##article.highlights##
- Los parámetros forestales de 26 árboles de Quercus se obtuvieron con LIDAR portátil y sensores ópticos.
- La biomasa aérea estimada con los sensores se comparó con la obtenida por el método tradicional forestal (MTF).
- La estimación de la biomasa aérea con LIDAR fue más precisa (R2 = 0.94) que con la fotorreconstrucción (FR).
- La toma de datos con los sensores fue más rápida (> 80 %) con respecto al MTF.
Resumen
Introducción: La estimación de biomasa aérea mediante el método tradicional forestal es laboriosa, costosa y demanda tiempo. Una alternativa para resolver esta problemática es el uso de la teledetección.
Objetivo: Evaluar la precisión de la tecnología LIDAR portátil y la fotogrametría (fotorreconstrucción) en la generación de nubes de puntos para la estimación de biomasa aérea.
Materiales y métodos: Se analizaron 26 árboles del género Quercus L. de un bosque urbano en el sur de Monterrey, México. El diámetro a la altura del pecho (DAP), altura total y diámetro de copa se obtuvieron con seis métodos: 1) tradicional forestal, 2) LIDAR portátil a nivel de suelo, 3) fotorreconstrucción (FR) de color normal a nivel de suelo, 4) FR de color infrarrojo a nivel de suelo, 5) FR de fotografía aérea de color normal y 6) FR de fotografía aérea de color infrarrojo. La biomasa aérea se calculó y la precisión de cada método se evaluó tomando como referencia el tradicional forestal.
Resultados y discusión: LIDAR portátil ofrece información más precisa para estimar la biomasa aérea (R2 = 0.945), seguido por la FR de color normal a nivel de suelo (R2 = 0.824), cuando se comparan con la obtenida por el método tradicional forestal. La FR de fotografía aérea de color normal mostró los resultados más pobres (R2 = 0.653), debido a la imposibilidad de medir el DAP. La toma de datos con los sensores fue más rápida (>80 %) con respecto al MTF.
Conclusión: Las técnicas de teledetección tienen potencial para la obtención de parámetros forestales en proyectos de gran escala.
Citas
Aguirre, C. O. A., & Jiménez, P. J. (2011). Evaluación del contenido de carbono en bosque del sur de Nuevo León. Revista Mexicana de Ciencias Forestales, 2(6), 73–84. Retrieved from http://www.scielo.org.mx/scielo.php?script=sci_arttext&pid=S2007-11322011000400007
Balenović, I., Seletković, A., Pernar, R., Ostrogović, M. Z., & Jazbec, A. (2012). Regression models of DBH estimation for photogrammetric measurement. Journal of Forestry Society of Croatia, 136(3–4), 129-139. Retrieved from https://hrcak.srce.hr/index.php?id_clanak_jezik=120571&show=clanak
Bosse, M., Zlot, R., & Flick, P. (2012). Zebedee: Design of a spring-mounted 3-D range sensor with application to mobile mapping. IEEE Transactions on Robotics, 28(5), 1104–1119. doi: https://doi.org/10.1109/TRO.2012.2200990
Brodu, N., & Lague, D. (2012). 3D Terrestrial LIDAR data classification of complex natural scenes using a multi-scale dimensionality criterion: Applications in geomorphology. ISPRS Journal of Photogrammmetry and Remote Sensing, 68, 121–134. Retrieved from https://arxiv.org/pdf/1107.0550.pdf
Calders, K., Newnham, G., Burt, A., Murphy, S., Raumonen, P., Herold, M., ...Kaasalainen, M. (2014). Nondestructive estimates of above-ground biomass using terrestrial laser scanning. Methods in Ecology and Evolution, 6(2), 198–208. doi: https://doi.org/10.1111/2041-210X.12301
