Caracterización del crecimiento y producción de rodales forestales a partir de datos PNOA-LiDAR multitemporales en la provincia de Lugo

  1. Salgado, L. 1
  2. Colina, A. 1
  3. Docampo, M.L. 2
  4. López Sánchez, C.A. 3
  1. 1 Instituto de Recursos Naturales y Ordenación del Territorio, Campus de Mieres, Universidad de Oviedo
  2. 2 Departamento de Ingeniería Agroforestal, Escola Politécnica Superior de Enxeñaría, Campus de Lugo, Universidade de Santiago de Compostela
  3. 3 Departamento de Biología de Organismos y Sistemas, Escuela Politécnica de Mieres, Campus de Mieres, Universidad de Oviedo
Mostrar afiliaciones +
Revista:
Cuadernos de la Sociedad Española de Ciencias Forestales

ISSN: 1575-2410,  2386-8368

Año de publicación: 2020

Número: 46

Páginas: 231-244

Tipo: Artículo

DOI: 10.31167/CSECFV5I45.19907 DIALNET GOOGLE SCHOLAR lock_openDialnet editor

Otras publicaciones en: Cuadernos de la Sociedad Española de Ciencias Forestales

Resumen

El cálculo de volúmenes forestales es una de las aplicaciones más comunes de la teledetección para apoyar la gestión sostenible de los ecosistemas forestales. En este estudio, se utilizan datos del 4º Inventario Forestal Nacional (IFN-4) y de la 1ª y 2ª encuesta nacional de Exploración Láser Aerotransportada (ALS) para desarrollar modelos de rendimiento predictivo y estimaciones directas para las tres principales especies forestales comerciales (Eucalyptus globulus, Pinus pinaster y Pinus radiata) cultivadas en la provincia de Lugo. La integración de ambos tipos de datos requirió una armonización previa debido a las diferencias en el tiempo de adquisición de los datos y las dificultades para geolocalizar con precisión las parcelas del IFN-4. Los datos armonizados de E. globulus, P. pinaster y P. radiata se han utilizado para desarrollar modelos predictivos para determinar el volumen total con corteza (VCC) en un punto t diferente del de captura de los datos PNOA-LiDAR. Se ha calculado el incremento anual de volumen con corteza (IAVC) mediante la relación entre las variables de las parcelas IFN-4, con las métricas derivadas de los datos de PNOA-LiDAR, mediante el método de regresión lineal Random Forest (RF) y varias técnicas de aprendizaje automático. Estos datos también se utilizan para obtener valores VCC de forma directa mediante datos PNOA-LiDAR multitemporales, siendo estos últimos capturados en el tiempo t de proyección del otro método.

