partir de

datos LiDAR depende de varios factores como son el tamaño y la reflectividad del

objeto sobre el que incide el pulso, la densidad de los datos, el diámetro del pulso,

o el método de detección de cada retorno(Baltsavias 1999). Además de estos

factores relacionados con el sistema, la precisión en la estimación de las alturas

depende de otros factores como las especies, la forma de las copas (Hyyppä et al.

2004), así como los errores en la generación del MDS y el MDE ya que los errores

se propagarán directamente al MDAD (Hollaus et al. 2006).

Page 35: EVALUACIÓN DEL USO DE LA TECNOLOGÍA LIDAR … · Diseño de un cuestionario para conocer las perspectivas de los técnicos de la región sobre la tecnología LiDAR 43 ... a nivel

31

En la mayoría de los trabajos, se ha manifestado una clara tendencia a

infraestimar la altura de la vegetación, especialmente en el caso de las coníferas.

Esto normalmente se explica por la baja probabilidad de que el pulso emitido por el

láser incida sobre la copa del árbol (figura 9), especialmente cuando la densidad de

puntos de los datos es baja.

Figura 9. Errores debidos al fallo en el registro con los datos LiDAR del ápice del árbol (tomada de Zimble et al., 2003).

Aunque el empleo de sistemas con huella grande aumentaría la probabilidad de

que se produjese un retorno sobre el punto más alto de la copa del árbol, la

cantidad de energía por unidad de área disminuiría, debido a que la misma cantidad

de energía se distribuye en un área mayor, disminuyendo así la probabilidad de

registrar la reflexión asociada con un ápice pequeño, de manera que la energía

devuelta no superaría el umbral de ruido (Andersen et al. 2006). Otro factor que

contribuye a esta infraestimación es el hecho de que cuando el pulso láser incide

sobre el dosel, una parte de la energía penetrará a través del mismo hasta que la

cantidad de energía devuelta al sensor supere el umbral de ruido. Esta profundidad

de penetración del pulso dependerá de características estructurales (densidad del

dosel, reflectividad, ángulo de inclinación de las hojas, etcétera).

En cuanto a la magnitud de los errores observados la siguiente tabla muestra

algunos ejemplos:

Page 36: EVALUACIÓN DEL USO DE LA TECNOLOGÍA LIDAR … · Diseño de un cuestionario para conocer las perspectivas de los técnicos de la región sobre la tecnología LiDAR 43 ... a nivel

32

Autor Error manifestado

(Andersen et al. 2006) Alta densidad de puntos (6 p m-2): -0,73± 0,43 m

Baja densidad de puntos (6 p m-2): -1,12± 0,56 m

(Gaveau and Hill 2003)

Arbolado:

Nube de puntos: -1,27±0,94

MDAD:-2,12±1,24

Matorral:

Nube de puntos: -0,91±0,50

MDAD:-1,02±0,46

(Hyyppä et al. 2001) Media: 1, 8

(Naesset and Bjerknes 2001) 0,23 0,56

(Persson et al. 2002) Diámetro de huella pequeño (0,26 m): RMSE= 0,65

Diámetro de huella grande (3,68 m): RMSE= 0,76

(Yu et al. 2004)

(Maltamo et al. 2004)

(Hollaus et al. 2006) Coeficiente de determinación: R2= 0,73-0,84

(Andersen et al. 2005) Coeficiente de determinación: R2= 0,98; RMSE= 1,3

Tabla 4: Errores en la estimación de alturas utilizando datos LiDAR Nota: las magnitudes del error mostradas están afectadas por la magnitud de las alturas medidas

El porcentaje de copa (%Copa) o fracción de cabida cubierta (FCC), representa la

proporción de suelo que es cubierto por la proyección vertical de las copas de los

árboles, y por tanto, permite determinar la densidad y distribución horizontal de la

vegetación. El %Copa está relacionado con la proporción de huecos en el dosel

(ecuación 2):

copa uecos (2)

Para determinar la fracción de cubierta o porcentaje de copa a partir de datos

LiDAR aeroportados, el método comúnmente aceptado y establecido se basa en la

proporción de retornos de vegetación con respecto al total de retornos (ecuación 3)

y ha sido ampliamente utilizado en diversos entornos (García et al. 2010; Morsdorf

et al. 2006; Riano et al. 2004):

copa (RetornosDosel

Total Retornos) (3)

Page 37: EVALUACIÓN DEL USO DE LA TECNOLOGÍA LIDAR … · Diseño de un cuestionario para conocer las perspectivas de los técnicos de la región sobre la tecnología LiDAR 43 ... a nivel

33

La relación anterior puede obtener utilizando primeros retornos, últimos o

primeros y últimos. Cuando se consideran únicamente los primeros retornos se

produce una sobrestimación de la fracción de cubierta, puesto que se considera que

todo el pulso ha sido ocupado por la vegetación, mientras que se ha observado una

infraestimación a partir de segundos retornos (Lovell et al. 2003; Morsdorf et al.

2006). Por tanto, según Lovell et al. (2003)el valor real de la fracción de cubierta

debe satisfacer la siguiente condición:

%dosel_1erretorno>%doselreal>%doselúltimo retorno

Por otro lado, factores relacionados con las características del instrumento,

como el tamaño de la huella, el algoritmo de detección de cada retorno, o los

efectos atmosféricos, también afectarán a las estimaciones. Para considerar estos

factores, autores como Morsdorf et al., (2006) aplicaron una regresión lineal.

Además estos autores probaron distintos tamaños de parcela para encontrar una

relación óptima entre los datos LiDAR y las estimaciones de fracción de cubierta

medida en campo mediante fotografía hemisférica.

La siguiente tabla muestra algunos resultados obtenidos por diversos autores:

Autor Error

(Morsdorf et al. 2006) R2=0,37; RMSE=0,18 para un tamaño óptimo de

parcela con un radio = 2 m

(Riano et al. 2004) R2>0,9 para un radio = 2,5 m

(Hopkinson and Chasmer

2009) R2=0.75

(Holmgren et al. 2008) Arbolado RMSE=4.9%

Arbolado y matorral: RMSE= 6.3%

Tabla 5: Errores en la estimación de la fracción de cubierta utilizando datos LiDAR

Como se comentó anteriormente, la altura media del dosel y la desviación

estándar permiten sintetizar la estructura forestal. De igual modo, el análisis de la

varianza de la altura del arbolado se ha utilizado para detectar las diferencias entre

bosques con una estructura simple (una sola capa de dosel) y una estructura más

compleja (varias capas de dosel). Zimble et al., (2003) emplearon la varianza de

Page 38: EVALUACIÓN DEL USO DE LA TECNOLOGÍA LIDAR … · Diseño de un cuestionario para conocer las perspectivas de los técnicos de la región sobre la tecnología LiDAR 43 ... a nivel

34

las alturas de árboles individuales delineados a partir de datos LiDAR para

determinar distintas clases estructurales en una zona de Idaho (USA). Las dos

clases se establecieron a partir de observaciones en campo y se estableció un

umbral de 1,54 m, de manera que aquellas parcelas con una varianza inferior a

este valor se consideraron como parcelas de estructura simple y aquellas con un

valor superior como parcelas de estructura compleja.

Otros autores han utilizado la desviación estándar de las alturas de los píxeles

de un MDAD dentro de una celda de un determinado tamaño, como por ejemplo 30

m, para determinar la complejidad de la masa analizada (Maier et al. 2008; Pascual

et al. 2010). En este caso, la desviación estándar representa la heterogeneidad de

la superficie del dosel dentro de la celda considerada, no sólo la variación en las

alturas de las copas de los árboles como en el caso de Zimble et al., (2003).

6.3. Clasificación de coberturas del suelo

A pesar de que los sensores LiDAR son monocromáticos y por tanto la

información espectral que proporcionan es muy limitada, diversos estudios han

mostrado su capacidad para distinguir algunos tipos de especies; aunque en la

mayoría de las ocasiones, los datos LiDAR se han integrado con datos

multiespectrales o hiperespectrales para mejorar las clasificaciones obtenidas

utilizando las distintas fuentes de datos por separado.

Uno de los trabajos pioneros en la clasificación de especies mediante datos

LiDAR fue realizado por Holmgren et al. (2004). En este trabajo distinguieron dos

clases (pinar y píceas) con una precisión global del 95%. Antonarakis et al. (2008)

utilizaron un enfoque orientado a objetos para clasificar distintas coberturas

utilizando únicamente datos LiDAR. Los resultados en zonas de ribera ofrecieron

resultados por clase comprendidos entre 66% y 98%. García-Gutiérrez et al.

(2011) propusieron una combinación de máquinas vector soporte, seguido de la

aplicación de un algoritmo K-NN para incluir el contexto en la clasificación. El

resultado obtenido ofreció una precisión global del 92% sobre una zona del

Suroeste de España.

