1

La teledetección como apoyo a los inventarios forestales nacionales EFN

En EstE capítulo, aprEndErEmos lo siguiEntE:

• Unaintroducciónalosmétodosdeteledetecciónaplicadosalosinventariosforestales

• AspectosdestacadosdelascondicionesmarcoparaemplearlateledetecciónenlasEFN

• Unapresentacióndelosnuevossensores,comoLIDARyradar• Ejemplosdeaplicacionesprácticas

IntroducciónEste capítulo aborda la integración en losinventarios forestales de los datos obtenidosporteledetección.Presentaremoslasnocionesbásicasquesustentanlaincorporacióndelossistemas de teledetección a los inventariosforestalesnacionales(EFN)yseñalaremoslosaspectosmás importantes.Ofreceremos unaperspectiva general sobre varios sistemas deteledeteccióny tiposdedatos, susventajasydesventajas,asícomosudesarrollofuturo.Yahacemucho tiempoque los inventarios

forestales vienen usando datos obtenidosmediante teledetección. De hecho, losespecialistas en gestión forestal fueron, traslosmilitares,elcolectivoqueadoptólosdatosdeteledetecciónconmásahínco,comomedioauxiliarparael trabajodeelaboraciónde losinventarios. Si hablamos de teledeteccióny sus sensores, nos referimos a todos losinstrumentos aéreos y vía satélite diseñadosparalaobservacióndelaTierra,loqueabarcadesde la fotografía aérea analógica hasta losinstrumentos digitales por satélite, así comolos radaresde apertura sintética (SAR)y los

sistemas optoelectrónicos. Esta definiciónno incluye los sistemas de navegación oposicionamientoporsatélitenilossistemasdeteledetecciónterrestres,comolafotogrametríaterrestre o el láser escáner terrestre. Sinembargo, tanto los sistemas de navegacióno posicionamiento como los sistemas deteledetección terrestre ganan cada vez másimportanciaparaelmuestreoy las tareasdemedicióndeterrenosbasadasenmuestras.Enconsecuencia,nosepuedeningunearsuusoalahoradedescribirelempleodelossistemasde teledetección para las EFN.No obstante,cuandosehabladeteledetección, lamayoríade lasvecesnoserefiereaesto,yesteesunaspectoquenoseabarcaenestecapítulo.

Marco de referencia y objetivosEl uso de datos obtenidos por teledetecciónpara las EFN tiene siempre caráctercomplementario para las medicionesrealizadas sobre el terreno de acuerdo conla selección de muestras y deben integrarseenundiseño terrestrebasadoenmuestreos.

BarbaraKoch1

1 DepartmentRemoteSensingandLandscapeInformationSystems,FacultyofForestandEnvironmental Sciences,Albert-LudwigsUniversityofFreiburg

Antología de conocimiento para la evaluación de los

recursos forestales nacionales

2

Lasrazonesquesubyacenalaintegracióndedatosde teledetecciónen lasEFNpuede sermuy variado. Los principales argumentos afavordelaintegracióndelosdatosobtenidosporteledetecciónson:

• Selograunacoberturatotaldeláreaenunplazorelativamentebreve.

• Sereducelaintensidaddelmuestreoyconello, loscostes.Hayalgunosdatosdesatélitedisponiblesgratuitamente.

• Sedisponededocumentaciónvisualdelasituaciónyloscambios.

• Permitegenerardatoscartográficos.• Se puede contar con información de

áreasterrestresinaccesiblesodedifícilacceso.

• Incrementanlacapacidadnacionalparala elaboracióndemapas cartográficos,la supervisión y la producción deinformes.

• Hace posible una evaluación de lainformación más armonizada para elpaísenconjunto.

• Posibilitalarealizacióndeevaluacionesretrospectivas de los cambios(modificación de la situación desde elpasadohastahoy).

Las ventajas enumeradas han favorecidola incorporaciónde la informaciónobtenidamedianteteledetecciónalosEFN.Sinembargo,existen tambiénuna serie de inconvenientesque aún hoy frenan la completa integraciónde los datos obtenidos por teledetección enlas EFN y en los inventarios forestales engeneral. Mientras que la fotografía aérea seusa ampliamente en Europa para las EFN,en países fuera de este continente es máscomún la integraciónde losdatosobtenidosvía satélite, eso en caso de que se realicenEFN.Esto sedebe a que amenudohayquecubrir áreasmuy extensas y la obtencióndedatosdefotografíaaéreaseenfrentaabarreraslogísticasmuyconsiderables.Losprincipalesobstáculosquehayquesuperarparaintegrarlos datos obtenidos especialmente porteledetecciónvíasatéliteson:

• Disponibilidad de los datos (si esposible obtener los datos y dónde esposibleobtenerlos)

• Condicionesmeteorológicas• Perspectivas a largo plazo de los

sistemasdesatélites(silosdatossiguendisponibles durante un período detiempoprolongado)

• Problemas para la asignación clara deáreasarboladas,perotambiéndeáreassin arbolado a zonas de bosque, deacuerdoconlasrespectivasdefiniciones

• Costes adicionales que surgen alconservar el diseño del sistema demuestreoterrestreexistente

• Limitaciones para derivar el conjuntotradicionaldeparámetrosforestalesdelosdatosobtenidospormediosaéreosyvíasatélite

• Déficitdecualificacióndelpersonal• Permisosdevueloparalarecopilación

dedatosporteledetecciónaéreaTeniendo en cuenta el desarrollo de la

tecnología y el crecientenúmerode satélitesdedicadosalaobservaciónterrestreenórbitaa lo largo de los últimos 20 años, podemosasumir que los datos de teledetecciónremota obtenidos por métodos distintos dela fotografía aérea van a tener cada vezmáspesoparalasEFN.YahayunaseriedepaísesqueincorporanlosdatosdeteledetecciónvíasatélitecomopartedesusEFN.Asimismo,laEvaluacióndelosrecursosforestalesmundiales(ERF)realizadaen2010porlaOrganizaciónde las Naciones Unidas para la Agriculturay la Alimentación (FAO) ha integrado porcompleto la parte correspondiente a lateledetección. Tras probar la integraciónde la teledetección vía satélite en anterioresERF, centradas en los bosques tropicales, seconstatóque: “Losdatos satelitalespermitenrecopilar una información consistente anivelmundialqueposteriormentepuede seranalizadautilizandolosmismoscriteriosparadistintosmomentoseneltiempo,demaneraque puedan realizarse estimaciones másprecisassobreelcambio.Lateledetecciónnosustituyelanecesidaddeobtenersólidosdatos

3

decampo,peroconlacombinacióndeambosmétodosseconsiguenmejoresresultadosquelosquepuedenobtenerseutilizandocadaunode los métodos por separado” (Evaluaciónde los recursos forestales mundiales 2010).Esto ha desembocado en la integraciónglobal de los datos obtenidos por satélitepara las estimaciones de áreas forestales ysuscambios.Laaccesibilidaddelasimágenesde teledetección a través de los mapas deGoogle es un estímulo más para utilizar lainformaciónprocedentedesatéliteodatosdeteledetección aérea.Estoprovocaque seuseinformaciónbasadaen teledetecciónaunquelos mapas de Google solamente permitenemplear imágenesynopermitenprocesar lainformación de los datos de la imagen (porejemplo, para clasificar automáticamente lostiposdebosque).ElobjetivodeestecapítuloesofrecerinformaciónsobrelaintegracióndelosdatosdeteledetecciónenlasEFN,cuálesson las consideraciones que debemos tomara la hora de organizar un sistema, qué tipode datos hay disponibles y qué métodos sepuedenutilizar.

