Conference PaperPDF Available

Elaboración de cartografía forestal en canarias a partir de datos LIDAR

Authors:

Abstract and Figures

La tecnología LiDAR aerotransportada está ampliamente implantada para aplicaciones civiles en las Islas Canarias donde se viene utilizando desde el año 2008 en un proyecto piloto de detección de cambios en el territorio. La disponibilidad de vuelos periódicos en las Islas, desde la puesta en marcha de este proyecto, convierte a la Comunidad Autónoma en un lugar privilegiado para trabajar con estos datos también, en aplicaciones forestales. Mediante el presente proyecto se pretende abordar una metodología de trabajo para generar de manera sistemática una cartografía de estructura de la vegetación que enriquezca la información de las formaciones forestales de Canarias. Trabajando con los datos LiDAR, se ha generado información continua de cobertura y altura actualizada para todas las masas de las cinco islas con superficie forestal arbolada en Canarias. Esta información nos va a permitir seguir profundizando en el conocimiento de las masas forestales de las Islas, con aplicaciones directas tanto en la conservación ya que pueden servir de base para analizar la cantidad de biomasa y carbono almacenada por los ecosistemas forestales canarios, como en la defensa del monte, ya que nos pueden permitir actualizar en un futuro la cartografía de modelos de combustible fundamentales en la lucha contra los incendios forestales.
Content may be subject to copyright.
185
Capítulo 13
Elaboración de cartografía forestal
en canarias a partir de datos LIDAR
J. L. Tomé Morána, A. Fernandez Landaa, P. P.Ranz Vegaa *
aAgresta S. Coop.
PALABRAS CLAVE: LiDAR; Estructura de Vegetación; Cartografía; Grandes Supercies;
Vegetación, Teledetección.
RESUMEN
La tecnología LiDAR aerotransportada está ampliamente implantada para
aplicaciones civiles en las Islas Canarias donde se viene utilizando desde el año 2008
en un proyecto piloto de detección de cambios en el territorio. La disponibilidad
de vuelos periódicos en las Islas, desde la puesta en marcha de este proyecto,
convierte a la Comunidad Autónoma en un lugar privilegiado para trabajar con
estos datos también, en aplicaciones forestales. Mediante el presente proyecto se
pretende abordar una metodología de trabajo para generar de manera sistemática
una cartografía de estructura de la vegetación que enriquezca la información de las
formaciones forestales de Canarias.
Trabajando con los datos LiDAR, se ha generado información continua de cobertura
y altura actualizada para todas las masas de las cinco islas con supercie forestal
arbolada en Canarias. Esta información nos va a permitir seguir profundizando en el
conocimiento de las masas forestales de las Islas, con aplicaciones directas tanto en
la conservación ya que pueden servir de base para analizar la cantidad de biomasa y
carbono almacenada por los ecosistemas forestales canarios, como en la defensa del
* Contactos: jltome@agresta.org, afernandez@agresta.org, pranz@agresta.org
GESTIÓN Y PLANIFICACIÓN EN LOS ECOSISTEMAS FORESTALES
186
Bloque II
monte, ya que nos pueden permitir actualizar en un futuro la cartografía de modelos
de combustible fundamentales en la lucha contra los incendios forestales.
INTRODUCCION
El LIDAR (Light Detection And Ranging) es un sistema activo de detección remota
basado en un escáner laser. Esta tecnología aerotransportada y combinada con un
sistema inercial y un GPS trabajando en tiempo real permite calcular la posición de
un objeto midiendo el tiempo que transcurre entre la emisión de un pulso laser y su
vuelta reejado en el mismo. Esta capacidad de modelizar el terreno desde el aire
de manera continua presenta una ventaja fundamental frente a otros sensores a la
hora de estudiar las masas forestales: su capacidad de penetración en la cubierta
vegetal; lo que permite capturar de esta forma información de diferentes estratos de
vegetación y del suelo.
Esta tecnología abre nuevas e interesantes posibilidades para la descripción de las
coberturas vegetales ya que proporciona un volumen enorme de información de la
estructura del bosque. Cada uno de los rebotes del láser lo podemos traducir en una
altura de la vegetación sobre el suelo y el porcentaje de pulsos laser que no llegan
directamente al suelo son una medida muy exacta de la cobertura de la vegetación.
Los sensores LIDAR, por tanto, miden directamente tanto la localización vertical
como la distribución horizontal de los elementos de las cubiertas vegetales (Fowler,
2000), esto unido a la fuerte correlación que existe entre la altura de la vegetación
y algunas características biofísicas como la biomasa total, la densidad de árboles o
el volumen de madera (Dubayah, 2000) hacen que el LIDAR se esté convirtiendo en
una herramienta imprescindible para la captura de información de las supercies
forestales.