Otros trabajos han explorado la integración de datos para llevar a cabo la

clasificación de especies. Así, Hill y Thomson (2005) realizaron una clasificación no

supervisada de especies forestales en Gran Betaña a partir del modelo digital del

Page 39: EVALUACIÓN DEL USO DE LA TECNOLOGÍA LIDAR … · Diseño de un cuestionario para conocer las perspectivas de los técnicos de la región sobre la tecnología LiDAR 43 ... a nivel

35

dosel obtenido de datos LiDAR y los 2 primeros componentes principales de una

imagen hiperespectral (HyMap). Posteriormente, las clases fueron agrupadas en 10

clases de acuerdo al esquema nacional de clasificación vegetal de Gran Bretaña. En

este caso los autores no presentaron una validación convencional de la clasificación

mediante una matriz de confusión ni ofrecen resultados de la precisión global, sin

embargo, de las 86 parcelas que utilizaron para validar los resultados, sólo 5 fueron

clasificadas incorrectamente. Mutlu et al., (2008) integraron datos QuickBird y

LiDAR para clasificar tipos de combustibles en Texas mediante el algoritmo de

máxima verosimilitud. Los resultados obtenidos ofrecieron una precisión global de

90.1% frente al 76.52% obtenida utilizando datos QuikBird solamente. Koetz et al.

(2008)utilizaron máquinas vector soporte para realizar una cartografía de tipo de

coberturas orientada al peligro de incendio utilizando datos LiDAR y datos

hiperesepctrales. Los resultados obtenidos mostraron las ventajas de integrar

ambos tipos de datos. Así, utilizando datos hiperespectrales la precisión global fue

del 69.15%, la precisión obtenida con datos LiDAR fue de 31.39% y con ambos

tipos de datos la precisión fue 75.4%.

García et al. (2011)combinaron máquinas vector soporte y reglas de decisión

para clasificar distintos modelos de combustible en una zona de bosque

Mediterráneo en España. El método ofreció resultados con una precisión global de

88.24%. Además mostraron cómo la integración de datos multiespectrales y LiDAR

permitió eliminar la confusión que comúnmente se produce entre algunos modelos

de combustibles diferenciados únicamente por la altura.

7 Análisis de software disponibles

El tratamiento de datos LiDAR requiere el uso de herramientas específicas

debido a la naturaleza de los datos a tratar y analizar. A continuación se describen

algunos de los software disponibles. Se ha considerado oportuno agruparlos en tres

categorías atendiendo a su carácter comercial, gratuito o libre.

Page 40: EVALUACIÓN DEL USO DE LA TECNOLOGÍA LIDAR … · Diseño de un cuestionario para conocer las perspectivas de los técnicos de la región sobre la tecnología LiDAR 43 ... a nivel

36

7.1. Software comercial

La expansión que se está produciendo en los últimos sobre el uso de datos

LiDAR ha hecho que los principales fabricantes de software de SIG y Teledetección

hayan realizado los esfuerzos oportunos para no perder el potencial mercado. El

principal inconveniente de software comercial es la necesidad de comprar licencias

de módulos no incluidos en los paquetes básicos, con un importante coste adicional.

En cuanto a sus ventajas, debe mencionarse que son herramientas diseñadas para

entornos de profesional de alta productividad. Entre los software que podemos

encontrar cabe citar:

Terrasolid: Terrasolid es una compañía finlandesa que ha desarrollado una de

las herramientas más potentes para el tratamiento de datos LiDAR. Tiene varios

módulos Terrascan, TerraModeler, TerraSlave, Terrap oto,… que permiten el

tratamiento de datos LiDAR, tanto aeroportados como móviles. Los precios

dependen de los módulos adquiridos y del volumen de licencias adquiridas

(http://www.terrasolid.fi/en/pages/the_prices_of_terrasolid_software_in_2012).

Este software permite realizar múltiples tareas, fundamentalmente de pre-

procesado, por lo que está especialmente indicado para quienes realizan la

adquisición de datos y para usuarios avanzados. Permite filtrar la nube de puntos,

clasificar puntos de acuerdo a diversos criterios, realizar corrección relativa entre

datos, etcétera.

ArcGIS: la herramienta ArcMap permite importar los datos LiDAR previamente

filtrados y generar a partir de ellos MDE y MDS, es decir, rasterizar los datos y

trabajar con ellos como con cualquier otra capa ráster. Por otro lado, se han

desarrollado diversos módulos que permiten una manipulación más avanzada de los

datos, permitiendo trabajar con la nube de puntos. Entre ellos se encuentran:

LP360: Está fundamentalmente orientada a la integración de datos en un

SIG y la interpretación por parte del usuario. Permite:

o Importar archivos ASCII, LAS, Shape de puntos.

o Obtener información sobre el archivo: extensión, sistema de

coordenadas, clasificación, etcétera.

o Exportar puntos a distintos formatos.

o Generar curvas de nivel, TIN.

o Generar imágenes a partir de los datos de intensidad.

Page 41: EVALUACIÓN DEL USO DE LA TECNOLOGÍA LIDAR … · Diseño de un cuestionario para conocer las perspectivas de los técnicos de la región sobre la tecnología LiDAR 43 ... a nivel

37

LiDARAnalyst 5.0: Se trata de una aplicación para la extracción de

entidades en 3D de datos LiDAR. Permite realizar procesos de

clasificación o filtrado de puntos.

Puesto que ambos módulos trabajan sobre ArcGIS, su combinación permite

realizar numerosas aplicaciones.

Global Mapper 11: permite visualizar, tratar y realizar análisis directamente

con archivos .las. Del mismo modo, permite visualizar todos sus atributos y

trabajar con ellos de la misma forma que cualquier otro archivo vectorial de puntos.

Permite:

generar MDT’s, curvas de nivel

Realizar análisis de visibilidad entre otras funciones.

Feature Manipulation Engine (FME): permite pasar directamente de un

archivo .las a un archivo shapefile con todos los atributos: forma, datos de GPS,

Intensidad, Retornos, Número de retornos, Línea de vuelos, Clasificación, Nombre

de la Clasificación, Ángulo de escaneado, Datos de usuario y Fuente.

Posteriormente será posible realizar todas las operaciones pertinentes en el entorno

ArcMap.

LiDAR toolkit de ENVI: Herramienta que permite realizar diversas

operaciones sobre los datos LiDAR como:

Importar datos.

Hacer un subset sobre la región de interés

Visualizar puntos

Realizar transformaciones (rotación, traslación,…)

Filtrado de puntos

Rasterización de datos

Obtener información textural

MARS: software desarrollado por la empresa Merrick, diseñado para visualizar,

gestionar, procesar y analizar datos LiDAR. Entre sus capacidades cabe citar:

Capacidad de cargar datos aerportados, terrestres o móviles sin límite

Capacidad para cargar datos LiDAR, imágenes (multiespectrales e

hiperespectrales) y vectores SIG.

Generar MDE y curvas de nivel en bloque

Page 42: EVALUACIÓN DEL USO DE LA TECNOLOGÍA LIDAR … · Diseño de un cuestionario para conocer las perspectivas de los técnicos de la región sobre la tecnología LiDAR 43 ... a nivel

38

Herramientas de filtrado de datos

Transformación de coordenadas

Modelos de inundación

7.2. Software gratuito

Este software puede descargarse de manera gratuita pero su código no puede

ser modificado. En este caso se van a considerar dos software gratuitos, los cuales

tienen también funcionalidades extendidas pero con coste.

LASEdit: Es un visor desarrollado por Cloud Peak Software. Incluye un

algoritmo para la extracción de superficies que permite a los usuarios generar

modelos del terreno y de superficie. Del mismo modo puede generar curvados y

perfiles.

La nube de puntos se puede representar mediante diferentes atributos

(clasificacion, elevación, intensidad…), y tiene un visor en 3D que permite

investigar los datos de manera fácil.

FugroViewer: La interfaz de FugroViewer es la misma que la de LASEdit. La

única diferencia es que solo conserva las opciones de visualización y de

representación de puntos por atributos, así como la opción en 3D. Esta herramienta

resulta útil para hacer un análisis exploratorio de los datos pero no permite realizar

ningún otro tipo de análisis ni hay opción para exportar archivos .las a otros

formatos.

FUSION/LDV (LiDAR Data Viewer): Es un software gratuito desarrollado por

el Servicio Forestal y el Departamento de Agricultura de los Estados Unidos. Está

orientado al análisis forestal con datos LiDAR. Entre sus funcionalidades se

encuentra:

Importación datos

Exportación datos

Filtrado

Obtención de estadísticas a partir de la nube de puntos

Generación de MDE y obtención de curvas de nivel

Visualización 3D

Herramientas para la medición de alturas

Page 43: EVALUACIÓN DEL USO DE LA TECNOLOGÍA LIDAR … · Diseño de un cuestionario para conocer las perspectivas de los técnicos de la región sobre la tecnología LiDAR 43 ... a nivel

39

Diversas opciones de visualización, etc.

Muchas de las funcionalidades de FUSION deben ejecutarse mediante línea de

comando, lo que en ocasiones dificulta su utilización.

7.3. Software libre

Este tipo de software dispone de código abierto, a disposición de la comunidad

de usuarios para su modificación.