Consideraciones sobre cómo organizar y diseñar un sistema para integrar los datos de teledetección en proyectos de EFN AntesdepodertomarunadecisiónsobrequétipodedatosdeteledetecciónintegrarenlasEFN y cómo hacerlo, es vital identificar lainformación que se obtendrá a partir de losdatosdeteledetecciónyquétipodeproductoy de información queremos obtener comoresultadofinal.Eldiseñodelinventarioylosdatos que se deben recoger se determinansegún los parámetros forestales que sederivarándelosdatosysegúnlosresultadosque queramos obtener finalmente. Si debenderivarse parámetros forestales basándoseen inventarios con múltiples fases, habráque prestar mucha atención al plantearel diseño de las muestras. Por ejemplo,

si se efectúa un muestreo con datos deteledetección (por ejemplo, datos de satélitedemuyalta resolución)yesprecisocalibrarla información basada en teledetección condatos procedentes de unmuestreo terrestre,será necesario un solapamiento de lasparcelas terrestres y las muestras obtenidasporsatélite.Entodoslosinventariosforestalesqueutilizandatosdeteledetecciónremota,lainformaciónmásimportanteextraídadeellossonlasestimacionesdeláreaforestalydesuscambios. Parece sencillo y es algo que se hapuesto en práctica muchas veces. Pero esteobjetivo,relativamentesimple,yacomprendeunaseriedeconsideracionesydecisiones.Laprimeradelasdecisionesestárelacionadaconelproductofinal.¿Esimprescindibleprocedera realizar una cartografía completa, hay queadoptar un enfoque basado enmuestreos obienoptarporcombinarambasposibilidades?Enmuchoscasoslamejorsoluciónpasaporcombinarvariosmétodos,conunacoberturatotalydatosderesoluciónmediaoalta,comolos datosModis con resoluciones espacialesde 0,5 a 1 km, variante utilizada en la ERF2010 o incluso condatos de alta resolución,como los deLandsatTM, incorporados a laEFN de Finlandia. La elección entre incluirdatos de alta o media resolución dependesobretododeláreaquetengamosquecubrir,delpresupuestodisponible,delaescalaydesisedeberíaobteneralgúnotrodatoadicional.Basándoseenlosdatosdelacoberturatotal,seproduceunamáscaradelasuperficieforestalounmapadelusodelsuelocombinadoconunamáscara forestal.Aunque amenudo seusandatosdeModisyLandsatTMparamapasdecobertura total, hay varios satélitesmás quesepodríanencargardeestatarea.Unodelospuntosclavesparaelegirel tipodesensoreslavidaútildelsensordelsatélite.LaTabla1muestraunaseleccióndesensoresdesatélitesparalasupervisióndelosbosques,talycomosedescribeneneldocumentodetrabajo141delaERF(Ridder2007).EnelportaldeEOencontraráinformación

másdetalladayactualizada(https://directory.eoportal.org/index.php). Este portal ofrece

4

también información sobre las próximasmisiones de satélite. Un buen ejemploes la misión Sentinel 2 de la ESA, queproporcionarádatosgraciasasatélitesgemelosdealtaresoluciónygranamplituddebarrido,dedicadosalaobservacióndelaTierra.Estáprevistoquelamisiónestéactivaduranteunlargo período de tiempo. Se espera tambiénqueBrasilyChinalancensatélitesdelargavidaútil,quesesumaránalosyapuestosenórbitaporlaIndiaylosEE.UU.Otroaspectomuyimportante para planificar la organizacióny puesta en marcha de la integración de lateledetección en las EFN es el período derepeticióndeltipodesensores.Tieneespecialimportancia en países bajo condicionesmeteorológicasdesfavorables.Antesdetomar

unadecisiónsobreeltipodesensor,sedebenefectuar cálculos o aproximaciones paradilucidarcuáles laprobabilidaddedisfrutardeescenarioslibresdenubes,yaquepuedeserextremadamenteimportantesisenecesitanlosdatoscorrespondientesaunplazodetiempodeterminado.LaFigura1muestraunejemplodelamediadefraccióndenubosidadprevistapara lasoperacionesdeadquisicióndedatosdeLandsatETM(YuyRoy2007).En el futuro, los tipos de sensores que

ofrezcanperíodosderepeticiónrelativamentealtosseránespecialmenteútilesparalasEFN,comosecontemplaenelcasodeSentinel2.ElSentinel2volveráavisitarlosmismospuntoscada 5 días.De acuerdo con un estudio (deuna fuente desconocida) basado en datos

Tabla 1: Aptituddelossensoresdesatélitesseleccionadosparalasupervisióndeáreasforestales(fuente:Ridder2007)

5

de Landsat TM y con la simulación de unperíododerepeticióndelasvisitasde5,5días,lasprobabilidadesdeencontrarunescenariolibredenubesseincrementaríanenun30%demedia,encomparaciónconunperíododerepeticióndelasvisitasde16días.Así,conunperíododerepeticióndelasvisitasde5días,tansoloalgunasregionesdebosquestropicalesy sub-boreales seguirían presentandodificultadesparalograrescenariosdespejadosdentrodeunplazodetiemporazonable.Paraesas áreas se necesitan alternativas, comolos sensores SAR o sensores ópticos conrepeticiones diarias. Además, la época delañotambiéninfluyesobrelasprobabilidadesde encontrar un escenario sin nubes. Enlíneasgenerales,enmuchasregionessehacemásdifícil disfrutar de escenarios sinnubesdurante las estaciones de invierno y veranoqueenotoñooprimavera.Apartedelateledetecciónporsatélite,también

se puede emplear la teledetección aérea.Utilizar datos obtenidos por teledetecciónaéreaenlasEFNes,principalmente,cuestióndecostesyposibilidadesdepuestaenpráctica.Enmuchospaísesnofuncionacorrectamentelaintegracióndedatosdeteledetecciónaéreadebido a las limitaciones existentes paraconseguir permisos de vuelo. En segundolugar, dada la extensión de algunos países,no es posible conseguir una cobertura totalpormediodesistemasdeteledetecciónaérea,e inclusounmuestreo envarias fasesde losdatospormediodesistemasaéreossuponeunretologístico.

Trashaberevaluadolascondicionesgeneralesqueanteshemosmencionado,sedebeanalizarla gama de sensores entre los que podemoselegir, de acuerdo con cuatro característicasprincipales,conelfindeajustarsealmáximoalosrequisitosdeinformaciónycartografía.Lamejorsoluciónparaelegirentrelosdiferentessensoresesacudiraempresasqueseocupandevenderdatosyproductosdeinformacióncomolos que se necesitan. Sin embargo, siemprees una ventaja que el cliente sea plenamenteconscientedelacalidaddelosdistintosdatosde satélite, ya que le brinda una idea acercadequé informaciónseráposibleobtener.Losprincipalesingredientesquedefinenlacalidadde imagenqueseobtendrámásadelantesonlossiguientes:

• La resolución espacial define hastaqué nivel de detalles es posible lograruna representación cartográfica de losobjetos.

• La resolución radiométrica definela capacidad de identificar y separardiferencias en la energía reflejada.Por ejemplo, si hay dos áreas llanas,digamos de 30 por 30 m cada una, yambasreflejanlaenergíadelsoldeunaformamuy similar en la región visibledel espectro, en la imagen enblancoynegrodeunsensorconbajaresoluciónradiométricanohabrádiferencia entreambasáreas,mientrasquesíseapreciaráen la imagenofrecidapor el sensordealtaresoluciónradiométrica.

Fig. 1:FracciónmediadenubosidadparalasoperacionesdeadquisicióndedatosdeETMparacadaescenarioglobalen20020<púrpura<0,2;0,2=<azulmarino<0,3;0,3=<azulceleste<0,4;0,4=<verde<0,5;0,5=<amarillo<0,6;0,6=<naranja<0,7;0,7=<rojo<1,0.(fuente:YuyRoy2007).