Referencias bibliográficas

  • Alberdi, I., Sandoval, V., Condes, S., Cañellas, I., Vallejo, R., 2016. El Inventario Forestal Nacional español, una herramienta para el conocimiento, la gestión y la conservación de los ecosistemas forestales arbolados. Revista Ecosistemas, 25(3), 88-97. https://doi.org/10.7818/ECOS.2016.25-3.10
  • Bollandsås, O. M., Gregoire, T. G., Næsset, E., Øyen, B. H., 2013. Detection of biomass change in a Norwegian mountain forest area using small footprint airborne laser scanner data. Statistical Methods & Applications, 22(1), 113-129. https://doi.org/10.1007/s10260-012-0220-5
  • Bollandsås, O. M., Ene, L. T., Gobakken, T., Næsset, E., 2017. Estimation of biomass change in montane forests in Norway along a 1200 km latitudinal gradient using airborne laser scanning: a comparison of direct and indirect prediction of change under a model-based inferential approach. Scandinavian journal of forest research, 33(2), 155-165. https://doi.org/10.1080/02827581.2017.1338354
  • Cao, L., Coops, N. C., Innes, J. L., Sheppard, S. R., Fu, L., Ruan, H., She, G., 2016. Estimation of forest biomass dynamics in subtropical forests using multi-temporal airborne LiDAR data. Remote Sensing of Environment, 178, 158-171. https://doi.org/10.1016/j.rse.2016.03.012
  • Dalponte, M., Jucker, T., Liu, S., Frizzera, L., Gianelle, D., 2019. Characterizing forest carbon dynamics using multi-temporal lidar data. Remote Sensing of Environment, 224, 412-420. https://doi.org/10.1016/j.rse.2019.02.018
  • Englhart, S., Jubanski, J., Siegert, F., 2013. Quantifying dynamics in tropical peat swamp forest biomass with multi-temporal LiDAR datasets. Remote Sensing, 5(5), 2368-2388. https://doi.org/10.3390/rs5052368
  • Fernández-Landa, A., Fernández-Moya, J., Tomé, J. L., Algeet-Abarquero, N., Guillén-Climent, M. L., Vallejo, R., Marchamalo, M., 2018. High resolution forest inventory of pure and mixed stands at regional level combining National Forest Inventory field plots, Landsat, and low density lidar. International journal of remote sensing, 39(14), 4830-4844. https://doi.org/10.1080/01431161.2018.1430406
  • Garcia-Gutierrez, J., Gonzalez-Ferreiro, E., Riquelme-Santos, J. C., Miranda, D., Dieguez-Aranda, U., Navarro-Cerrillo, R. M., 2014. Evolutionary feature selection to estimate forest stand variables using LiDAR. International Journal of Applied Earth Observation and Geoinformation, 26, 119-131. https://doi.org/10.1016/j.jag.2013.06.005
  • Gonçalves-Seco, L., González-Ferreiro, E., Diéguez-Aranda, U., Fraga-Bugallo, B., Crecente, R., Miranda, D., 2011. Assessing the attributes of high-density Eucalyptus globulus stands using airborne laser scanner data. International Journal of Remote Sensing, 32(24), 9821-9841. https://doi.org/10.1080/01431161.2011.593583
  • González-Ferreiro, E., Diéguez-Aranda, U., Miranda, D., 2012. Estimation of stand variables in Pinus radiata D. Don plantations using different LiDAR pulse densities. Forestry, 85(2), 281-292. https://doi.org/10.1093/forestry/cps002
  • Hopkinson, C., Chasmer, L., y Hall, R. J., 2008. The uncertainty in conifer plantation growth prediction from multi-temporal lidar datasets. Remote Sensing of Environment, 112(3), 1168-1180. https://doi.org/10.1016/j.rse.2007.07.020
  • Jiménez, E., Vega, J. A., Fernández-Alonso, J. M., Vega-Nieva, D., Ortiz, L., López-Serrano, P. M., López-Sánchez, C. A., 2017. Estimation of aboveground forest biomass in Galicia (NW Spain) by the combined use of LiDAR, LANDSAT ETM+ and national forest inventory data. iForest-Biogeosciences and Forestry, 10(3), 590. https://doi.org/10.3832/ifor1989-010
  • Marinelli, D., Paris, C., y Bruzzone, L., 2018. A novel approach to 3-D change detection in multitemporal LiDAR data acquired in forest areas. IEEE Transactions on Geoscience and Remote Sensing, 56(6), 3 030-3 046. https://doi.org/10.1109/TGRS.2018.2789660
  • McRoberts, R. E., Næsset, E., Gobakken, T., Bollandsås, O. M., 2015. Indirect and direct estimation of forest biomass change using forest inventory and airborne laser scanning data. Remote Sensing of Environment, 164, 36-42. https://doi.org/10.1016/j.rse.2015.02.018
  • Nilsson, M., Nordkvist, K., Jonzén, J., Lindgren, N., Axensten, P., Wallerman, J., Olsson, H. , 2016. A nationwide forest attribute map of Sweden predicted using airborne laser scanning data and field data from the National Forest Inventory. Remote Sensing of Environment, 194, 447-454. https://doi.org/10.1016/j.rse.2016.10.022
  • Novo-Fernández, A., Barrio-Anta, M. A., Recondo, C., Cámar-Obregón, A., López-Sánchez, C.A., 2019. Integration of National Forest Inventory and Nationwide Airbone Laser Scanning Data to Improve Forest Yield Predictions in North-Western Spain. Remote Sensing. 11(14), 1 693. https://doi.org/10.3390/rs11141693
  • Réjou-Méchain, M., Tymen, B., Blanc, L., Fauset, S., Feldpausch, T. R., Monteagudo, A., Chave, J., 2015. Using repeated small-footprint LiDAR acquisitions to infer spatial and temporal variations of a high-biomass Neotropical forest. Remote Sensing of Environment, 169, 93-101. https://doi.org/10.1016/j.rse.2015.08.001
  • Renslow, M., 2012. Manual of airborne topographic LiDAR. The American Society for Photogrammetry and Remote Sensing, Bethesda, 504 pp.
  • Simonson, W., Ruiz-Benito, P., Valladares, F., Coomes, D. A., 2016. Modelling above-ground carbon dynamics using multi-temporal airborne lidar: insights from a Mediterranean woodland. Biogeosciences, 13, 961-973. https://doi.org/10.5194/bg-13-961-2016
  • Tomé-Morán, J.L., Esteban Cava, J., Martín Alcón, S., Escamochero, I., Fernández-Landa, A., 2017. ForestMap, Online forest inventories using Murcia Regional Airborne LiDAR Data. XVII Congreso de la Asociación Española de Teledetección. pp. 147-150. Murcia 3-7 octubre 2017.
  • Wehr, A. & Lohr, U., 1999. Airborne laser scanning-an introduction and overview. ISPRS Journal of photogrammetry and remote sensing, 54(2-3), 68-82. https://doi.org/10.1016/S0924-2716(99)00011-8
  • Zhiwei, X., Xinghua, W., 2010. Research for information extraction based on wrapper model algorithm. In Proceedings of the Second International Conference on Computer Research and Development, HaiphongCity, Vietnam, 7-10 May 2010; pp. 652-655. https://doi.org/10.1109/ICCRD.2010.141
  • Zhao, K., Suarez, J. C., Garcia, M., Hu, T., Wang, C., Londo, A., 2018. Utility of multitemporal lidar for forest and carbon monitoring: Tree growth, biomass dynamics, and carbon flux. Remote Sensing of Environment, 204, 883-897. https://doi.org/10.1016/j.rse.2017.09.007
Fuente de los datos: Dialnet