LAStools: Se trata de una interfaz de aplicaciones para datos LiDAR que

implementa la lectura y escritura de datos LiDAR en los formatos establecidos por

la ASPRS. Está construida sobre las herramientas de la librería de libLAS.

Las herramientas de LAStools son líneas de comando altamente eficaces que

permiten procesar tanto archivos .las como archivos comprimidos .laz. El hecho de

que trabaje con líneas de comando hace que pueda parecer un software poco

“amigable” a pesar de su eficacia. Entre sus funcionalidades cabe citar:

Lectura de archivos de cabecera

Corte de regiones de interés

Transformación de archivos

Filtrado

Creación de MDE

Transformación a Shape file

Dielmo Open LiDAR: software desarrollado por la empresa Dielmo para su

integración en GVSig, SIG libre cuyo desarrollo ha sido realizado por Consejería de

Infraestructuras y Transportes de la Generalitat Valenciana.

Como hemos visto en estas secciones existen actualmente diversos software

que permiten el análisis de datos LiDAR. Sin embargo, la constante investigación

que se está llevando a cabo, en ocasiones con objetivos muy específicos, así como

el carácter genérico de las aplicaciones mencionadas en los párrafos anteriores, los

usuarios avanzados desarrollan sus propias rutinas para extraer la máxima cantidad

de información posible a los datos. Así por ejemplo, mientras que algunos de los

software comentados permiten obtener estadísticas básicas, ninguno es capaz de

generar todas las estadísticas y variables que pueden encontrarse en la literatura.

Page 44: EVALUACIÓN DEL USO DE LA TECNOLOGÍA LIDAR … · Diseño de un cuestionario para conocer las perspectivas de los técnicos de la región sobre la tecnología LiDAR 43 ... a nivel

40

8 Estimación de costes

Los costes de un proyecto LiDAR son muy variables por lo que resulta difícil

hacer una estimación de los mismos. En un proyecto LiDAR intervienen muchos

factores que afectarán a sus costes entre los que podemos citar:

Costes de desplazamiento de equipamiento (avión y sensores). Este

puede considerarse un coste fijo en el proyecto, independientemente de

la configuración utilizada después.

Densidad de puntos. Cuanto mayor sea la densidad de puntos mayor

serán los costes.

Características topográficas del terreno

Accesibilidad

Características de la vegetación

Tamaño de la zona de estudio

Margen de tiempo para realizarlo

Productos a entregar y nivel de procesamiento de los datos

Los factores anteriores hacen referencia fundamentalmente a la adquisición de

los datos, a éstos habría que añadir los factores relacionados con el procesamiento

y el desarrollo de metodologías apropiadas para su análisis.

La siguiente tabla muestra algunas estimaciones realizadas por algunos

autores:

Sensor Área del

proyecto

Costes

adquisición

Costes

análisis

Total

costes

monitoreo

Fuente

LiDAR

aeroportado

28,000 km2

(UK)

415US$/k

m2

Patenaud

e et al.,

2005

LiDAR

aeroportado

40 km2

(USA, escala

local)

455

US$/km2

Tilley et

al., 2004

LiDAR

aeroportado

400 km2

(USA)

100

US$/km2

Tilley et

al., 2004

Page 45: EVALUACIÓN DEL USO DE LA TECNOLOGÍA LIDAR … · Diseño de un cuestionario para conocer las perspectivas de los técnicos de la región sobre la tecnología LiDAR 43 ... a nivel

41

LiDAR

aeroportado

180 km2

(USA)

388

US$/km2

Parker &

Evans,

2007

LiDARaerop

ortado

136 km2

(Indonesia)

400-550

US$/km2

160

horas

>400-550

US$/km2

RSS

GmbH

(en

Böttcher

et al.,

2009

LiDAR

+

imágenes

Hasta

200,000 ha

(solo LiDAR)

350-450

US$/km2

Arbonaut

Hasta

2,000,000

ha

(muestreo

en dos

etapas:

LiDAR +

imagen)

400-600

US$/km2

Desde

20,000,000

ha

(muestreo

en dos

etapas:

LiDAR +

imagen)

70-150

US$/km2

Tabla 6: Costes asociados a la estimación de biomasa mediante datos LiDAR (Tabla adaptada de Böttcher et al., 2009 y www.arbonaut.com , último acceso:27/06/2012)

Page 46: EVALUACIÓN DEL USO DE LA TECNOLOGÍA LIDAR … · Diseño de un cuestionario para conocer las perspectivas de los técnicos de la región sobre la tecnología LiDAR 43 ... a nivel

42

9 Necesidad de capacitación

Los sistemas LiDAR son sistemas activos de teledetección con unas

características particulares que hacen que el tratamiento de los datos

proporcionados por estos sistemas presente importantes diferencias con respecto a

los sistemas ópticos pasivos como por ejemplo Landsat, QuickBird, MODIS o MERIS

entre otros. Para una adecuada comprensión tanto de la tecnología como del

procesamiento de los datos es necesario tener un importante conocimiento previo

sobre teledetección, así como una sólida base estadística e incluso de programación

ya que, como se ha podido ver en apartados anteriores, en muchas ocasiones el

procesamiento de los datos, especialmente para sacar la máxima información

posible a los datos, se hace mediante rutinas desarrolladas ad-hoc por expertos.

En el caso de un usuario con experiencia en teledetección, cuyo objetivo final

será el tratamiento de los datos, no la adquisición de los mismos, sería necesario

que realizase un curso de introducción a la tecnología LiDAR que permita entender

los principios físicos, el tipo de datos proporcionados por los sistemas LiDAR y que

le permita conocer algunas de las principales aplicaciones de esta tecnología en el

ámbito ambiental y más concretamente en el forestal. La duración de un curso de

tales características tendrá una duración mínima de 20 horas presenciales, lo que le

permitiría adquirir un conocimiento básico para empezar a trabajar con los datos

LiDAR. También es importante que el curso incluya una parte teórica y una parte

práctica que permita a los alumnos poner en práctica los conocimientos adquiridos.

Como ejemplo, puede citarse el Máster en Tecnologías de la Información Geográfica

impartido en el Departamento de Geografía de la Universidad de Alcalá, en el que

se incluye un módulo sobre introducción a la tecnología LiDAR con una carga lectiva

de 2 créditos ECTS, con igual distribución de horas teóricas y prácticas. Esto

representa 50 horas de trabajo por parte del alumno, de las cuales 14

corresponden a clases lectivas y el resto a trabajo individual por parte del alumno.

En caso de que el alumno no tenga experiencia ni conocimientos previos de

teledetección, será necesario que realice un curso previo de introducción a la

teledetección. El curso deberá reunir una requisitos similares en cuanto a duración

y objetivos a los expuestos en el párrafo anterior.

Page 47: EVALUACIÓN DEL USO DE LA TECNOLOGÍA LIDAR … · Diseño de un cuestionario para conocer las perspectivas de los técnicos de la región sobre la tecnología LiDAR 43 ... a nivel

43

10 Diseño de un cuestionario para conocer las perspectivas de

los técnicos de la región sobre la tecnología LiDAR

A continuación se propone un cuestionario para ser realizado por los técnicos

de la región, que permita conocer el grado de conocimiento por parte de los

técnicos de la tecnología LiDAR, de su potencial para la estimación de parámetros

estructurales y biofísicos de la vegetación, así como para conocer las perspectivas

que los técnicos tienen sobre esta tecnología.

Muy

bajo Bajo Medio Alto

Muy

alto NS/NC

1. Indique el grado de conocimiento que

tiene sobre la tecnología LiDAR

2. Indique el grado de experiencia que

tiene en el manejo de datos LiDAR

3. Indique el grado de utilidad que la

tecnología LiDAR puede tener en la

estimación del carbono almacenado en

sus bosques

4. Indique el grado de utilidad que la

tecnología LiDAR puede tener en la

caracterización de la estructura de sus

bosques

5. Qué grado de utilidad cree que la

tecnología LiDAR puede tener en la

gestión sostenible de sus bosques, la

preservación de la biodiversidad y la

calidad de los hábitats.

6. Indique en qué medida cree que la

fusión de datos LiDAR con otros datos de

teledetección (multiespectrales/radar)

mejorará la caracterización de la

estructura de sus bosques.

7. Indique en qué medida cree que la

fusión de datos LiDAR con otros datos de

teledetección (multiespectrales/radar)

ayudará en la gestión sostenible de sus

bosques, la preservación de la

biodiversidad y la calidad de los hábitats.

Page 48: EVALUACIÓN DEL USO DE LA TECNOLOGÍA LIDAR … · Diseño de un cuestionario para conocer las perspectivas de los técnicos de la región sobre la tecnología LiDAR 43 ... a nivel

44

8. Qué importancia cree que debe tener

tecnología LiDAR en la estimación del

contenido de carbono almacenado en sus

bosques.

9. Qué importancia cree que debe tener la

fusión de datos LiDAR con otros datos de

teledetección (multiespectrales/radar) en

la estimación del contenido de carbono

almacenado en sus bosques.

10. Indique la capacidad de procesamiento

de datos de teledetección de los técnicos

de su país.