Fig. 2: Ejemplosdeimágenescontamañodepíxeldiferente

pixelsize30m pixelsize10m pixelsize3mSource:Earthwatch

6

de la franja situada entre la parte visibley la cercana a los infrarrojos del espectroelectromagnético (de 400 nm a 1.100 nm).Haceañosseempleabansistemasanalógicoscon películas, mientras que hoy se utilizanmuchas más cámaras digitales montadasen aviones, que normalmente cuentan concuatrobandasespectrales,tresenelespectrovisibleyunacercanaalosinfrarrojos.Paralasfotografíasaéreasnoesaplicablelaresolucióntemporal,yaquelafechayhoradelosvuelossepuedenelegir,másomenos,conlibertad.Por lo tanto, la fotografía aérea cuenta conmayoresprobabilidadesdeobtenerdatossinelestorbodelasnubesdelossistemasópticosvía satélite, gracias a la flexibilidad paraelegir el momento de la recogida de datos.La fotografía aérea sigue teniendo un papelpredominante en los inventarios forestales,especialmente en Europa. Hay una serie depaíses en donde las decisiones sobre si unárea es forestal o no y las modificacionesde las áreas forestales se toman basándoseen fotografías aéreas. Las raíces de este usointensivode las fotografíasaéreasenEuropaseoriginaprobablementeenlalargatradiciónquetieneelempleodeestosdatos,delaaltaresolución espacial que proporcionan, de lainterrelación (a menudo muy fuerte) entrelos institutos cartográficos que producenlas fotografías aéreas y la administraciónforestal, de los costes relativamente altosque conllevan los datos vía satélite de altaresolución(siguensinpodercompetirconloscostesdelasfotografíasaéreas)ydelamayorprobabilidad que tiene este método paralogrardatosdeláreadeseadasinlapresenciade nubes dentro de cierto plazo de tiempo.Otros factores adicionales que favorecen lafotografía aérea en Europa son la facilidadpara conseguir permisos de vuelo y lasunidadesdeterrenoquesedebencartografiar,relativamente pequeñas si las comparamosconotrasregionescomolosEstadosUnidosoSudamérica.Lanuevageneracióndefotografíadigitalaéreaseguramenteimpulsaráelavancedel uso complementario de la fotografíaaérea en combinación con las mediciones

Fig. 4:DiferentescanalesespectralesdeLandsatTM(deB2aB4)

• La resolución espectral identifica encuántas regiones espectrales distintaspuede medir el sensor la energíareflejada. Por ejemplo, para uncompuestodecolores,elsensordebesercapazdemedirlaenergíareflejadaenalmenos3regiones(canales)espectralesdistintas.

• Laresolucióntemporaldefinelatasaderepeticiones de la visita del satélite, esdecir,quéperíododetiemponecesitaráelsatéliteparacontarconlaposibilidadderecopilarlosdatosdeunamismaárea;puedeserdiaria,semanal,mensual,etc.

Sistemas de sensores ópticosLa incorporación a las EFN de los datosobtenidos por teledetección está relacionadamayoritariamente con sistemas ópticos. Lafotografía aérea ostenta una larga tradicióncomofuentedeinformacióndeapoyoparalasEFN,al igualquesucedecon los inventariosdeempresa.Deacuerdoconlascaracterísticasprincipales que hemos enumerado antes,las fotografías aéreas se caracterizan portener una resolución espacialmuy alta, unaalta resolución radiométrica y porque susensibilidad espectral se sitúa por encima

Fig. 3:Resoluciónradiométricade1yde8bits(fuente:desconocida)

1bitgreylevelimage 8bitgreylevelimage

7

terrestres,graciasasusmejorescaracterísticasespectrales y radiométricas, así como a lasposibilidadesmásampliasqueofrecenparaelprocesamientodedatos.LasinvestigacionesdeHoffmann(2010)pusieronderelievequeeraposible evaluar ciertos parámetros forestalesdeimportancia(comolasespeciesdeárbolesprincipales, los espacios rasos y los daños)basándose en fotografías aéreas digitalesde infrarrojos. La información potencial delas fotografías aéreas en estéreo, la altura,normalmente no se utiliza para derivar ocalcularmáspropiedadesdelbosque,comoelvolumendemaderaolabiomasasuperficial.biomasasuperficial.Hayvariospaísesdondelas fotografías aéreas son el único tipo dedatos de teledetección que se aplica en lasEFN. Un ejemplo del aprovechamiento delasfotografíasaéreasdentrodelasEFNeselmuestreoendosfasesparareducirelnúmerodeparcelasdelmuestreoterrestresinperderinformaciónniprecisión(porejemplo,Suiza).EnmuchospaísesfueradeEuropaytambién

en algunos europeos se emplean los datosópticosobtenidosvíasatélitecomofuentededatosadicionalesparalasEFN.Engeneral,serecurreasatélitesdealtaresolucióncomoelLandsatTM,peronoa satélitesdemuyaltaresolución. Los satélites Landsat son, conmucho,losmásusados.Sedebeesencialmentea los bajos costes y al largo ciclode vidadela serie de satélites Landsat. En términosgenerales, se utilizan datos de satélite pararealizarcartografíascompletas,comoelcasodel inventario finlandés, pero también seemplean para elaborar mapas basados enmuestreos. Si nos detenemos a observar lascuatrocaracterísticasdistintasdelossensoresque hay que analizar antes de decidirse porun tipode sensorparticular, adíadehoyelrequisito más problemático es la resolucióntemporaldelossatélitesdisponibles,mientrasque los niveles de resolución espacial,radiométricayespectralsonadecuadosparaunaseriedesatélites(comoLandsatTM,Spoto IRS) con los que realizar los inventariosforestales. La resolución temporal es vitalpara los inventarios, ya que las regiones

boscosas principales se hallan en lugarescon una presencia relativamente alta denubosidad. Un estudio interno del DLR(CentroAeroespacialAlemán)demostróquecomomediasonnecesarios5añosparacubrirtodalasuperficiedeAlemaniaconescenassinnubosidadobtenidasatravésdeLandsatTM.Por lo tanto, es crucial dar la consideraciónque merece a la resolución temporal, quemejorará la disponibilidad de los datos. Ensegundo lugar, los costes influirán en granmedidasobreeltipodedatosdeteledetecciónque se puedan integrar en las EFN. Cuantomás alta sea la resolución, más difícil serálograr una cobertura total de un área degrandesdimensionesymáscaro.LaFigura5enseñalarelaciónentrelasáreasdecoberturaylasescenasobtenidaspordistintossensores.No es factible realizar una cartografía

completaparaunaEFNconsatélitesdemuyalta resolución, debido a los costes y a lasdificultadesqueconllevalograrunacoberturatotal dentro de un plazo razonable. Sinembargo, la cartografía completa resultaútilparatodotipodeestratificaciónyparadecidirsiunáreaesforestalono(Öhmichen2007).Las investigaciones de McRoberts (2002)y Dees y Koch (1997) demuestran que unaestratificacióndeláreaforestalbasadaendatosópticosdeteledetecciónvíasatélitemejoralaprecisióndeloscálculosopermitereducirelnúmerodeparcelasdelmuestreo sinperderprecisión. Para aplicar la estratificación, haydosmodosdeabordarla:lapre-estratificaciónolapost-estratificación.