Canarias es una región privilegiada en cuanto a la disponibilidad de información
LiDAR, ya que dispone de información LiDAR con una densidad de entre 0,5 pulso/
m² capturada por el Plan Nacional de Ortofotografía Aérea (PNOA) en 2009 y de un
proyecto piloto para la detección de cambios en el territorio utilizando esta tecnología
en el marco del cual la empresa pública GRAFCAN vuela la supercie de las islas con
una densidad de 1 pulso/m² periódicamente desde el año 2010 (Rosales y Rodrigo
2012).
GESTIÓN Y PLANIFICACIÓN EN LOS ECOSISTEMAS FORESTALES
187
Bloque II
La información de los vuelos LiDAR es públicamente visible a través del visor de la
Infraestructura de Datos Espaciales de Canarias (IDECanarias: http:/visor.grafcan.es).
Mediante esta aplicación cualquier usuario puede utilizar una serie de herramientas
básicas tales como la visualización 3D de los datos en una zona de interés.
Figura 1 Vista general de una nube de puntos de datos LiDAR en 3D capturada en la isla de
Tenerife. Fuente http:/visor.grafcan.es
La disponibilidad de esta nueva tecnología nos va a permitir obtener nueva información
actualizada y hasta ahora muy complicada de obtener por medios convencionales, de
cara a enriquecer la información disponible relativa a las masas forestales de Canarias
y abre la posibilidad de emplear esta información en la mejora de la cartografía
disponible de otras temáticas vinculadas a la estructura de la vegetación tales como
Modelos de Combustible o Biomasa.
OBJETIVOS
El objetivo del presente proyecto es la generación de información útil de estructura de
la vegetación en formato raster y vectorial para enriquecer la cartografía de vegetación
disponible en las zonas forestales de las 5 islas más occidentales de Canarias (Gran
Canaria, El Hierro, La Gomera, La Palma y Tenerife) a partir de la información LiDAR
disponible.
GESTIÓN Y PLANIFICACIÓN EN LOS ECOSISTEMAS FORESTALES
188
Bloque II
La estructura de la vegetación abarca conceptos tanto de distribución horizontal de
los estratos de vegetación: Fracción de cabida cubierta, que aporta información sobre
las densidades de las coberturas vegetales; como de la distribución vertical, esto es la
composición en altura de los estratos de vegetación.
METODOLOGIA
Para el tratamiento de los datos LiDAR se ha seguido una metodología propia
desarrollada por Agresta para el procesado de información LiDAR en grandes
supercies:
1. Identicación de supercies objetivo de cada una de las Islas
2. Preparación de los archivos LAS para esas zonas
3. Generación de los Modelos Digitales del Terreno.
4. Normalización de los Retornos procedentes de la vegetación.
5. Cálculo de estadísticos de los retornos de vegetación en píxeles de 25 metros
de lado.
6. Incorporación de la información generada a un SIG.
7. Intersección de la información generada con las zonas de trabajo selecciona-
das (de ámbito forestal) para cada una de las islas estudiadas: El Hierro, La
Palma, La Gomera, Gran Canaria y Tenerife.
8. Depuración de los datos obtenidos para las zonas de estudio.
Se ha seleccionado como información de partida los datos LiDAR capturados por la
empresa pública Grafcan en la última campaña disponible para cada una de las islas,
clasicados por la propia Grafcan que tiene una amplia experiencia en el procesado
de los datos.
GESTIÓN Y PLANIFICACIÓN EN LOS ECOSISTEMAS FORESTALES
189
Bloque II
Tabla 1 Campañas de vuelo utilizadas para el presente trabajo en las islas seleccionadas
Isla Nº Bloques (1 Km x 1km) Año Vuelo
Tenerife 2.419 2012/2013
La Gomera 485 2012
La Palma 883 2011 y 2013
El Hierro 380 2011
Gran Canaria 1.858
53
2011/2012
y 2013
Total 6.078 2011 a 2013
A) Preparación de los archivos LAS
La primera labor necesaria ha sido la revisión y depuración de los archivos LAS generados
por GRAFCAN que han sido suministrados para este trabajo desde el Gobierno de
Canarias. La información capturada fue clasicada usando el Software de LASGROUND,
segregando los retornos correspondientes al suelo (Categoria 2), edicios (Categoría 6)
y otros puntos que incluyen la vegetación (Categoría 1 “Sin clasicar”). Esta clasicación
de la nube de puntos es un paso fundamental ya que permite diferenciar los retornos
de suelo de los de vegetación, edicios u otras infraestructuras y seleccionar así para el
análisis la información correspondiente a la vegetación.