11. Indique la capacidad de procesamiento

de datos LiDAR de los técnicos de su

país.

12. Indique cuál cree que son las

necesidades de capacitación en

Teledetección de técnicos en su país.

13. Indique cuál cree que son las

necesidades de capacitación en LiDAR de

técnicos en su país.

14. Indique cuál cree que será el beneficio

que puede reportar a su país la

estimación del carbono almacenado en

sus bosques con datos LiDAR

15. Qué grado de precisión (Tier I, Tier II o

Tier III) cree que permitirán alcanzar los

datos LiDAR en la estimación del carbono

almacenado en los bosques.

16. Indique su interés en la realización de un

proyecto piloto para el establecimiento

de una metodología para la estimación

de carbono mediante datos de

teledetección (multiespectrales, LiDAR y

radar)

17. Indique el grado de viabilidad que cree

que tendrá el uso de datos LiDAR en las

tareas MRV en un futuro próximo

Page 49: EVALUACIÓN DEL USO DE LA TECNOLOGÍA LIDAR … · Diseño de un cuestionario para conocer las perspectivas de los técnicos de la región sobre la tecnología LiDAR 43 ... a nivel

45

20.- En su opinión, cuál cree que son las principales ventajas y desventajas del

uso de la tecnología LiDAR para estimar biomasa y contenido de carbono frente a

otros métodos y, en especial, frente al trabajo de campo

21.- De qué manera cree que la tecnología LiDAR puede resultar de utilidad

para la identificar sus bosques y el estado en el que se encuentran.

23.- Cómo cree que la tecnología LiDAR puede ayudar a su país a mejorar las

estimaciones de biomasa y carbono almacenado

24.- Conoce algún software de tratamiento de datos LiDAR. ¿Cuál?

25.- Cree que los programas existentes para el tratamiento de datos LiDAR

cubrirán sus necesidades de procesamiento. Indique cuál.

26.- Cómo cree que debería integrarse la tecnología LiDAR en las tareas MRV

en el contexto de un proyecto REDD+

27.- Comentarios/observaciones (utilice este apartado para señalar aspectos

que considere relevantes y no se hayan respondido en las preguntas anteriores):

Page 50: EVALUACIÓN DEL USO DE LA TECNOLOGÍA LIDAR … · Diseño de un cuestionario para conocer las perspectivas de los técnicos de la región sobre la tecnología LiDAR 43 ... a nivel

46

11 Propuesta de un proyecto piloto

Los métodos convencionales para la estimación de biomasa se basan en

medidas de campo y, aunque estos métodos son más directos y precisos si se hace

un muestreo destructivo, sin embargo presentan importantes limitaciones en

cuanto a la cobertura espacial y temporal con que pueden realizarse, así como para

capturar la variabilidad espacial natural de la biomasa(Gibbs et al. 2007; Houghton

2005; Saatchi et al. 2007).

Así, la teledetección proporciona el único método para generar información

espacialmente explícita y detallada de la biomasa forestal, gracias a su potencial

para proporcionar información continua en un amplio rango escalas espaciales y

temporales, aunque es necesario el desarrollo de métodos que permitan

estimaciones precisas de la biomasa y sus cambios para aumentar nuestra

compresión del papel que juegan los bosques en el ciclo del carbono, para realizar

inventarios de gases de efecto invernadero, contabilizar el carbono

terrestre(Muukkonen and Heiskanen 2007), para una gestión sostenible de los

bosques(FAO 2006), e incluso para estimar la carga de combustibles(Finney 1998).

Como se ha descrito en las secciones anteriores, la tecnología LiDAR ofrece un

gran potencial para desarrollar estos métodos que permitan realizar estimaciones

precisas de la biomasa forestal y, en consecuencia, del carbono almacenado. A

continuación se propone un proyecto piloto con un enfoque multinivel y multisensor

que permita demostrar los beneficios que dicho enfoque tiene para desarrollar las

tareas MRV-REDD+ en la región. El primer nivel que se considerará es un nivel de

proyecto mientras que el segundo considerará un nivel nacional. La metodología

que se desarrollará en este último se enfocará hacia una metodología que sea

extensible a escala mesoamericana.

11.1 Estimación del contenido de carbono a nivel local

El área seleccionada para la realización de este proyecto estará comprendida

entre 20,000 ha y 50,000 ha, lo que permitirá cubrir la zona de estudio

completamente con datos LiDAR, realizando así una estimación continua (wall-to-

wall) de la biomasa y su variabilidad espacial. El área de estudio deberá ser una

zona representativa de los tipos de bosques presentes en un país participante en el

programa REDD-CCAD-GIZ, por ejemplo Honduras. Así mismo la zona deberá

Page 51: EVALUACIÓN DEL USO DE LA TECNOLOGÍA LIDAR … · Diseño de un cuestionario para conocer las perspectivas de los técnicos de la región sobre la tecnología LiDAR 43 ... a nivel

47

incluir bosques con distintos grados de desarrollo y perturbación/regeneración, de

manera que permita validar la metodología aplicada para su posterior aplicación

operativa. Las tareas a realizar serán:

Adquisición de datos aeroportados: se diseñará una campaña para la

adquisición de datos LiDAR sobre la zona de estudio. La zona de sobrevolará con

una configuración que garantice un solape entre pasadas de al menos el 30% y

buscando la máxima penetración de los pulsos para lo cual, los ángulos de escaneo

no excederán los 12º y se realizarán pasadas longitudinales y transversales. La

densidad de pulsos promedio será de en torno a1-4 pulsos m-2. La empresa

encargada de la adquisición deberá entregar los datos filtrados (en las categorías

suelo y no suelo) y en formato .LAS.

Adquisición datos multiespectrales: se adquirirán datos multiespectrales de

media a alta resolución espacial para la zona de estudio, que permita realizar una

segmentación de la misma en función de los tipos de bosque y su estado. Estas

imágenes podrán adquirirse bien junto con los datos LiDAR o bien mediante

satélites de alta resolución espacial.

Trabajo de campo: permitirá obtener los datos de referencia que serán

empleados posteriormente para calibrar y validar los modelos que se desarrollen

para estimar la biomasa y el contenido de carbono en la zona de estudio. Se

realizará un muestreo aleatorio estratificado de manera que se cubra el rango de

valores de biomasa presente en la zona de estudio. En estas parcelas se tomarán

las medidas comúnmente utilizadas en las tareas de inventario forestal y que

posteriormente permitirán estimar la biomasa mediante la aplicación de ecuaciones

alométricas existentes. La configuración de las parcelas, forma y tamaño, se

determinará junto con los expertos forestales locales de manera que se asegure un

óptimo muestreo de las variables de interés. El número de parcelas se establecerá

en función de la superficie cubierta, los tipos de bosques, su estado de desarrollo y

los distintos estados de perturbación en que se encuentren, de manera que el

número de muestras sea significativo para los posteriores análisis estadísticos.

Procesamiento de datos LiDAR: A partir de los datos filtrados se realizará

una normalización de las alturas de los retornos y se generarán variables

relacionadas con la estructura de la vegetación. Estas variables se generarán a

Page 52: EVALUACIÓN DEL USO DE LA TECNOLOGÍA LIDAR … · Diseño de un cuestionario para conocer las perspectivas de los técnicos de la región sobre la tecnología LiDAR 43 ... a nivel

48

nivel de parcela y serán utilizadas posteriormente como variables explicativas en

los modelos para estimar biomasa.

Procesamiento de datos multiespectrales: se realizará una corrección

radiométrica y geométrica de las imágenes, para posteriormente realizar el análisis

digital de las imágenes. Se realizará una segmentación de la imagen en función de

los tipos de bosques su estado de desarrollo y los distintos estados de perturbación

en que se encuentren. Deberá prestarse especial atención a la cobertura de nubes,

por lo que se exigirá que las imágenes no presenten más de un 10% de nubes.

Análisis estadísticos: en esta fase se desarrollarán los modelos estadísticos

que permitan relacionar las variables derivadas a partir de los datos LiDAR con las

estimaciones a partir de los datos de campo. Se investigarán diversos métodos

estadísticos y se generarán tanto modelos generales (un único modelo para toda la

zona de estudio) como modelos específicos para cada especie. Se utilizará un 70%

de la muestra para calibrar los modelos y un 30% como medidas de validación

independientes. Se obtendrán medidas de ajuste de los modelos y de error de las

estimaciones realizadas. También se investigarán los beneficios de incluir variables

obtenidas a partir de los datos multiespectrales.

Conversión de valores de biomasa a carbono: la estimación del carbono

partir de los datos de biomasa estimados en el paso anterior se realizará mediante

la aplicación de coeficientes de densidad específicos para las especies presentes en

la zona. En caso de que estos coeficientes no estén disponibles se aplicará un valor

genérico de 0.5.

Generación de cartografía: Se generará la cartografía correspondiente a la

distribución de biomasa y de carbono en la zona de estudio a escala 1:50,000 –

1:100,000.

Divulgación de resultados: Se realizarán tareas de difusión de los resultados

del proyecto incluyendo seminarios, presentaciones en congresos, artículos, así

como a través de la web.