Fig. 5: Relacióndelasáreascubiertaspordistintossensores

8

Mientras que la pre-estratificación influyesobre el diseño de las parcelas demuestreo,la post-estratificación permite mantener sinmodificar el diseño existente de las parcelasmuestreadas.Laintegracióndelosdatosdeteledetección

seasientaenmuchoscasossobreunenfoquecon varias fases. En este caso, por ejemplo,la clasificación de un área como forestal ono forestal se basa en datos de resoluciónmedia,mientrasqueenuna segunda fase setomarían como muestreos datos de satélitede alta resolución, de muy alta resolucióno fotografías aéreas. Los datos usados conel muestreo varían y van de datos de muyalta resolución a datos de satélite de altaresolución o fotografías aéreas. La seleccióndel tipodedatosdepende sobre todode losparámetrosforestalesqueseobtengandelosdatos recopilados por teledetección. Si hayquecartografiarlascondicionesforestales,lasespeciesarbóreaso laestructuradelbosque,habráqueacudiralafotografíaaéreaoalosdatos vía satélite con resoluciones espacial,espectralyradiométricamuyaltas.Se han desarrollado una serie de

investigaciones para estimar el volumende madera y la biomasa superficial a partirde regresiones basadas en datos ópticos.Existen correlaciones entre la señal reflejaday el volumen de madera, así como entre labiomasa superficial y algunos otros índicesen la franja cercana a los infrarrojos y enlos infrarrojosdeondacorta.Con todo,hayque mencionar que la varianza es muy altay que cuanto mayores sean el volumen demaderaylabiomasasuperficialdeunbosque,menor será la correlación, que se pierdeen el caso de trabajar con bosques densoscaracterizados por los altos volúmenes demaderaydebiomasasuperficial.Sinembargo,especialmente para la modelización delsecuestrodeCO2,losdatosdeteledeteccióntendránunagranimportanciaenelfuturo,yaque la teledetección es la única herramientaque puede ofrecer información sobre lascondicionesdelosbosquesyeláreaforestalanivelglobal.Lasprimeraslíneasmaestrassobre

lasposibilidadesdeemplearlosdatosópticosde los satélitesparamodelizar lafijacióndelCO2 se describen en el libro GOFC-Gold(2009). En el futuro, en las EFN tambiénganará peso e importancia la informaciónsobre biodiversidad. Si se cartografía labiodiversidad,esprecisoconsiderardostiposdistintos de biodiversidad: estructural y deespecies.Lateledetecciónpuedeproporcionarinformación para ambas categorías a nivelde paisaje. La identificación de especies condatosdeteledetecciónselimitaalasespeciesarbóreas o los tipos de bosques. Mientrasque la identificaciónde lasespeciesarbóreasse basa principalmente en fotografías aéreascercanas al infrarrojo, la identificación delos tiposdebosquessepuedeconseguircondatos de satélite multiespectrales de altao muy alta resolución. Sin embargo, hayqueprestar atenciónalhechodeque, en lasfotografías aéreas y también en los datos desatélite, la identificación tiene limitaciones.Además de las similitudes espectrales entreciertasespeciesdeárboles,laslimitacionessedebenalaedaddelosárboles(laspropiedadesespectrales de un árbol pueden modificarsedrásticamente a medida que envejece), alpatrónde lamezclade las especies arbóreasy a las condiciones de los árboles. Esta esla razón por la que, en áreas tropicales ysubtropicales con una mezcla de un grannúmero de especies arbóreas, a menudo noesposiblelaidentificacióndeltipodebosque.Además,hayqueconsiderarquelaexposicióndelasáreasforestalesvaría,loqueincrementael problema de identificar especies o tiposdebosques.Ningúnalgoritmodecorrecciónpuedesolucionarelproblemaquesuponenlasdiferenciasdebidasaladistintaexposiciónalsol.Apesardetodo,conunbuentratamientode los datos es posible lograr resultadosrazonables. Las investigaciones demuestranque el reconocimiento del tipo de bosquey de las especies se puede mejorar con ladisponibilidad de los datos hiperespectrales.Engeneralesmásfácilaccederaladiversidadestructural con datos de teledetección. Sepuede cartografiar particularmente bien la

9

diversidad estructural horizontal, e inclusomejor que con mediciones terrestres. Laprincipal influencia sobre la calidad delos resultados deriva de que haya unacorrespondencia entre resolución espacialy la escala de cartografía solicitada para lasestructuras(Figura6).Las investigaciones de FeLis1 han

demostradoque,basándoseenlainformaciónestructural y sobre tipos de bosque extraídade los datos de Landsat TM e IRS-1D sí esposible modelizar estructuras de hábitat deespeciesdeaves.Basándoseenlosvaloresengrisy en los índicesderivadosdevalores engris de Landsat TM y de IRS-1D se detectóque lapruebadebondaddel ajuste eramuysignificativa (Hosmer y Lemeshow 2000)para obtener un modelo logístico finalcorrespondiente que predijese la ausencia olapresenciadedeterminadasespeciesdeavesdeterminada(C=4,2610,P>Chi-Sq=0,8328)(Herrera2003).Esto indicaque lapresenciay ausencia de aves mantiene una fuertecorrelación con las covariables de valoresgrises incluidas en elmodelo. La estadística

1 DepartamentodeTeledetecciónySistemasdeInformaciónGeográfica,UniversidaddeFriburgo,Alemania

dec indicaqueel92,9%de laprobabilidaddequeocurralapresenciadeunaespeciedeave viene determinada por las covariablesenumeradas.Investigaciones de Ivits et al. (2004)

demostraron también que los índices demanchaforestalylosvaloresengrisalcanzabanresultadossimilaresalpredecirlapresenciadeespeciesdeaves.Laregresiónlogísticaestabadotadadeungranpotencialdeprediccióndelas variables de teledetección (Figura 7). Alparecer, los índices de teledetección puedenservir como indicadores muy útiles de ladiversidaddeespeciesdeavescuandoéstassetratanporseparado,mientrasqueseacercana sus límites si se clasifican las especiesagrupándolas.

Fig. 6: SegmentacióndeáreaforestalbasadaenimágenesfusionadasdeIRS-1DyLandsatTM(fuente:Ivitsetal.2004)

Ordinary Kriging surface of values predicted from patch

indices

6

4

2

1

3

5

Ordinary Kriging surface of values predicted from grey

values

6

4

2

1

3

5

Ordinary Kriging surface calculated from observed

values

6

4

2

1

3

5

Fig. 7: Ejemplodesuperficiedekrigeajeordinariaespacialderesultadosderegresiónlogística;losdatosobservadosylosvaloresprevistosderivadosdelosvaloresdegrisesylosíndicesdemanchaforestaldelaimagenQuickbirdseañadieronalmodelo;lasuperficiemásoscuraindicaunaaltaprobabilidaddepresencia,mientrasquelasuperficiemásclaraindicalaaltaprobabilidaddeausenciadelasespecies.