B) Generación de los Modelos Digitales del Terreno
Una vez validados los archivos LAS el primer paso del procesado de los mismos es la
obtención de Modelos Digitales de Elevaciones.
En este caso concreto el Gobierno de Canarias hizo llegar a Agresta los MDT elaborados
por GRAFCAN al mismo tamaño de los bloques (1000mx1000m) con una resolución
nal de 1 m/pixel.
Tal como se puede ver en la gura 2, la tecnología LiDAR posibilita Modelos Digitales
de Elevaciones de enorme precisión.
GESTIÓN Y PLANIFICACIÓN EN LOS ECOSISTEMAS FORESTALES
190
Bloque II
Figura 2 Modelo Digital del Terreno en el entorno del Teide. Fuente: GRAFCAN. Elaboración
Agresta
C) Normalización de los retornos procedentes de la vegetación
El proceso de normalización de la vegetación consiste en restar a la altutud del dato
Lidar la altitud del terreno para obtener la altura de la vegetación sobre el suelo. Para
ello se han utilizado los MDE de 1 m de paso de malla de GRAFCAN suministrados por
el Gobierno de Canarias.
De cara a asegurarnos de que únicamente se trabaja con la vegetación, la normalización
se ha llevado a cabo trabajando únicamente con los puntos clasicados como suelo y
sin clasicar (que incluye a la vegetación). La mayor parte de los retornos sin clasicar
corresponden con vegetación, especialmente porque estamos trabajando en zonas
forestales y GRAFCAN tiene una muy buena clasicación de las edicaciones. En
cualquier caso y dado que no hemos podido trabajar directamente con los retornos
de vegetación se ha realizado una depuración posterior.
D) Cálculo de estadísticos de los retornos de vegetación
El estudio de los retornos de la vegetación se ha diseñado trabajando con dos grandes
grupos de acuerdo a la siguiente simplicación:
GESTIÓN Y PLANIFICACIÓN EN LOS ECOSISTEMAS FORESTALES
191
Bloque II
Arbolado. Toda aquella vegetación que pasa de 2 m
Matorral. Toda aquella vegetación que está entre los 0,4 m y los 2 m
Para el cálculo de los principales estadísticos del LiDAR para los retornos de vegetación
arbórea y de matorral en celdas cuadradas de 25 metros de lado se ha utilizado los
desarrollos de software propios de Agresta trabajando sobre la plataforma de FUSION
(McGaughey, 2010).
Figura 3 Identicación de estadísticos LiDAR para una parcela cualquiera de vegetación
Tabla 2 Resumen de los principales estadísticos que se extraen de la nube de puntos en cada
una de las celdas de 25 metros
Estadísticos LiDAR relacionados con la
elevación y el número de retornos
Estadísticos LiDAR relacionados con la
elevación únicamente
Mínima: Altura mínima de la celda
Número de primeros retornos por encima
de la altura mínima (altura mínima la que
le denamos en la conguración, 2 metros
para el arbolado y 0,4 m)
GESTIÓN Y PLANIFICACIÓN EN LOS ECOSISTEMAS FORESTALES
192
Bloque II
Estadísticos LiDAR relacionados con la
elevación y el número de retornos
Estadísticos LiDAR relacionados con la
elevación únicamente
Máxima: Altura máxima de la celda Número segundos retornos por encima de la
altura mínima denida
Media: Altura media de la celda Número terceros retornos por encima de la
altura mínima denida
Moda: valor con una mayor frecuencia en
una distribución de datos en la celda
Número cuartos retornos por encima de la
altura mínima denida
Desviación estándar: raíz cuadrada de la
varianza de la celda
Número quintos retornos por encima de la
altura mínima denida
Varianza: media de las diferencias cuadráti-
cas de n alturas puntuaciones con respecto a
su media aritmética en la celda
Número sextos retornos por encima de la
altura mínima denida
Coeciente de variación: relación entre el tama-
ño de la media y la variabilidad de la variable
Número séptimos retornos por encima de la
altura mínima denida
Rango intercuartílico: Diferencia entre el
tercer y el primer cuartil de una distribución
Número octavos retornos por encima de la
altura mínima denida
Skewnees: Mide la asimetría a nivel de celda Número novenos retornos por encima de la
altura mínima denida
Kurtosis: coeciente de apuntamiento de la
celda
Otros retornos por encima de la altura míni-
ma denida
Percentil 1: Altura tal que el 1 % de los retor-
nos están por debajo de ella.