Estimación de costes: La estimación de costes en un proyecto de estas

características resulta muy complicada debido a los condicionantes que pueden

plantearse en función del área de estudio seleccionada, ya que de esto dependerá

Page 53: EVALUACIÓN DEL USO DE LA TECNOLOGÍA LIDAR … · Diseño de un cuestionario para conocer las perspectivas de los técnicos de la región sobre la tecnología LiDAR 43 ... a nivel

49

la configuración del vuelo (alturas de vuelo, número de pasadas a realizar), así

como el trabajo de campo de campo que debe llevarse a cabo. Por lo tanto a

continuación se presenta una estimación que debe tenerse en cuenta únicamente a

modo de orientación ya que los costes reales finales pueden variar

considerablemente en función de las especificaciones finales del proyecto.

Item Coste $

Adquisición y filtrado

de datos LiDAR

400-550 US$/km2

Adquisición datos multiespectrales*

*(los precios dependen del nivel de

procesamiento, si se tratan de imágenes de

archivo, etcétera. Se indica un rango de posibles

valores)

Worlview2: 14$-23$ por km2 (coste

mínimo 8 €. Si se piden imágenes

estereoscópicas el área mínimo es de 25 km2)

Landsat: disponibles gratuitamente.

Spot (5 m color y 2.5 B&N): 1,900-

8, € escena de 6 x6 km

Geoeye: 12.5-50 por km2

Ikonos: 10-40 por km2

Trabajo de campo

Dificultad alta: 549.1 $/parcela

Dificultad media: 229.5 $/parcela

Dificultad baja: 153.0 $/parcela

Análisis información 350 -650 US$/km2

Divulgación de resultados 35,000

Equipamiento (ordenadores, material

para la realización de medidas en campo,

GPS, etcétera)

50,000

Viajes/reuniones 9,000

Tabla 7: Costes asociados a la estimación de biomasa mediante datos LiDAR a nivel local

Page 54: EVALUACIÓN DEL USO DE LA TECNOLOGÍA LIDAR … · Diseño de un cuestionario para conocer las perspectivas de los técnicos de la región sobre la tecnología LiDAR 43 ... a nivel

50

En cuanto al tiempo de ejecución se estiman los siguientes tiempos

aproximados. Como se mencionó anteriormente deben considerarse únicamente a

modo orientativo:

Item Meses

Adquisición y filtrado

de datos LiDAR

3

Adquisición de datos

multiespectrales 0.25

Trabajo de campo

Dificultad alta: 1 parcela diaria

Dificultad media: 2 parcelas diarias

Dificultad baja: 4 parcelas diarias

Análisis datos campo 1

Análisis información y

generación de modelos

12-15

Total 14-18

Tabla 8: Estimación de tiempo de ejecución de un proyecto para la estimación de biomasa mediante datos LiDAR a nivel local

11.2 Estimación del contenido de carbono a nivel nacional

La realización de un proyecto a nivel nacional requiere un enfoque distinto al

anterior ya que los costes de adquisición de los datos LiDAR previene realizar una

cobertura completa de la zona de estudio, por lo que se realizará un enfoque

anidado en el que en primer lugar se establecerá una relación entre los datos de

campo y los datos LiDAR, para posteriormente establecer una relación entre los

datos LiDAR y los datos de satélite que permita obtener una estimación continua de

la biomasa y su distribución para todo el país. Las tareas a realizar serán:

Adquisición de datos aeroportados: se diseñará una campaña para la

adquisición de datos LiDAR sobre la zona de estudio. Puesto que no es posible

realizar una cobertura completa del país se realizarán transectos sobre distintas

Page 55: EVALUACIÓN DEL USO DE LA TECNOLOGÍA LIDAR … · Diseño de un cuestionario para conocer las perspectivas de los técnicos de la región sobre la tecnología LiDAR 43 ... a nivel

51

zonas del país de manera que se cubra todos los tipos de bosques y distintos

estados de desarrollo así como distintos grados de degradación. El tamaño de los

transectos será variable, dependiendo de las características del país elegido, pero

deberá representar como mínimo un 1% de la superficie de los bosques. Se buscará

la máxima penetración de los pulsos para lo cual, los ángulos de escaneo no

excederán los 12º. Como anteriormente, la densidad de pulsos promedio será de

entorno a1-4 pulsos m-2. La empresa encargada de la adquisición deberá entregar

los datos filtrados (en las categorías suelo y no suelo) y en formato .LAS.

Adquisición datos multiespectrales: se adquirirán datos multiespectrales de

media a baja resolución espacial para la zona de estudio, que permita realizar una

segmentación de la misma en función de los tipos de bosque y su estado. Deberá

prestarse especial atención a la cobertura de nubes, por lo que se exigirá que las

imágenes no presenten más de un 10% de nubes.

Adquisición datos radar: se adquirirán datos radar que permitan cubrir el

territorio en cuestión. Estos datos permitirán obtener variables relacionadas con la

estructura forestal sin tener el impedimento de las nubes que afecta a los datos

ópticos.

Trabajo de campo: permitirá obtener los datos de referencia que serán

empleados posteriormente para calibrar y validar los modelos que se desarrollen

para estimar la biomasa y el contenido de carbono en la zona de estudio. Se

realizará un muestreo aleatorio estratificado de manera que se cubra el rango de

valores de biomasa presentes en el territorio del país en cuestión. En estas parcelas

se tomarán las medidas comúnmente utilizadas en las tareas de inventario forestal

y que posteriormente permitirán estimar la biomasa mediante la aplicación de

ecuaciones alométricas existentes. La configuración de las parcelas, forma y

tamaño, se determinará junto con los expertos forestales locales de manera que se

asegure un óptimo muestreo de las variables de interés. El número de parcelas se

establecerá en función de la superficie cubierta, los tipos de bosques, su estado de

desarrollo y los distintos estados de perturbación en que se encuentren, de manera

que el número de muestras sea significativo para los posteriores análisis

estadísticos.

Procesamiento de datos LiDAR: A partir de los datos filtrados se realizará

una normalización de las alturas de los retornos y se generarán variables

Page 56: EVALUACIÓN DEL USO DE LA TECNOLOGÍA LIDAR … · Diseño de un cuestionario para conocer las perspectivas de los técnicos de la región sobre la tecnología LiDAR 43 ... a nivel

52

relacionadas con la estructura de la vegetación. Estas variables se generarán a

nivel de parcela y serán utilizadas posteriormente como variables explicativas en

los modelos para estimar biomasa.

Procesamiento de datos multiespectrales y radar: se realizará una

corrección radiométrica y geométrica de las imágenes, para posteriormente realizar

el análisis digital de las imágenes. Se realizará una segmentación de la imagen en

función de los tipos de bosques su estado de desarrollo y los distintos estados de

perturbación en que se encuentren. Se derivarán variables a partir de los datos

radar que permiten obtener información relacionada con la estructura de los

bosques.

Fase 1: Relación datos campo-LiDAR: en esta fase se desarrollarán los

modelos estadísticos que permitan relacionar las variables derivadas a partir de los

datos LiDAR con las estimaciones a partir de los datos de campo. Se investigarán

diversos métodos estadísticos y se generarán tanto modelos generales (un único

modelo para toda la zona de estudio) como modelos específicos para cada especie.

Se utilizará un 70% de la muestra para calibrar los modelos y un 30% como

medidas de validación independientes. Se obtendrán medidas de ajuste de los

modelos y de error de las estimaciones realizadas.

Los modelos conceptuales que relacionan la estructura de la vegetación con los

datos ópticos pueden variar entre ecosistemas y tipos de vegetación, lo que hace

que la aplicación de modelos calibrados con datos que no cubran las condiciones de

la zona de estudio o de modelos generales desarrollados en otras zonas den lugar a

resultados inconsistentes. La precisión de los modelos puede mejorar si los datos

de campo se toman cubriendo todo el rango de variabilidad de la población. Así,

esta fase permitirá extender los datos de referencia sobre áreas mucho más

extensas que lo que permite los datos de campo, constituyendo por tanto la verdad

terreno para la siguiente fase.

Fase 2: Relación datos LiDAR-datos ópticos y/o radar: en esta fase las

estimaciones realizadas en el paso anterior serán consideradas como los datos de

referencia (verdad terreno) y se desarrollarán los modelos estadísticos que

permitan relacionar estos datos con los datos obtenidos a partir de otros sensores

que permitan obtener una cobertura completa del país, tales como imágenes de

satélite o datos radar. En este sentido pueden considerarse dos enfoques, el

Page 57: EVALUACIÓN DEL USO DE LA TECNOLOGÍA LIDAR … · Diseño de un cuestionario para conocer las perspectivas de los técnicos de la región sobre la tecnología LiDAR 43 ... a nivel

53

primero consiste en una estratificación del país por tipos de bosque y estado de los

mismos para posteriormente asignarles un valor representativo (por ejemplo la

media) obtenido de las estimaciones realizadas en la fase 1. El segundo enfoque

sigue un método estadístico en el que se establecerán relaciones entre las

estimaciones obtenidas en la fase 1 y los datos proporcionados por diversos

sensores de teledetección.