10

de láser escáner y SAR Datos de SARSi bien podemos asumir que los datos deteledetecciónóptica ganarán en importanciaenlasEFNfuturas,laaplicacióndelosdatosde SARprobablemente siga siendo limitada.Estosedebealagrancomplejidadqueentrañael procesamiento de los datos del radar y alas limitaciones que se encuentran en áreasmontañosas. La ventaja más importantede los datos de radar es que se transmitena travésde lacapadenubes,con loquesonbastante independientes de las condicionesmeteorológicas.ConlosdatosdelabandaLsepuedeevaluarbastantebien ladecisiónparaclasificar una superficie como forestal o noforestalyportanto,loscambiosdelacubiertaforestal (Häme et al. 2009), incluso conprocedimientos de clasificación automática.TambiénesposiblerepresentaráreasforestalesmedianteimágenescondatosdelasbandasCyX(Figura8).Noobstante,lasáreasmontañosaspresentan

grandes limitacionesdebidoa losproblemasgeométricos y radiométricos que acarreanpara los datos. A pesar incluso de la gamade algoritmos de corrección disponibles,la sombra del radar y las diferencias en laintensidad de la retrodifusión debidas alángulo de incidencia no pueden corregirseporcompleto.Estolimitaelusodelosdatosderadaren lasEFNinclusopara la tomade

decisiones de clasificación de áreas comoforestales o no forestales. Es difícil extraerparámetrosforestalesdelosdatosdelradarylosresultadosnosonconsistentes.Síexistenmodelos y algoritmos, pero se encuentranmás bien en fase de investigación, y aúnnohemos alcanzado un estadio de desarrolloquehagaprácticasuintegraciónenlasEFN.Sehatrabajadomuchoparautilizarlosdatosde radar para evaluar la biomasa superficial(Koch 2010), pero los estudios no estabanbasados en ensayos firmes y solamente sonválidosparauna situaciónde área forestal yadquisicióndedatosespecífica.Laevaluacióndelabiomasasuperficialpormediodedatosderadarestárestringidaporlasaturaciónquese produce en las áreas forestales con altosniveles de volumen de madera o biomasasuperficial.Apesardetodo,enelcasodeáreasforestales cuya biomasa superficial es baja,comolasregionesborealesosub-boreales,síesposibleobtenermedicionesfiables.Comoresumen podemos decir que los datos deradar son bastante útiles y válidos para laintegraciónenlasEFN,siempreycuandosecumplan ciertas condiciones ambientales,como trabajar sobre un área llana o conrelieve suave, caracterizada por un volumende biomasa superficial relativamente bajorespectoalvolumendemadera.Sinembargo,hayvariosproyectosdeinvestigaciónnuevosque apuntan a que se puede esquivar elproblema de la saturación, si bien por elmomento se sigue investigando en ello.Nga(2010)informadequelosdatosdelasbandasL yP conpolarización cruzada son losmássensibles a la biomasa superficial, como yaotrosafirmaronanteriormente(LeToan1992,Kurvonen 1999). Especialmente la banda Pconpolarizacióncruzadapodríaaportarunacontribuciónsustancialalamodelizacióndelabiomasasuperficial(HendersonyLewis1998).Estosedebealhechodequelaretrodifusióndepolarizacióncruzadade lasbandasLyPestárelacionadaconladifusióndelvolumen,que tiene una correlación con la biomasasuperficial.Sepuedelimitarelproblemaquesuponelasaturaciónsiseutilizanlongitudes

Fig. 8: ImagendelnortedeMúnichconlacodificacióndecoloresdeTerraSAR.Datosadquiridosel26dejunioyel7dejuliode2007,5:26UTC,resolución:3m,modo:StripMap,polarización:VVyHH(fuente:DLR,Alemania)

11

deondamayores,perosegúnlapublicacióndeNga (2020), continuará siendo problemáticaparalosbosquescuyabiomasasuperficialseasuperiora200-250Mg/ha.Hastadondeyosé,noesposiblepracticarlaidentificacióndelasespeciesarbóreasotiposdebosque.Nisiquieraesmuyfiable laseparaciónentrebosquesdeconíferas y caducifolias o de hoja ancha. Sitomamos en consideración las limitacionesde los datos de radar y la complejidad queentraña su procesamiento, así como la faltadeseriesdedatosdeobservacióndelatierracorrespondientesa lasbandasPyLduranteperíodos largos de tiempo, parece que laintegración de esta modalidad de datos enlas EFN es difícil.Noobstante, sí es posibleemplear sistemas aéreos, aunque es bastantecaroynohaymuchosproveedorescomercialesqueofrezcanestetipodedatosparaintegrarlosdatosderadaraéreoenlasEFN.

Datos de láserEl uso de datos obtenidos con tecnologíaslásereninventariosforestalessehadisparadodurante los últimos años. Lamayoría de losproyectos siguen en fase de investigación,pero podrían demostrar su gran valía paralas aplicaciones prácticas en inventariosforestales.(Næsset,E.,2004,McRoberts2010).Elusodedatosrecogidosporláseraéreo(ALS,deAirborneLaserScanner)paraaplicacionesforestales constituye, probablemente, lamayor innovación en la teledetección parainventariosforestalesde laúltimadécada.Elgigantesco potencial de los datos deALS secimenta,fundamentalmente,enlaposibilidadde modelar la superficie forestal y su sueloa partir de un conjunto de datos. Ademáses posible evaluar las estructuras forestalesverticales. La extracción de informaciónprecisa sobre la altura correspondiente alos bosques ya permite modelizar variosparámetros forestales importantes. La alturaes casi igual de adecuada que el diámetronormal(dap,diámetroalaalturadelpecho)como variable para modelizar parámetrosforestales importantes, como el volumen demaderaylabiomasasuperficial.Apartirdela

alturasepuedenevaluartantoeldapcomoladistribucióndeldap,datosmuy importantespara los gestores forestales. Existen dosmaneras de abordar la modelización de losparámetros forestales.Laprimeraesadoptarun enfoque basado en el área, que puedetrabajar con datos de baja densidad (Figura9), mientras que la segunda es un enfoquebasado en un solo espécimen de árbol, queprecisa de datos de alta densidad, con 8-10puntosporm²paralograrbuenosresultados.Existen muchas investigaciones acerca deesteaspecto,Hyyppäetal.(2009)ofreceunaperspectiva completa de cuál es el estadodelusodedatosALSpara la elaboracióndeinventariosforestales.Lasaproximacionesbasadasenáreaspuedenrealizarse como análisis de regresión, comoanálisisk-NNobienpormediodemétodosde tablas de rendimiento. Esto se describedetalladamente en Straub et al. 2009. LasinvestigacionesdeLatifietal.(2010)desvelanque emplear información derivada detecnologías láser para calcular parámetrosforestales importantes como son el volumendemaderaylabiomasasuperficialdamejoresresultados que usar datos de Landsat TM ytambiéndelasfotografíasaéreas(Tabla2).Además de estimaciones precisas del

volumendemaderaylabiomasasuperficial,hay muchos otros parámetros que cada vezson más relevantes para las EFN, como ladensidaddecopadelbosqueoparámetrosdelaestructuradelbosquecomoindicadoresdelabiodiversidadforestal,quesepuedencalculary así obtener resultados de alta calidad conel enfoquebasadoenáreasapartirdedatosobtenidosporláser.Loqueadíadehoyesmuydifícilesidentificarsonlasespeciesdeárboles

Fig. 9: Esquemadeunaaproximaciónquetomacomobaseunáreaparacalcularparámetrosforestales

