Uso de la tecnología LiDAR para la estimación de volumen maderable y biomasa en bosques bajo manejo de Zacualtipán, Hidalgo, México

J. René Valdez Lazalde*

Alma Delia Ortiz ReyesGregorio Ángeles PérezHéctor M. de los Santos Posadas *valdez@colpos.mx

Taller Estimación de Carbono en Bosques Bajo Producción Maderable

Tipos de sensores remotos

Pasivos Activos

LandsatSPOTSentinelQuickbirdIkonos

LiDARRADAR

LiDAR - Light Detection And Ranging

2

tvd l

d: distancia (m)vl: velocidad de la luz

(300,000 km/s)t: tiempo (ns)

Dowman (2007)

- Detección y medición por Luz

Primer retorno

Último retorno

Múltiples pulsos interactúan con

varias partes de la cobertura

vegetal, el suelo u otras estructuras

Densidad de

puntos

Coordenadas geográficas

Ángulo de escaneo

Primer retorno

Segundo retorno

Último retorno

Precisión: vertical ± 15 cm (± 50)horizontal ± 50 cm (± 75)

Superficie topográfica

Geoide

Datos LiDAR: nubes de puntos sobre la superficie de la tierra

Datos LiDAR: nube de puntosDatos LiDAR: nube de puntos

1ros retornos

2dos retornos

3ros retornos

4tos retornos

McCallum et al. (2014)

DATOS LiDAR

1er retorno

2do retorno

Último retorno

Medición / Monitoreo de Bosques

Inventario forestal tradicional

Percepción remota: LiDAR

Enfoques:

Combinación de Inventario y Percepción remota

Método tradicional EM Desventajas

- Si no se muestrea el ecosistema no se tienen una estimación de la variable de interés

- El muestreo debe ser exhaustivo, lo que lo hace laborioso y costoso, particularmente en lugares de acceso difícil

- Este método no refleja la variación espacial dentro de ecosistemas o estratos

Parcela de muestreo50 Ton/ha

129 Ton/ha

??

¿Cómo se estima el inventario?

0 50 100 150 200 Ton/ha

Estudio de caso: Objetivos

GeneralEstimar y mapear variables dasométricas de un bosque templadobajo manejo, mediante la aplicación de tecnología LiDAR en lazona de Zacualtipán de los Ángeles, Hidalgo.

Particularesi) Calcular las variables área basal, volumen, biomasa y coberturaarbórea empleando datos de LiDAR.ii) Comparar la precisión de los resultados obtenidos mediante eluso de LiDAR contra los de un inventario tradicional.iii) Generar la cartografía de cada una de las variables en la zonade estudio.

Hidalgo

Área de estudio

Sitio de Monitoreo Intensivo del Carbono Atopixco, Hgo.

Sierra Madre OrientalAltitud: 2000 a 2200 m

Zacualtipán

Clima: C(fm)w”b(e)g, templado-húmedo (García,1981)Temperatura media anual 13.5 °C Precipitación 2050 mm

Vegetación: bosque de pino y bosque de pino-encino.

Pinus patula, Quercus crassifolia, Q. affinis, Q. laurina, Q. sartori, Q. excelsa, Q. xalapensis(Rzedowski y Madrigal-Sánchez, 1972).

- Colecta de Datos en campo: Alt, DAP,muestras de madera, etc.)

- Estimación de Vol, Biomasa por alometría

BIOMASA, VOL, AB

Datos de parcelas por grupo de especies,

ecosistema (Inventario)Datos Cal

Datos Val

Selección de métricas simples

o combinaciones

Modelación a nivel pixel

B = f (Métricas LiDAR)

K-nn, regresión lineal, no lineal

Aplicación de algoritmos

para mapear las

variables

Datos LiDAR

Metodología

Datos de campo

1 km

Área : 900 ha40 conglomerados160 unidades de muestreo

Torre de flujoEddy-covariance

Sitios de muestreo y de datos

Conglomerados circulares de 1 ha con unradio de 56.42 m y cuatro unidades demuestreo secundario de 400 m2.

De abril a junio de 2013 se muestreó en campo,

Se midió: diámetro normal, altura del fuste,altura del fuste limpio, radio de copa (N-S) (E-O)

Se estimó: área basal, volumen, biomasa ycobertura arbórea para cada unidad.

Modelos para estimar volumen y biomasa

Donde:V: Volumen en m3

DN: Diámetro normal COB=Cobertura arbórea estimada (m2)DC= Diámetro de copa (m)H: AlturaBT: Biomasa total en kg e: exponencial

4

2 xDCCOB

Sensor LiDAR

Fecha de adquisición Octubre 2013

LiDAR Small-footprint G-LiHT (Riegl VQ-480)

Frecuencia del pulso 300 Khz

Angulo de barrido + 15°

Densidad de puntos por pasada 6 puntos m-2. Con traslape de 50 % la densidad

aumenta hasta 100 %

Altitud de vuelo 335 m

Franja de barrido 387 m

Traslape de las líneas de vuelo 50 %

Radio del pulso 10 cm

Precisión absoluta de la medición vertical + 0.15 m en áreas abiertas planas y 0.5 m en zonas

boscosas o pendientes mayores de 20 %

Precisión absoluta de la medición

horizontal

+ 0.5 m en áreas planas y 0.75 m. en áreas con

pendiente.