Porcentaje de primeros retornos por encima de
la altura de corte denida. Fracción de Cabida
Cubierta FCC (2 metros para el arbolado y 0,4 m)
Percentil 10: Altura tal que el 10 % de los
retornos están por debajo de ella.
Todos los primeros retornos por encima de
la altura de corte denida
Percentil 20: Altura tal que el 20 % de los
retornos están por debajo de ella.
Porcentaje de primeros retornos por encima
de la altura media
Percentil 25: Altura tal que el 25 % de los
retornos están por debajo de ella.
Porcentaje de primeros retornos por encima
de la moda
Percentil 30: Altura tal que el 30 % de los
retornos están por debajo de ella.
Porcentaje de todos los retornos por encima
de la altura media
Percentil 40: Altura tal que el 40 % de los
retornos están por debajo de ella.
Porcentaje de todos los retornos por encima
de la moda
Percentil 50: Altura tal que el 50 % de los
retornos están por debajo de ella.
100 * (Todos los retornos por encima de la
media)/ (Primeros retornos por encima de la
media)
Percentil 60: Altura tal que el 60 % de los
retornos están por debajo de ella.
100 * (Todos los retornos por encima de la
moda)/ (Primeros retornos por encima de la
moda)
Percentil 70: Altura tal que el 70 % de los
retornos están por debajo de ella.
Número de primeros retornos por encima de
la altura media
GESTIÓN Y PLANIFICACIÓN EN LOS ECOSISTEMAS FORESTALES
193
Bloque II
Estadísticos LiDAR relacionados con la
elevación y el número de retornos
Estadísticos LiDAR relacionados con la
elevación únicamente
Percentil 75: Altura tal que el 75 % de los
retornos están por debajo de ella.
Número de primeros retornos por encima de
la moda
Percentil 80: Altura tal que el 80 % de los
retornos están por debajo de ella.
Numero de retornos totales por encima de la
altura media
Percentil 90: Altura tal que el 90 % de los
retornos están por debajo de ella.
Numero de retornos totales por encima de
la moda
Percentil 95: Altura tal que el 95 % de los
retornos están por debajo de ella, muy rela-
cionada con la altura dominante
Número total de primeros retornos en la
celda
Percentil 99: Altura tal que el 99 % de los
retornos están por debajo de ella. Número total de retornos en la celda
De cara a eliminar posibles errores derivados de datos anómalos captados por el sensor
LiDAR, los cálculos se han hecho con los retornos que van de los 0,4 m a los 2 m para el
caso del matorral, y de los 2 m a los 50 m para el caso del arbolado. La altura máxima
para los retornos de arbolado se ha seleccionado redondeado por exceso la altura del
Pino Gordo de Vilaor en Tenerife (45,12 m).
El cálculo de los estadísticos para cada una de las celdas se realiza cuando al menos
existen tres retornos dentro de la celda dentro de los parámetros marcados. En aquellos
casos de celdas sin vegetación (o con menos de tres retornos) dentro de los umbrales
de altura seleccionados, se le asigna al estadístico correspondiente el valor de “-9999”.
E) Incorporación de la información generada a un SIG
Una vez generados los estadísticos LiDAR para todas las zonas forestales de las Islas se ha
procedido a la incorporación de los mismos a un Sistema de Información Geográca (SIG).
Para ello se ha trabajado tanto en formato raster como en formato vectorial.
Se han convertido a formato raster los dos estadísticos de mayor signicación forestal
directa: Fracción de Cabida Cubierta (porcentaje de primeros retornos que no llegan
al suelo) y una aproximación a la altura dominante (percentil 95 de alturas) tanto para
el arbolado como para el matorral. La información generada por bloques se ha unido
en un único raster para cada Isla con objeto de permitir a cualquier técnico manejar la
información con agilidad.
GESTIÓN Y PLANIFICACIÓN EN LOS ECOSISTEMAS FORESTALES
194
Bloque II
Para trabajar vectorialmente hemos utilizado un desarrollo de software propio de
Agresta desde el que se han generado geometrías a partir de las coordenadas de
las celdas de 25x25 m, a las que se han incorporado los datos de los estadísticos
calculados. Desde Agresta se ha trabajado originalmente con geodatabases en
formato *.mdb; sin embargo estas geodatabases, de cara a la entrega se han
convertido al standard de intercambio shapele, para posibilitar su uso por cualquier
persona independientemente del programa y la versión de SIG que utilice.