12

otiposdebosque.Sibienesposiblesepararlasconíferasdelascaducifolias(oárbolesdehojaancha)condistintosmétodos,laidentificaciónmás detallada de especies arbóreas o tiposde bosques con datos obtenidos por lásernoesnadafácildeconseguir.Aunquesíhayvarias investigaciones conbuenos resultados(Heinzel y Koch 2011, Vauhkonen et al.2010,Hollaus et al. 2009,Höfle et al. 2008)utilizando información física y geométricaprocedente de sistemas láser aéreos para laidentificación de árboles. Los resultados noestánpreparadosparasuaplicaciónoperativaen una EFN. Durante los últimos años, elenfoquebasadoenunúnicoárbol seha idohaciendo más y más interesante para losinventariosforestales.Lasinvestigacioneshanmostradoque la integraciónde informaciónbasada en muestreos de un único árbol esespecialmentenecesariaenelcasodebosquesmaduros para una mejor gestión, así comopara la planificación de las talas y de laproteccióndelanaturaleza.Delimitaryelegirunsoloárbolestodounretoylacalidaddelosresultadosquese logrendependeráde lacalidadde losdatos,de los tiposdebosquesy de los algoritmos aplicados. Un grupo deinvestigadoresharealizadounacomparaciónentrealgoritmoscondistintostiposdebosques,dentrodelmarcodelproyectoWoodWisdom(Fig.10)(Vauhkonenetal.2010).Sibienlosdistintosalgoritmossecomportarondeforma

similar,singrandesdisparidades,elprincipalproblemaeraeltipodeplantación.Enelcasodebosquesde coníferas la tasadedeteccióneramuchomejorqueparalosbosquesdehojaanchaconmúltiplesvariedadesSolamenteesposibleintegrardatosdeláser

enlasEFNrealizandouninventariodevariasfases, elaborado sobre labasedeparcelasdemuestreo, debido al hecho de que los lásersonsistemasaéreos.Elúnicosistemabasadoen satélites IceSat/Glas que hay está fuerade servicio y los datos solamente fueronútiles para investigación. Únicamente estaráoperativo, dentro de unos años, un sistemade satélites basado en LIDAR cuya entradaenservicioestáyaplanificada.Esto limita laaplicacióndelaobtencióndedatosporláserpara lospaísesmásextensos.Porotraparte,enelmarcodeuninventarioconvariasfases,los datos obtenidos mediante láser puedenofrecer información muy valiosa sobremultituddeparámetrosforestalesanalizadosdurantelosestudiosdelasEFN.Elusodedatosmuestreados basados en LIDAR reduciráel número de parcelas demuestreo terrestrey/o el nivel de precisión. La informaciónque aportan estos datos es, comparada conotros datos obtenidos por teledetección,probablemente la mejor respecto a losparámetrosforestales.Sinembargo,losdatossiguen sin estar estandarizados y resultanmás caros que la fotografía aérea, lo que

Tabla 2:Errorcuadráticomediodelniveldelaparcela,%deerrorcuadráticomedioy%desesgocorrespondientesalos

datosdeimágenesinfrarrojasencolor(CIR),LandsatTMyLIDARparaelvolumendemaderaenpieylabiomasasuperficialendistintosmétodosdeimputación(fuente:Latifietal2010)

13

supone una preocupación importante parala integración de los datos de LIDAR enlas EFN a día de hoy. En muchos países,además,laaplicacióndeLIDAResdificultosadebido a que no se cuenta con proveedorescomerciales y los vuelos están restringidos.Otroinconvenienteadicionaldeprimerordeneslapobreinformaciónacercadelasespeciesarbóreas.Porlotanto,esnecesarioinvestigarmás en la aplicaciónde las tecnologías láserpara los enfoques que incluyan varios tiposdesensoresenunamismaplataforma,comosistemas láser combinados con escáneresmultiespectrales o sistemas LIDAR delongitudesdeondamúltiplesquetrabajencontreslongitudesdeondadistintas.Paraseguiravanzandoenestecampotambiénesprecisoinvestigarcómolograrunamejorexplotacióndelainformaciónfísicaylainformacióndelaondacompleta,comolaintensidad.

Procesamiento de la informaciónLa explotación de la información obtenidaa partir de los datos de teledetección puedevariar mucho. En muchas aplicacionesprácticas, la mejor forma de extraer lainformación necesaria es la interpretación

visualdelasimágenes.DentrodelaevaluaciónERF 2010 así como de la iniciativa REDD,la interpretación de imágenes se usa paraidentificar las áreas forestales, sus cambiosyla degradación de los bosques. Ahora bien,la interpretación es costosa y subjetiva. Losresultados dependen en gran medida de laformación de los intérpretes y son difícilesde comparar. La subjetividad comienza yacon la propia clasificación del área forestal,puestoque ladelimitaciónde la fronteradelbosquenosiempreesobviaparaelintérprete.Sinembargo,hayquetenerencuentaquelaevaluación terrestre también es subjetiva enmuchoscasos.Principalmentepormotivosdeeficienciay

por una mejor estandarización del proceso,se prefieren algoritmos de entrenamientomecánico para la clasificación. Tal vez losresultados no sean más correctos que lainterpretación, pero sí son transparentes.Hay una serie de clasificadores distintos,perfectamente conocidos. Distancia mínima, Probabilidad máxima y Red neuronal artificial son los clasificadoresque se usan desde hace muchos años. Elmétodo más sencillo es el de la Distanciamínima,quecalculalasdistanciasmáscortasde los vectores espectrales en el espacio

Fig. 10:A-BosquedeconíferasenAlemaniayB-BosquedecaducifoliasconmúltiplesvariedadesenAlemania.Losnúmerosdel1al6representanlosdistintosalgoritmos.

14

multidimensional,deacuerdoconlamediadelas clasesdeentrenamiento.LaProbabilidadmáxima calcula la probabilidad estadística(bayesiana)dequeunpíxelpertenezcaaunaclase,basándoseenlosvectoresdemediaylascovarianzas de las clases de entrenamiento.Aquí se asume una distribución gaussiana,asícomolaequiprobabilidadparacadaclasequeseforme(NASA2010).Laasuncióndeladistribucióngaussianadelosvaloresengris,amenudo,noseajustaalarealidad.Lasredesneuronales artificiales no son demasiadoprácticas; el motivo es que este clasificadorexigeunusointensivodelainformáticayaúnno ha dejado patente su superioridad. Losalgoritmosdelasredesneuronalesartificialesimitan la estructura neuronal del cerebro.Empiezanconunconjuntodedatosdeentradayaprendenalcompararlasclasificacionesconla clasificación real conocida. Los resultadossondevueltosalaredyseusanparamodificarelalgoritmodelamisma(Zhangetal2000)entantasiteracionescomoseapreciso.Enlosaños90losalgoritmosdeclasificación

orientada a objetos (Lillesand et al. 2008)cobraron cada vezmás interés. En este casose aborda la clasificaciónendos fases.En laprimera fase se ejecuta una segmentación,basadaprincipalmenteenlaspropiedadesdereflectividad(color),texturayforma.Tambiénsepuedentenerencuentaelpatrónyelcontexto.Todoestosedesarrollacomounaclasificaciónjerárquica,deestaformacadaclasesepuededescribirasuescalaóptima.Enunasegundafase, se clasifican los segmentos.Enmuchoscasos se utiliza el clasificador Vecino más próximo (McRoberts2011),queseparecealclasificadorDistanciamínima.Mientras queel clasificador Vecino más próximo se basaendistanciasespectralesmultidimensionales,el Clasificador difuso es otra opción. Esteclasificador trata de considerar el problemade los píxeles mezclados. Esto implica queparacadapíxelsecalculaunafuncióncomoparticipante y se obtiene la probabilidad dequepertenezcaaunauotraclase(Nedeljkovic2004).Elsoftwaremásdestacadoadíadehoypara la clasificación orientada a objetos es