Conversión de valores de biomasa a carbono: la estimación del carbono

partir de los datos de biomasa estimados en el paso anterior se realizará mediante

la aplicación de coeficientes de densidad específicos para las especies presentes en

la zona. En caso de que estos coeficientes no estén disponibles se aplicará un valor

genérico de 0.5.

Generación de cartografía: Se generará la cartografía correspondiente a la

distribución de biomasa y de carbono en la zona de estudio a escala 1:250,000 –

1:500,000.

Divulgación de resultados: Se realizarán tareas de difusión de los resultados

del proyecto incluyendo seminarios, presentaciones en congresos, artículos, así

como a través de la web.

Estimación de costes: como en el caso anterior, la estimación de costes en

un proyecto de estas características resulta muy complicada debido a los

condicionantes que pueden plantearse en función del área de estudio seleccionada,

ya que de esto dependerá la configuración del vuelo (alturas de vuelo, número de

pasadas a realizar), así como el trabajo de campo de campo a realizar. Por lo tanto

a continuación se presenta una estimación que debe tenerse en cuenta únicamente

a modo de orientación:

Page 58: EVALUACIÓN DEL USO DE LA TECNOLOGÍA LIDAR … · Diseño de un cuestionario para conocer las perspectivas de los técnicos de la región sobre la tecnología LiDAR 43 ... a nivel

54

Item Coste $

Adquisición y filtrado

de datos LiDAR

400-550 US$/km2

Adquisición datos multiespectrales

Landsat: disponibles gratuitamente.

MODIS: disponibles gratuitamente.

Datos Radar

Radarsat-1: 3,600-4,500 CAD (dólar

canadiense). Hay que añadir costes de

programación, entre 135-1,350 CAD

Radarsat-2:3,600-8,400 CAD. Hay

que añadir costes de programación,

entre 120-3,600 CAD

Trabajo de campo

Dificultad alta: 549.1 $/parcela

Dificultad media: 229.5 $/parcela

Dificultad baja: 153.0 $/parcela

Análisis información 100 -300 US$/km2

Divulgación de resultados 70,000

Equipamiento (ordenadores, material

para la realización de medidas en campo,

GPS, etcétera)

50,000

Viajes/reuniones 20,000

Tabla 9: Costes asociados a la estimación de biomasa mediante datos LiDAR a nivel local

Page 59: EVALUACIÓN DEL USO DE LA TECNOLOGÍA LIDAR … · Diseño de un cuestionario para conocer las perspectivas de los técnicos de la región sobre la tecnología LiDAR 43 ... a nivel

55

En cuanto al tiempo de ejecución se estiman los siguientes tiempos

aproximados. Como se mencionó anteriormente deben considerarse únicamente a

modo orientativo:

Item Meses

Adquisición datos LiDAR 6

Adquisición de datos

multiespectrales y RaDAR 1.5

Trabajo de campo

Dificultad alta: 1 parcela diaria

Dificultad media: 2 parcelas diarias

Dificultad baja: 4 parcelas diarias

Análisis datos campo

3-6

Análisis información y generación

de modelos 25-30

Total 30-36

Tabla 10: Estimación de tiempo de ejecución de un proyecto para la estimación de biomasa mediante datos LiDAR a nivel local

Page 60: EVALUACIÓN DEL USO DE LA TECNOLOGÍA LIDAR … · Diseño de un cuestionario para conocer las perspectivas de los técnicos de la región sobre la tecnología LiDAR 43 ... a nivel

56

12 Referencias

Andersen, H.-E., McGaughey, R.J., & Reutebuch, S.E. (2005). Estimating forest

canopy fuel parameters using LIDAR data. Remote Sensing of Environment, 94,

441-449

Andersen, H.E., Reutebuch, S.E., & McGaughey, R.J. (2006). A rigorous

assessment of tree height measurements obtained using airborne lidar and

conventional field methods. Canadian Journal of Remote Sensing, 32, 355-366

Antonarakis, A.S., Richards, K.S., & Brasington, J. (2008). Object-based land

cover classification using airborne LiDAR. Remote Sensing of Environment, 112,

2988-2998

Baccini, A., Laporte, N., Goetz, S.J., Sun, M., & Dong, H. (2008). A first map of

tropical Africa’s above-ground biomass derived from satellite imagery.

Environmental Research Letters, 3, doi:10.1088/1748-9326/1083/1084/045011

Baltsavias, E.P. (1999). Airborne laser scanning: basic relations and formulas.

ISPRS Journal of Photogrammetry & Remote Sensing, 54, 199-214

Banskota, A., Wynne, R.H., Johnson, P., & Emessiene, B. (2011). Synergistic

use of very high-frequency radar and discrete-return lidar for estimating biomass in

temperate hardwood and mixed forests. Annals of Forest Science, DOI

10.1007/s13595-13011-10023-13590

Bortolot, Z.J., & Wynne, R.H. (2005). Estimating forest biomass using small

footprint LiDAR data: An individual tree-based approach that incorporates training

data. ISPRS Journal of Photogrammetry and Remote Sensing, 59, 342-360

Böttcher, H., Eisbrenner, K., Fritz S., Kindermann, G., Kraxner, F., McCallum, I.

& Obersteiner, M. (2009) An assessment of monitoring requirements and costs of

'Reduced Emissions from Deforestation and Degradation'. Carbon Balance and

Management.

Boudreau, J., Nelson, R.F., Margolis, H.A., Beaudoin, A., Guindon, L., & Kimes,

D.S. (2008). Regional aboveground forest biomass using airborne and spaceborne

LiDAR in Québec. Remote Sensing of Environment, 112, 3876-3890

Coren, F., & Sterzai, P. (2006). Radiometric correction in laser scanning.

International Journal of Remote Sensing, 27, 3097-3104

Chen, Q., Laurin, G.V., Battles, J.J., & Saah, D. (2012). Integration of airborne

lidar and vegetation types derived from aerial photography for mapping

aboveground live biomass. Remote Sensing of Environment, 121, 108-117

Drake, J.B., Dubayah, R.O., Clark, D.B., Knox, R.G., Blair, J.B., Hofton, M.A.,

Chazdon, R.L., Weishampel, J.F., & Prince, S. (2002). Estimation of tropical forest

Page 61: EVALUACIÓN DEL USO DE LA TECNOLOGÍA LIDAR … · Diseño de un cuestionario para conocer las perspectivas de los técnicos de la región sobre la tecnología LiDAR 43 ... a nivel

57

structural characteristics using large-footprint lidar. Remote Sensing of

Environment, 79, 305-319

Dubayah, R., & Drake, J.B. (2000). Lidar Remote Sensing for Forestry

Applications. Journal of Forestry

FAO (2006). Global Forest Resources Assessment 2005. Progress towards

sustainable forest management. In F.F.P. 147 (Ed.)

Finney, M.A. (1998). FARSITE: Fire Area Simulator Model development and

evaluation. Research Paper RMRS-RP-4. In: USDA Forest Service. Rocky Mountain

Research Station, Odgen, UT,

Frazer, G., Trofymow, J., & Lertzman, K. (1997). A method for estimating

canopy openess, effective leaf area index and photosynthetically active photon flux

density using hemispherical photography and computerized image analysis

techniques. In. Tech. rep., Information Report BC-X-373, Natural Resources

Canada, Canadian Forest Service, Pacific Forestry Centre, Victoria, BC

García-Gutiérrez, J., Mateos-García, D., & Riquelme-Santos, J.C. (2011). EVOR-

STACK: A label-dependent evolutive stacking on remote sensing data fusion.

Neurocomputing, 74

García, M., Riaño, D., Chuvieco, E., & Danson, F.M. (2010). Estimating biomass

carbon stocks for a Mediterranean forest in Spain using height and intensity LiDAR

data. Remote Sensing of Environment, 114, 816-830

García, M., Riaño, D., Chuvieco, E., Salas, F.J., & Danson, F.M. (2011).

Multispectral and LiDAR data fusion for fuel type mapping using Support Vector

Machine and decision rules. Remote Sensing of Environment, 115, 1369–1379

Gatziolis, D., & Andersen, H.E. (2008). A guide to LIDAR data acquisition and

processing for the forests of the Pacific Northwest. In. Gen. Tech. Rep. PNW-GTR-

768. Portland, OR: U.S. Department of Agriculture, Forest Service, Pacific

Northwest Research Station. 32 p

Gaveau, D.L.A., & Hill, R.A. (2003). Quantifying canopy height underestimation

by laser pulse penetration in small-footprint airborne laser scanning data. Canadian

Journal of Forest Research, 29, 650-657

Gibbs, H.K., Brown, S., Niles, J.O., & Foley, J.A. (2007). Monitoring and

estimating tropical forest carbon stocks: Making REDD a reality. Environmental

Research Letters, 2:045023

Gobakken, T., Naesset, E., Nelson, R., Bollandsas, O.M., Gregoire, T.G., Stahl,

G., Holm, S., Orka, H.O., & Astrup, R. (2012). Estimating biomass in Hedmark

County, Norway using national forest inventory field plots and airborne laser

scanning. Remote Sensing of Environment, 123, 443-456

Page 62: EVALUACIÓN DEL USO DE LA TECNOLOGÍA LIDAR … · Diseño de un cuestionario para conocer las perspectivas de los técnicos de la región sobre la tecnología LiDAR 43 ... a nivel

58

Gonzalez, P., Asner, G.P., Battles, J.J., Lefsky, M.A., Waring, K.M., & Palace, M.