Chen, T. C., & Chung, K. L. (2001). An efficient randomized algorithm for detecting circles. Comput Vis Image Und, 83(2), 172–191. doi: https://doi.org/10.1006/cviu.2001.0923
Dassot, M., Constant, T., & Fournier, M. (2011). The use of terrestrial LiDAR technology in forest science: application fields, benefits and challenges. Annals of Forest Science, 68(5), 959–974. doi: https://doi.org/10.1007/s13595-011-0102-2
Li, X., Chen, Z., Zhang, L., & Jia, D. (2016). Construction and accuracy test of a 3D model on non-metric camera images using Agisoft PhotoScan. Procedia Environmental Sciences, 36, 84–190. doi: https://doi.org/10.1016/j.proenv.2016.09.031
Liang, X., Hyyppä, J., Kukko, A., Kaartinen, H., Jaakkola, A., & Yu, X. (2014a). The use of a mobile laser scanning system for mapping large forest plots. IEEE Transactions on Geoscience and Remote Sensing, 11(9), 1504–1508. doi: https://doi.org/10.1109/LGRS.2013.2297418
Liang, X., Jaakkola, A., Wang, Y., Hyppä, J., Honkavaara, E., Liu, J., & Kaartien, H. (2014b). The use of a hand-held camera for individual tree 3d mapping in forest sample plots. Remote Sensing, 6(7), 6587–6603. doi: https://doi.org/10.3390/rs6076587
Moskal, M., & Zheng, G. (2012). Retrieving forest inventory variables with terrestrial laser scanning (tls) in urban heterogeneous forest. Remote Sensing, 4(1), 1–20. doi: https://doi.org/10.3390/rs4010001
Návar, J. (2009). Allometric equations for tree species and carbon stocks for forests of northwestern Mexico. Forest Ecology and Management, 257, 427–434. doi: https://doi.org/10.1016/j.foreco.2008.09.028
Návar-Cháidez, J. J. (2010). Biomass allometry for tree species of northwestern Mexico. Tropical and Subtropical Agroecosystems, 12(3), 507–519. Retrieved from http://www.revista.ccba.uady.mx/ojs/index.php/TSA/article/view/391/393
Rodríguez, R., Jiménez, J., Aguirre, Ó. A., Treviño, E. J., Razo, R. (2009). Estimación de carbono almacenado en el bosque de pino-encino en la Reserva de la Biosfera El Cielo, Tamaulipas, México. Ra Ximhai, 5(3) 317–327. Retrieved from http://www.redalyc.org/pdf/461/46111817006.pdf
Rojas-García, F., De Jong, B. H. J., Martínez-Zurimendí, P., & Paz-Pellat, F. (2015). Database of 478 allometric equations to estimate biomass for Mexican trees and forests. Annals of Forest Science, 72, 835–864. doi: https://doi.org/10.1007/s13595-015-0456-y
Seidel, D., Albert, K., Ammer, C., Fehrmann, L., & Kleinn, C. (2013). Using terrestrial laser scanning to support biomass estimation in densely stocked young tree plantations. International Journal of Remote Sensing, 34, 8699–8709. doi: https://doi.org/10.1080/01431161.2013.848308
Trochta, J., Krůček, M., Vrška, T., & Král, K. (2017). 3D Forest: An application for descriptions of three-dimensional forest structures using terrestrial LiDAR. PLoS ONE, 12(5), e0176871. doi: https://doi.org/10.1371/journal.pone.0176871
Xu, L., & Oja, E. (1993). Randomized Hough Transform (RHT): Basic mechanisms, algorithms, and computational complexities. CVGIP: Image understandings, 57(2), 131–154. doi: https://doi.org/10.1006/ciun.1993.1009
Yépez, F. D., & Lozano, D. F. (2014). Mapeo del arbolado urbano con LIDAR aéreo. Revista Mexicana de Ciencias Forestales, 5, 58–75. Retrieved from http://www.redalyc.org/articulo.oa?id=63439016005
![Creative Commons License](http://i.creativecommons.org/l/by-nc/4.0/88x31.png)
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
Derechos de autor 2018 Revista Chapingo Serie Ciencias Forestales y del Ambiente