eCognition. Los clasificadores Máquina de soporte vectorial y Bosques aleatorios sonrelativamente nuevos. Ambos clasificadoressehallanadíadehoyenelcentrodeatenciónde la comunidad científica. Con ambosclasificadores se obtienen buenos resultadosen clasificaciones de terrenos forestales yde usos del suelo. Lasmáquinas de vectoresde soporte (SVM) han demostrado quepuedenmanejar espacios con gran cantidadde información y rasgos y discriminacionesentre clases complejas mejor que otrosmétodos (Heinzel et al. 2010, Mountrakiset al. 2011). La clasificaciónde SVMes unatécnicadeaprendizajeestadísticosupervisadoy no paramétrico, que no requiere ningunaasunciónsobreladistribuciónsubyacentedelosdatos.Heaquílaprincipalventajadeesteclasificador.LaSVMsiempreserelacionaconuna separación en dos clases dentro de unespaciodecaracterísticasmultidimensionales.Las separaciones multiclase son posibles aldividirse enproblemasdedos clases, que secombinan de ciertas formas. El clasificadorSVM tiene por objetivo encontrar unhiperplano con un método iterativo, dondelos errores de clasificación se reduzcanal mínimo utilizando los ejemplos deentrenamiento. La clasificación de Bosquesaleatoriossebasaenmuchosárbolessobrelosquesetomandecisionesindividuales.Setratadeunalgoritmodeaprendizaje supervisado,que puede trabajar con un gran númerode atributos y funciona correctamente congrandesconjuntosdedatos.Esindependientedelnúmerodeatributosyseencargadequeel clasificador no padezca sobreajustes. Enmuchasclasificacioneshaofrecidoresultadosdealtaprecisión(KlassenyPaturi2010),Latifietal.(2010)ytambiénhadejadopatentequeelclasificadorBosquesaleatoriossecomportamejor que los sistemas SVM a la hora declasificar atributos forestales. Su ventajaes que durante el procesamiento se lleva acabo una evaluación de las clasificaciones.El clasificador Bosques aleatorios tomamuestras “bootstraps” para remuestreo, queno son sinomuestras del conjunto de datos

15

de entrenamiento. Genera clasificaciones deárbolesparalelasyencadanodoseleccionaunmuestreoaleatoriodevariables.Eligeytrabajaconlaramamásfavorable,mientraselárbolcrecehastaalcanzarsumáximatallaposible.Elárbolconlamenortasadeerrorseeligeacontinuacióncomoelclasificadormásfuerte.Ademásdelosclasificadoresyamencionados

antes, el estimador no paramétrico Vecino más próximo k (k-NN) es unmétodomuyeficaz que se puede usar para los datos deteledetecciónencombinaciónconparcelasdemuestreosisedeseaobtenerunainformaciónconcobertura total.Elmétodok-NNseusaenlaEFNdeFinlandia,conbuenosresultados(Tomppo 2002). Este método se basa en laregresión entre características espectralesde píxeles de imágenes sobre áreas conmedicionesde campoypíxeles de imágenessin mediciones de campo. Basado en lasmediciones de distancias de Mahalnobis oeuclidianas de números k de Vecinos máspróximos, a los píxeles sin datos de campose les asignará la información de campode aquellos píxeles con los que mejor secorrespondan.Deestaforma,lainformaciónde las mediciones de campo se transfiere alasáreasquecarecendedatosdecampo.Enel campode la silvicultura, elmétodok-NNhapermitidodesarrollarungrannúmerodeinvestigacionescondistintostiposdesensores.Ha demostrado ser unmétodo útil, pero eltipodedatosyeltipodebosquestendránunagraninfluenciasobrelosresultados(Latifietal.2011).

Observaciones finalesEl autor no pretende que esta breveperspectiva panorámica abarque todos losdetalles del uso de la teledetección parala elaboración de inventarios forestalesnacionales. La intención era ofrecer unrecorrido condensado sobre los puntosmásimportantes, de acuerdo con la experienciapersonal.Laautoranoproporcionaningunainformación sobre diseño de muestreos, yaque hay otros autores que tratan este tema,personasconunaexperienciamásespecífica

enesecampo.Si sequiereprofundizaren lateledetección, recomendamos las obras quefiguranacontinuación.

GlosarioALS Láserescáneraéreo(Aerial

LaserScanner)DAP DiámetroalaalturadelpechoCIR ColorinfrarrojoESA AgenciaEspacialEuropea

(EuropeanSpaceAgency)FAO OrganizacióndelasNaciones

UnidasparalaAgriculturayla Alimentación(Food andAgricultureOrganisation)

ERF Evaluacióndelosrecursos forestales

GOFCGold GlobalObservationforForest

andLandCover Dynamics

IRS 1D Satélitedeteledetecciónindio (IndianRemoteSensing)

k-NN ClasificadorVecinomás próximok(kNearest

Neighbor)Landsat ETM Mapeadortemáticoavanzado

delsatéliteLandsat(Enhanced ThematicMapper)

Landsat TM Mapeadortemáticodel

satéliteLandsat(Landsat ThematicMapper)

Modis Espectroradiómetrode imágenesconresolución moderada

EFN EvaluaciónForestalNacionalREDD Programadereduccióndelas

emisionesproducidasporla degradaciónforestal ennacionesenvíasde desarrollo(Reducing

EmissionsfromDeforestation andForestDegradationin DevelopingCountries)

RMSE Errorcuadráticomedio(Root MeanSquareError)

16

SAR Radardeaperturasintética (SyntheticApertureRadar)

SVM Máquinadesoportevectorial (SupportVectorMachine)

BibliografíaDees, M.and Koch, B., (1997):PoststratifizierungbeiKlumpenstichprobendesignzurNutzungvonFern-erkundungundGISbeiWaldinventuren.In:Pelz,D.R.(Hrsg):SammlungvonBeiträgenausder10.JahrestagungderSektionForstlicheBiometrieundAngewandteInformatikdesDeutschenVerbandesForstlicherForschungsanstalten,24-26Sept.1997inFreiburgBr.

Forest Resource Assessment 2010, MainReport,FAOForestryPaper163,Rom2010,p.340.

GOFC-GOLD,Sourcebook–ReducingGreenhouseGasEmissionsfromDeforestationandDegradationinDevelopingCountries:ASourcebookofMethodsandProceduresforMonitoring,MeasuringandReporting.2009,p.108.ourcebookGOFC-Gold

Häme, T., Rauste, Y., Sirro, L., Stach, N.,2009.ForestcovermappinginFrenchGuianasince1992usingsatelliteradarimagery,ProceedingsofISRSE33Sym-posium.Stresa,Italia,4-9May2009.

Heinzel, J. and Koch, B.,2011.Exploringfull-wave-formLiDARparametersfortreespeciesclassification./InternationalJournalofAppliedEarthObservationandGeoinformation/,*13*,152-160

Heinzel, J., Ronneberger, O., Koch, B., 2010,Acomparisonofsupportvectorandlinearclassificationoftreespecies.ProceedingsofSilviLaser2010,14.-17.September2010,Freiburg,Germany,Enßle,F.andWeinacker,H.(Eds.),479-488.

Herrera, B., 2003.ClassificationandModelingofTreesOutsideForestinCentralAmericanLandscapesbyCombiningRemotelySensedDataandGIS.Doc-toralthesis.FacultyofForestryandEnvironmentalSciences,DepartmentofRemoteSensingandLand-scapeInformationSystems,UniversityofFreiburg.Germany.

Hoffmann, K., 2010.ErfassungvonWaldstruktur-undWaldzustandsparameternausdigitalenLuft-bilddatendersachsenweitenBefliegung.ForstlicheForschungsberichteNr.209„DergepixelteWald–ForstlicheFernerkundungvordemHintergrundaktuellerEntwicklungeninUmweltundTechnik.FachtagunginFreising,25.Januar2008,S.18-29.

Höfle, B., Hollaus, M., Lehner, H., Pfeifer, N., Wag-ner,W., 2008.Area-basedparameterizationofforeststructureusingfullwaveformairbornelaserscanning

data.Proc.Silvilaser17-20.Sept.2008,Edinburgh,Scotland,227–235.

Hollaus, M., Mücke, W., Höfle, B., Dorigo, W., Pfeif-er, N., Wagner, W., Bauerhansl, C. and Regner, B., 2009.Treespeciesclassificationbasedonfull-wave-formairbornelaserscanningdata.9thInternationalSilviLaserConfernce,October14-16,2009,TexasA&MUniversity,CollegeStation,TX,USA,pp54-62.