(2010). Forest carbon densities and uncertainties from Lidar, QuickBird, and field

measurements in California. Remote Sensing of Environment, 114, 1561-1575

Harding, D.J., Lefsky, M.A., Parker, G.G., & Blair, J.B. (2001). Laser altimeter

canopy height profiles: methods and validation for closed-canopy, broadleaf forests.

Remote Sensing of Environment, 76, 283-297

Hawbaker, T.J., Keuler, N.S., Lesak, A.A., Gobakken, T., Contrucci, K., &

Radeloff, V.C. (2009). Improved estimates of forest vegetation structure and

biomass with a LiDAR-optimized sampling design. JOURNAL OF GEOPHYSICAL

RESEARCH, 114, doi:10.1029/2008JG000870

Hill, R.A., & Thomson, A.G. (2005). Mapping woodland species composition and

structure using airborne spectral and LiDAR data. In (pp. 3763 - 3779): Taylor &

Francis

Höfle, B., & Pfeifer, N. (2007). Correction of laser scanning intensity data: Data

and model-driven approaches. ISPRS Journal of Photogrammetry and Remote

Sensing, 62, 415-433

Holmgren, J., Johansson, F., Olofsson, K., Olsson, H., & Glimskär, A. (2008).

Estimation of crown coverage using airborne laser scanning. In, Hill, R., Rosette, J.

& Suárez, J. (Eds.) 8th international conference on LiDAR applications in forest

assessment and inventory. SilviLaser. Heriot-Watt University, Edinburgh, UK

Holmgren, J., & Persson, A. (2004). Identifying species of individual trees using

airborne laser scanner. Remote Sensing of Environment, 90, 415-423

Hollaus, M., Wagner, W., Eberhöfer, C., & Karel, W. (2006). Accuracy of large-

scale canopy heights derived from LiDAR data under operational constraints in a

complex alpine environment. ISPRS Journal of Photogrammetry and Remote

Sensing, 60, 323-338

Hopkinson, C., & Chasmer, L. (2009). Testing LiDAR models of fractional cover

across multiple forest ecozones. Remote Sensing of Environment, 113, 275-288

Houghton, R.A. (2005). Aboveground forest biomass and the global carbon

balance. Global Change Biology, 11, 945:958

Hudak, A.T., Crookston, N.L., Evans, J.S., Hall, D.E., & Falkowski, M.J. (2008).

Nearest neighbor imputation of species-level, plot-scale forest structure attributes

from LiDAR data. Remote Sensing of Environment, 112, 2232-2245

Hudak, A.T., Lefsky, M.A., Cohen, W.B., & Berterretche, M. (2002). Integration

of lidar and Landsat ETM+ data for estimating and mapping forest canopy height.

Remote Sensing of Environment, 82, 397-416

Page 63: EVALUACIÓN DEL USO DE LA TECNOLOGÍA LIDAR … · Diseño de un cuestionario para conocer las perspectivas de los técnicos de la región sobre la tecnología LiDAR 43 ... a nivel

59

Hudak, A.T., Strand, E.K., Vierling, L.A., Byrne, J.C., Eitel, J.U.H., Martinuzzi,

S., & Falkowski, M.J. (2012). Quantifying aboveground forest carbon pools and

fluxes from repeat LiDAR surveys. Remote Sensing of Environment, 123, 25-40

Huising, E.J., & Gomes Pereira, L.M. (1998). Errors and accuracy estimates of

laser data acquired by various laser scanning systems for topographic applications.

ISPRS Journal of Photogrammetry and Remote Sensing, 53, 241-261

Hurtt, G.C., Dubayah, R., Drake, J.B., Moorcroft, P., Pacala, S., & Fearon, M.

(2004). Beyond Potential Vegetation: Combining Lidar Remote Sensing and a

Height-Structured Ecosystem Model for Improved Estimates of Carbon Stocks and

Fluxes. Ecological applications, 14, 873-883

Hyde, P., Dubayah, R., Walker, W., Blair, J.B., Hofton, M., & Hunsaker, C.

(2006). Mapping forest structure for wildlife habitat analysis using multi-sensor

(LiDAR, SAR/InSAR, ETM+, Quickbird) synergy. Remote Sensing of Environment,

102, 63-73

Hyyppä, I., Hyyppä, H., Litkey, P., Yu, X., Haggrén, H., Ronnholm, P., Pyysalo,

U., Pitkanen, J., & Maltamo, M. (2004). Algorithms and methods of airborne laser-

scanning for forest measurements. In M. Thies, B. Koch, H. Spiecker, & H.

Weinacker (Eds.), International Archives of Photogrammetry, Remote Sensing, and

the Spatial Information Sciences, Vol. XXXVI-w2.

Hyyppä, J., & Inkinen, M. (1999). Detecting and estimating attributes for single

trees using laser scanner. The Photogrammetric Journal of Finland,, 16, 27-42

Hyyppä, J., Kelle, O., Lehikoinen, M., & Inkinen, M. (2001). A Segmentation-

Based Method to Retrieve Stem Volume Estimates from 3-D Tree Height Models

Produced by Laser Scanners. IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE

SENSING, 39, 969 - 975

Koetz, B., Morsdorf, F., van der Linden, S., Curt, T., & Allgöwer, B. (2008).

Multi-source land cover classification for forest fire management based on imaging

spectrometry and LiDAR data. Forest Ecology and Management, 256, 263-271

Kronseder, K., Ballhorn, U., V., B., & Siegert, F. (2012). Above ground biomass

estimation across forest types at different degradation levels in Central Kalimantan

using LiDAR data. International Journal of Applied Earth Observation and

Geoinformation, 18, 37-48

Latifi, H., Nothdurft, A., & Koch, B. (2010). Non-parametric prediction and

mapping of standing timber volume and biomass in a temperate forest:Application

of multiple optical/LiDAR-derived predictors. Forestry, 83, 395-407

Lefsky, M.A., Cohen, W.B., Acker, S.A., Parker, G.G., Spies, T.A., & Harding, D.

(1999a). Lidar Remote Sensing of the Canopy Structure and Biophysical Properties

Page 64: EVALUACIÓN DEL USO DE LA TECNOLOGÍA LIDAR … · Diseño de un cuestionario para conocer las perspectivas de los técnicos de la región sobre la tecnología LiDAR 43 ... a nivel

60

of Douglas-Fir Western Hemlock Forests. Remote Sensing of Environment, 70, 339-

361

Lefsky, M.A., Harding, D., Cohen, W.B., Parker, G., & Shugart, H.H. (1999b).

Surface Lidar Remote Sensing of Basal Area and Biomass in Deciduous Forests of

Eastern Maryland, USA. Remote Sensing of Environment, 67, 83-98

Lefsky, M.A., Turner, D.P., Guzy, M., & Cohen, W.B. (2005). Combining lidar

estimates of aboveground biomass and Landsat estimates of stand age for spatially

extensive validation of modeled forest productivity. Remote Sensing of

Environment, 95, 549-558

Lim, K., & Treitz, P. (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, 558-570

Lim, K., Treitz, P., Wulder, M., St-Onge, B., & Flood, M. (2003). LiDAR remote

sensing of forest structure. Progress in Physical Geography, 27, 88-106

Lin, Y., Jaakkola, A., Hyyppä, J., & Kaartinen, H. (2010). From TLS to VLS:

Biomass Estimation at Individual Tree Level. Remote Sensing, 2, 1864-

1879;doi:1810.3390/rs2081864

Lovell, J.L., Jupp, D.L.B., Culvenor, D.S., & Coops, N.C. (2003). Using airborne

and ground-based ranging lidar to measure canopy structure in Australian forests.

Canadian Journal of Remote Sensing, 29, 607-622

Lucas, R.M., Cronin, N., Lee, A., Moghaddam, M., Witte, C., & Tickle, P. (2006).

Empirical relationships between AIRSAR backscatter and LiDAR-derived forest

biomass, Queensland, Australia. Remote Sensing of Environment, 100, 407-425

Lucas, R.M., Lee, A.C., & P.J., B. (2008). Retrieving forest biomass through

integration of CASI and LiDAR data. International Journal of Remote Sensing, 29,

1553-1577

Maas, H.-G. (2001). On the use of reflectance data for laserscanner strip

adjustment. International Archives of Photogrammetry, Remote Sensing and Spatial

Information Sciences, 34, 53-56

Maier, B., Tiede, D., & Dorren, L. (2008). Characterising Mountain Forest

Structure using Landscape metrics on LiDAR-based Canopy Surface Models. In T.