Tipo Métrica

Altura/Elevación

Número total de retornos

Elevación Máxima

Elevación Media

Elevación Mediana (percentil 50)

Elevación Moda

Elevación Desviación estándar

Elevación Varianza

Elevación Coeficiente de variación

Elevación Distancia intercuantil

Elevación Skewness

Elevación Curtosis

Elevación Desviación absoluta promedio

Elevación momentos (L1, L2, L3, L4)

Altura de Percentil 1, 5, 10, 20, 25, 30, 40, 50, 60, 70, 75, 80, 90, 95 y 99

Cobertura y Densidad del dosel

Densidad de estrato

# de 1ros retornos sobre una altura específica (cobertura del dosel)

# de 1ros retornos sobre la altura media

# de todos los retornos (1ros, 2dos, 3ros, 4tos) sobre una altura específica

# de los 1ros retornos > 3 / # total de 1ros retornos * 100

# de puntos en estratoi / # total de puntos en todos los estratos * 100

# de puntos en estratoi / # total de puntos debajo del estratoi * 100

Datos LiDAR(métricas)

McGaughey (2012)

Ortiz-Reyes et al. (2015)

Datos LiDAR(métricas)

Ortiz-Reyes et al. (2015)

Datos LiDAR(métricas)

Métricas de LiDARÁrea basal

m2

Volumen

m3

Biomasa

kg

Cobertura

arbórea

m2

# total de retornos sobre 1 m 0.71 0.65 0.65 0.58

# de 1eros retornos sobre la altura de 1 m 0.71 0.60 0.59 0.62

# de 2dos retornos sobre la altura de 1 m 0.66 0.65 0.66 0.49

Altura del percentil 70 0.64 0.76 0.75

Altura del percentil 75 0.64 0.76 0.75

Porcentaje de 1eros retornos sobre 3 m 0.85 0.76 0.75 0.66

Porcentaje de todos los retornos sobre 3 m 0.83 0.74 0.75 0.69

Porcentaje de todos los retornos sobre la

altura media0.85 0.78 0.75 0.59

(Todos los retornos sobre la altura media) /

(Total de 1eros retornos) * 1000.83 0.79 0.77 0.55

Índice de penetración láser 0.78 0.67 0.68 0.71

Correlación de Pearson entre las variables forestales y métricas de LiDAR

Resultados

Modelo R2 ajustada RMSE Parámetros Estimación P

AB= A0+A1*Elevación media +A2*Elevación del percentil

70+A3*Porcentaje de todos los retornos sobre la media0.77 0.21

A0 -0.16455 0.0069A1 0.066837 0.0011A2 -0.03704 0.0231

A3 0.022009 <.0001

BIOM=A0+A1*((Todos los retornos sobre 3 m) / (Total de

primeros retornos) * 100))+A2*Elevación del percentil

50+A3* Coeficiente de variación de intensidad

0.76 1340.08

A0 2832.088 0.0004

A1 39.51389 <.0001

A2 224.1344 <.0001

A3 -10921.2 <.0001

COB=A0+A1*índice de penetración láser+ A2*Desviación absoluta de la mediana 0.53 139.71

A0 -89.5733 0.0558

A1 911.8164 <.0001

A2 22.47737 0.0136

VOL=A0+A1*((Todos los retornos sobre la altura media) /

(Total de primeros retornos) * 100))+A2* Elevación media

cuadrática+A3*Coeficiente de variación de intensidad

0.79 2.07

A0 2.812044 0.0027

A1 0.109815 <.0001

A2 0.404383 <.0001

A3 -16.6025 <.0001

Modelos de regresión lineal múltiple para la estimación de variables forestalesResultados

Comparación: Predichos vs. observados

a) área basal (m2/sitio), b) biomasa total (kg/sitio), c) cobertura arbórea (m2/sitio) y d) volumen (m3/sitio). La líneanegra muestra la relación 1 a 1.

Estimación del inventario tradicional versus otros métodos Resultados

Las variables dasométricas estimadas a partir de datos LiDAR tienen mayor precisión quelas estimaciones obtenidas mediante un inventario tradicional, con la ventaja de crearmapas que muestran su variación espacial.

Excepto para cobertura vegetal, las estimaciones del inventario basadas en datos LiDAR,con cualquiera de los métodos utilizados (RL, ER, ER), se encuentran dentro del intervalode confianza (95 %) estimado mediante el inventario forestal tradicional.

Conclusiones

Ortiz-Reyes, A.D., J.R. Valdez-Lazalde, H. M. de los Santos Posadas, G. Ángeles-Pérez, F. Paz Pellat y T. Martínez-Trinidad. 2015. Inventario y cartografía de variables del bosque con datos derivados de LiDAR: comparación de métodos. Madera y Bosques 21(3): 111-128. ISSN: 1405-0471.

Ortiz-Reyes, A.D., J.R. Valdez-Lazalde, G. Ángeles-Pérez, R. Birdsey y A. Peduzzi. 2015. LiDAR aerotransportado para el manejo de recursos forestales. In: Avances y Perspectivas de Geomática con Aplicaciones Ambientales, Agrícolas y Urbanas. Y. Fernández Ordoñez, M. Escalona Maurice y J. René Valdez Lazalde, Eds. Colegio de Postgraduados. Montecillo, Edo. de México. pp. pp. 67-89.

Torres-Vivar, J.E., J. R. Valdez-Lazalde, G. Ángeles-Pérez, H. M. de los Santos-Posadas y C. A. Aguirre-Salado. 2017. Inventario y mapeo de un bosque manejado de pino patulacon datos del sensor SPOT 6. Rev. Mex. Cien. Ftales. 8(39): 25-43. ISSN: 2007-1132.