Hosmer, D.W., Lemeshow, S. 2000.AppliedLogisticRegression.2ndEdition.WileySeriesinProbabilityandStatistics.JohnWiley&Sons,Inc.NewYork.

Hyyppä, J., Hyyppää, H., Yu, X., Kaartinen, H., Kukko, A., Holopainen, M., 2009.Forestryinventoryusingsmall-footprintairborne.TopographicLaserRangingandScanning,J.ShanandC.K.Toth(eds.),(BocaRaton:CRCPress),335-370.

Ivits, E., Koch, B., Waser, L., Chamberlain, D. 2004.ModellingBiologicalDatawithsegmentedLandscapeObjectsandImageGreyValues.Presentedatthe1.GöttingenGISandRemoteSensingDays,7.–8.Ok-tober2004.J.D.Sauerländer`sVerlagFrankfurta.M.,ISBN3-7939-5138-3,Bd.138,S.349-359.

Ju, J. and Roy, D.P., 2008.Theavailibilityofcloud-freeLandsatETMdataovertheconterminousUnitedStatesandglobally.RemoteSensingofEnvironment112(2008)1196-1211.

Koch, B. 2010.StatusandFutureusingNewLaserScanning,SyntheticApertureRadarandHyperspec-tralRemoteSensingDataforForestBiomassAs-sessment.In:ISPRSJournalofPhotogrammetryandRemote.65(2010)581-590.

Kurvonen, Q., M., Coe, R., van Noordwijk, M., Am-bagau, Y. and Palm, C.A., 2001.Reducinguncertaintyintheuseofallometricbiomassequationsforpredict-ingabove-groundtreebiomassinmixedsecondaryforests.ForestEcologyandManagement146(1-3),199

Latifi, H., Nothdurft, A., Koch, B. 2010.Non-par-ametricpredictionandmappingofstandingtimbervolumeandbiomassinatemperateforest:applicationofmultipleoptical/LiDAR–derivedpredictors.Forest-ry83(4):395-407

LeToan, T., Beaudoin, A., Riom, J., Guyon, D., 1992.RelatingforestbiomasstoSARdata.GeoscienceandRemoteSensing,IEEET5ransactionson30(2),403-411.

Lillesand, T.,M., Kiefer, R., W., Chipman, J., W., 2008.RemoteSensingandImageInterpretation.6thed.Hoboken,JohnWiley&Sons,Inc.

McRoberts, R., M., Wendt D. G., Nelson, M., Hansen, M., H., 2002.Usingalandcoverclassificationbasedonsatelliteimagerytoimprovetheprecision

17

offorestinventoryareaestimates.RemoteSensingofEnvironment(81),2002,36-44.

McRoberts, St., 2010:Advancesandemergingissuesinnationalforestinventories.ScandinavianJournalofForestResearch25:368-381.

McRoberts, St., 2011:Estimatingforestattributepa-rametersforsmallareasusingnearestneighborstech-niques.ForestEcologyandManagement(inpress),Sciencedirect(http://www.sciencedirect.com/)

Mountrakis, G., Im, J., Ogole, C., 2011.Supportvectormachinesinremotesensing:Areview.ISPRSJournalofPhotogrammetryandRemoteSensing66(2011)247-259.

Naesset, E., 2004.Estimationofabove-andbe-low-groundbiomassinborealforestecosystems.InternationalArchivesofPhotgrammetry,RemoteSensingandSpatialInformationSciences,Vol.36Part8/W2,3-6October2004,Freiburg,Germany,145-148.

Nga, N. T., 2010.EstimationandmappingofabovegroundbiomassfortheassessmentandmappingofcarbonstocksintropicalforestsusingSARdata–acasrstudyinAframHeadwatersForest,Ghana.Dis-sertationatInternationalInstituteforGeo-Informa-tion,ScienceandEarth-Observation,ITC,Enschede,Netherland,2010,pp.79.

Öhmichen K.,2007.SatellitengestützteWaldflächen-kartierungfürdieBundeswaldinventur.DissertationanderUniversität,Hamburg,2007,105S.

Ridder R. M., 2007,Optionsandrecommandationsforaglobalremotesensingsurveyofforests.FoodandAgriculturalOrganisation,Workingpaper141,Rome2007,p.55.

Straub, C., Weinacker, H., Koch, B. 2009.ACompar-isonofDifferentMethodsforForestResourceEstima-tionusingInformationfromAirborneLaserscanningandCIROrthophotos.In:EuropeanJournalofForestResearchDOI10.1007/s10342-010-0391-2(online).

Tomppo, E., A. Pekkarinen, 1997:Methodenerpro-bungderFinnischenNationalenMultiquellen-Wald-inventurinNordrhein-Westfalen.In:Landeswald-inventur–Konzeption,Verfahrenstest,Ergebnisse,SchriftenreihederLandesforstverwaltungNor-drhein-WestfalenHeft5,52-67

Vauhkonen, J., Korpela, I., Maltamo, M. And Toko-la, T., 2010.Imputationofsingle-treeattributesusingairbornelaserscanning-basedheight,intensityandalphashapemetrics.RemoteSensingofEnvironment.Doi10.1016/j.rse.2010.01.016

Vaukonen, J., Ene, L., Gupta, S., Heinzel, J., Holmgren, J., Pitkänen, J., Solberg, S., Wang, Y., Weinacker, H., Hauglin, K.M., Lien V., Packelen, P., Gobakken, T., Koch, B., Naesset, E., Tokola, T.,

Maltamo, M., 2010.Comparativetestingofsingle-treedetectionalgorithms.ProceedingsofSilviLaser2010,14.-17.September2010,Freiburg,Germany,Enßle,F.andWeinacker,H.(Eds.).

Zhang, G., P., 2000.NeuralNetworksforClassifica-tion:Asurvey.IEEETransactionsonSystems,ManandCypernetics-PartC:ApplicationsandReviews,Vol.30,No.4,November2000,451-461.

ESA,GMESObservingtheEarth–LivingPlanetProgrammhttp://www.esa.int/esaLP/SEMM4T4KX-MF_LPgmes_0.html,(lastaccess17.02.2011)

Klassen M., and Paturi, N.,2010.Webdocumentclassificationbykeywordsusingrandomforests.NDT

(2),2010,256-261.http://robles.callutheran.edu/~m-klassen/doc/NDT2010.pdf(lastaccess28.2.2011)

Leo Breiman and Adele Cutler, Random Forest,http://www.stat.berkeley.edu/~breiman/RandomFor-ests/cc_home.htm(lastaccess28.2.2011)

NASA, Remote Sensing Tutorial 2010,Imagepro-cessingandInterpretationhttp://rst.gsfc.nasa.gov/Sect1/Sect1_19.html(lastaccess28.2.2011)

Nedeljkovic, I., 2004.Imageclassificationbasedonfuzzylogic.TheInternationalArchivesofPhoto-grammetry,RemoteSensingandSpatialInforma-tionSciences,Vol.34,PartXX,2004.http://www.google.de/search?hl=de&q=IMAGE+CLASSIFICA-TION+BASED+ON+FUZZY+LOGIC&aq=f&a-qi=&aql=&oq=(lastaccess28.02.2011)

NeuralNetworkClassification,http://www.resample.com/xlminer/help/NNC/NNClass_intro.htm(lastaccess28.2.2011)

Tomppo, E., 2002.Developmentofmoreeffcienttoolsforthe21stcenturyforestinventoryusingfieldandsatellitedata.InProceedingsForestSat2002NationalForestInventory,August6,2002.http://www.metla._/pp/ETom/index-en.htm(lastaccess28.2.2011)

18