evaluaciÓn del uso de la tecnologÍa lidar … · diseño de un cuestionario para conocer las...
TRANSCRIPT
Mariano García Alonso
EVALUACIÓN DEL USO DE LA TECNOLOGÍA
LIDAR EN LA ESTIMACIÓN DEL
CONTENIDO DE CARBONO FORESTAL
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
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.
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.
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
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
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.
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
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
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.
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).
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
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.
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.
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:
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.
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.
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
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.
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.
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
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
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
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
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:
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
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
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
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
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
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.
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).
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:
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)
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
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
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.
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.
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
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
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.
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$/km2
Tilley et
al., 2004
41
LiDAR
aeroportado
180 km2
(USA)
388
US$/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)
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.
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.
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
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):
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
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
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
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
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
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
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
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:
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
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
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
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
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
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
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
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
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
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