Blaschke, S. Lang, & G. Hay (Eds.), Object-Based Image Analysis - Spatial concepts

for knowledge-driven remote sensing applications. Berlin: Springer, 625-643

Maltamo, M., Eerikainen, K., Pitkanen, J., Hyyppa, J., & Vehmas, M. (2004).

Estimation of timber volume and stem density based on scanning laser altimetry

and expected tree size distribution functions. Remote Sensing of Environment, 90,

319-330

Page 65: EVALUACIÓN DEL USO DE LA TECNOLOGÍA LIDAR … · Diseño de un cuestionario para conocer las perspectivas de los técnicos de la región sobre la tecnología LiDAR 43 ... a nivel

61

Mallet, C., & Bretar, F. (2009). Full-waveform topographic lidar: State-of-the-

art. ISPRS Journal of Photogrammetry and Remote Sensing, 64, 1-16

Mascaro, J., Detto, M., Asner, G.P., & Muller-Landau, H.C. (2011). Evaluating

uncertainty in mapping forest carbon with airborne LiDAR. Remote Sensing of

Environment, 115, 3770-3774

Morsdorf, F., Kotz, B., Meier, E., Itten, K.I., & Allgower, B. (2006). Estimation

of LAI and fractional cover from small footprint airborne laser scanning data based

on gap fraction. Remote Sensing of Environment, 104, 50-61

Muss, J.D., Mladenoff, D.J., & Townsend, P.A. (2011). A pseudo-waveform

technique to assess forest structure using discrete lidar data. Remote Sensing of

Environment, 115, 824-835

Mutlu, M., Popescu, S.C., Stripling, C., & Spencer, T. (2008). Mapping surface

fuel models using lidar and multispectral data fusion for fire behavior. Remote

Sensing of Environment, 112, 274-285

Muukkonen, P., & Heiskanen, J. (2007). Biomass estimation over a large area

based on standwise forest inventory data and ASTER and MODIS satellite data: A

possibility to verify carbon inventories. Remote Sensing of Environment, 107, 617-

624

Næsset, E. (1997). Determination of mean tree height of forest stands using

airborne laser scanner data. ISPRS Journal of Photogrammetry and Remote

Sensing, 52, 49-56

Naesset, E., & Bjerknes, K.-O. (2001). Estimating tree heights and number of

stems in young forest stands using airborne laser scanner data. Remote Sensing of

Environment, 78, 328-340

Næsset, E., & Gobakken, T. (2008). Estimation of above- and below-ground

biomass across regions of the boreal forest zone using airborne laser. Remote

Sensing of Environment, 112, 3079-3090

Nelson, R. (2010). Model effects on GLAS-based regional estimates of forest

biomass and carbon. International Journal of Remote Sensing, 31, 1359-1372

Nelson, R., Krabill, W., & MacLean, G. (1984). Determining forest canopy

characteristics using airborne laser data. Remote Sensing of Environment, 15, 201-

212

Nelson, R., Krabill, W., & Tonelli, J. (1988). Estimating forest biomass and

volume using airborne laser data. Remote Sensing of Environment, 24, 247-267

Nelson, R., Valenti, M.A., Short, A., & Keller, C. (2003). A multiple resource

inventory of Delaware using airborne laser data. Bioscience, 35, 981-992

Page 66: EVALUACIÓN DEL USO DE LA TECNOLOGÍA LIDAR … · Diseño de un cuestionario para conocer las perspectivas de los técnicos de la región sobre la tecnología LiDAR 43 ... a nivel

62

Nyström, M., Holmgren, J., & Olsson, H. (2012). Prediction of tree biomass in

the forest–tundra ecotone using airborne laser scanning. Remote Sensing of

Environment, 123, 271-279

Packalén, P., Pitkänen, J., & Maltamo, M. (2008). Comparison of individual tree

detection and canopy height distribution approaches: a case study in Finland. In R.

Hill, J. Rosette, & J. Suárez (Eds.), 8th international conference on LiDAR

applications in forest assessment and inventory. SilviLaser. Heriot-Watt University,

Edinburgh, UK

Parker, G.G. (1995). Structure and microclimate of forest canopies. Forest

Canopies-A review of Research on a Biological Frontier (M. Lowman and N.

Nadkarni, Eds.), Academic, San Diego

Pascual, C., García-Abril, A., Cohen, W.B., & Martín-Fernández, S. (2010).

Relationship between LiDAR-derived forest canopy height and Landsat images.

International Journal of Remote Sensing, 31, 1261-1280

Patenaude, G., Hill, R.A., Milne, R., Gaveau, D.L.A., Briggs, B.B.J., & Dawson,

T.P. (2004). Quantifying forest above ground carbon content using LiDAR remote

sensing. Remote Sensing of Environment, 93, 368-380

Persson, A., Holmgren, J., & Soderman, U. (2002). Detecting and measuring

individual trees using an airborne laser scanner. Photogrammetric Engineering and

Remote Sensing, 68, 925-932

Popescu, S., Wynne, R.H., & Scrivani, J.A. (2004). Fusion of Small-Footprint

Lidar and Multispectral Data to Estimate Plot-Level Volume and Biomass in

Deciduous and Pine Forests in Virginia, USA. Forest Science, 50, 551-565

Popescu, S.C. (2007). Estimating biomass of individual pine trees using

airborne lidar. Biomass and Bioenergy, 31, 646-655

Popescu, S.C., Wynne, R.H., & Nelson, R.F. (2002). Estimating plot-level tree

heights with lidar: local filtering with a canopy-height based variable window size.

Computers and Electronics in Agriculture, 37, 71-95

Riano, D., Valladares, F., Condes, S., & Chuvieco, E. (2004). Estimation of leaf

area index and covered ground from airborne laser scanner (Lidar) in two

contrasting forests. Agricultural and Forest Meteorology, 124, 269-275

Ritchie, J.C., Evans, D.L., Jacobs, D., Everitt, J.H., & Weltz, M.A. (1993).

Measuring canopy structure with an airborne laser altimeter. Transactions of the

American Society of Agricultural Engineers, 36, 1235-1238

Saatchi, S.S., Houghton, R.A., Dos Santos Alvalá, R.C., Soares, J.V., & Yu, Y.

(2007). Distribution of aboveground live biomass in the Amazon basin. Global

Change Biology, 13, 816-837

Page 67: EVALUACIÓN DEL USO DE LA TECNOLOGÍA LIDAR … · Diseño de un cuestionario para conocer las perspectivas de los técnicos de la región sobre la tecnología LiDAR 43 ... a nivel

63

Sheng, Y. (2008). Quantifying the size of a LiDAR footprint: a set of generalized

equations. IEEE GEOSCIENCE AND REMOTE SENSING LETTERS, 5, 419-422

Stephens, P.R., Kimberley, M.O., Beets, P.N., Paul, T.S.H., Searles, N., Bell, A.,

Brack, C., & Broadley, J. (2011). Airborne scanning LiDAR in a double sampling

forest carbon inventory. Remote Sensing of Environment, 117, 348-357

Sun, G., Ranson, K.J., Guo, Z., Zhang, Z., Montesano, P., & Kimes, D. (2011).

Forest biomass mapping from lidar and radar synergies. Remote Sensing of

Environment, 115, 2906-2916

Swatantran, A., Dubayah, R., Roberts, D., Hofton, M., & Blair, J.B. (2011).

Mapping biomass and stress in the Sierra Nevada using lidar and hyperspectral data

fusion. Remote Sensing of Environment, 115, 2917-2930

Thomas, R.Q., Hurtt, G.C., Dubayah, R., & Schilz, M.H. (2008). Using lidar data

and a height-structured ecosystem model to estimate forest carbon stocks and

fluxes over mountainous terrain. Canadian Journal of Remote Sensing, 34, S351-

S363

Vain, A., Yu, X., Kaasalainen, S., & Hyyppä, J. (2010). Correcting Airborne

Laser Scanning Intensity Data for Automatic Gain Control Effect. IEEE GEOSCIENCE

AND REMOTE SENSING LETTERS, 7, 511-514. doi:510.1109/LGRS.2010.2040578

Wang, C., & Glenn, N.F. (2008). A linear regression method for tree canopy

height estimation using airborne lidar data. Canadian Journal of Remote Sensing,

34, S217-S227

Wehr, A., & Lohr, U. (1999). Airborne laser scanning—an introduction and

overview. ISPRS Journal of Photogrammetry & Remote Sensing, 54, 68-82

Yu, X., Hyyppa, J., Kaartinen, H., & Maltamo, M. (2004). Automatic detection of

harvested trees and determination of forest growth using airborne laser scanning.

Remote Sensing of Environment, 90, 451-462

Zhao, K., Popescu, S., Meng, X., & Agca, M. (2011). Characterizing forest

canopy structure with lidar composite metrics and machine learning. Remote

Sensing of Environment, 115, 1978-1996

Zimble, D.A., Evans, D.L., Carlson, G.C., Parker, R.C., Grado, S.C., & Gerard,

P.D. (2003). Characterizing vertical forest structure using small-footprint airborne

LiDAR. Remote Sensing of Environment, 87, 171-182