F) Intersección de la información generada con las zonas de Trabajo
El objeto del presente trabajo son las áreas Forestales de las Islas. La zona de trabajo
se ha pactado de común acuerdo con los técnicos del Gobierno de Canarias para cada
una de las Islas. Una vez realizada la depuración de los datos la información raster se
va a presentar cortada por el área de trabajo denida para cada una de las islas.
Para el caso de los datos shapele y debido a que las capas vectoriales son muy pesadas
por la enorme cantidad información generada, se han generado bloques de trabajo
que permitan manejar la información con mayor agilidad por parte de los software
SIG. Se han seleccionado tamaños de 2 km x 2 Km para las Islas más Pequeñas (El
Hierro y la Gomera) y de 4 Km x 4 Km para el caso de las islas mayores (Tenerife, Gran
Canaria y La Palma) como se puede apreciar en la gura 3.
Figura 4 En rojo, se identican las zonas de trabajo denidas para Gran Canaria y La Palma. La
malla muestra cómo se agrupó la información en formato shape en bloques de 4km x 4km
GESTIÓN Y PLANIFICACIÓN EN LOS ECOSISTEMAS FORESTALES
195
Bloque II
G) Depuración de los datos obtenidos para los terrenos forestales
Fundamentalmente hay dos factores que pueden afectar a la calidad de los resultados
obtenidos, pudiendo llegar a condicionar la abilidad de los mismos: pendiente y
errores de clasicación de los datos.
Cuando nos encontramos vegetación en zonas de cortados o pendientes
extremas pueden darse errores al restar la altura de la vegetación de la altura
del retorno del terreno que podría llegar a estar por debajo del punto donde
está la base de la vegetación en cuestión, tal como se puede apreciar en la
gura 4. Esto mismo puede pasar incluso cuando el pulso colisiona en borde de
una roca, en zonas de grandes pendientes y acantilados con una representación
importante dado lo abrupto del relieve de las Islas.
Aunque la información de las capas nales seleccionadas tiene una alta
abilidad gracias a un buen trabajo de clasicación por parte de GRAFCAN y a
que en este tipo de terrenos hay una presencia baja de infraestructuras, todavía
nos podemos encontrar elementos puntuales en los que los defectos de la
clasicación de los retornos recibidos puedan suponer errores de interpretación
de los datos (ver gura 4). Dado el tipo de infraestructuras que nos solemos
encontrar en el ámbito agro-forestal: antenas, aerogeneradores, torretas de
alta tensión, etc. el que los retornos procedentes de estas infraestructuras
estén clasicados como vegetación, nos puede dar errores que afectan
fundamentalmente a los valores de las alturas de la vegetación.
Para corregir los posibles defectos derivados de estos factores hemos diseñado un
procedimiento especíco para el caso de Canarias trabajando con la información
de apoyo que contamos para este caso concreto. Para ello en primer lugar hemos
trabajado con la Foto Fija elaborada para 2009 por el equipo del Mapa Forestal
de España. Esta foto ja es una actualización del mapa forestal elaborado por la
Administración General del Estado Español en el año 2002.
Hemos usado esta información para detectar las zonas donde el LiDAR nos estaba
dando posibles errores en cuanto a cobertura del arbolado y depurarlos, obteniendo
así una FCC corregida para esas zonas.
GESTIÓN Y PLANIFICACIÓN EN LOS ECOSISTEMAS FORESTALES
196
Bloque II
Figura 4 Ejemplo de error por pendiente (izquierda) y por presencia de aerogeneradores
localizados en celdas de terreno agroforestal (derecha)
Por otro lado se ha estudiado el comportamiento de los datos LiDAR en las zonas de
pendiente, utilizando modelos de pendientes con una resolución de 10 m para todas
las islas. La experiencia nos ha demostrado que hay un error sensible en los datos de
alturas y coberturas del arbolado con LiDAR cuando las pendientes exceden el 70 %.
Se ha corregido la altura y cobertura en todas las zonas donde aparecen datos por
error debidos a la pendiente y se han identicado todas las celdas donde esto puede
condicionar la validez de los datos obtenidos de cara a que los técnicos que utilicen los
resultados puedan tenerlo en cuenta.
Identicados los posibles problemas por pendientes, se ha trabajado en la localización
de aquellas celdas en las que infraestructuras puntuales tales como torres eléctricas
etc., hayan podido generar valores erróneos de altura dominante. Para ello hemos
empleado la información relativa a infraestructuras que ha proporcionado Grafcan
a través del Gobierno de Canarias. Esta información contenía la ubicación de las
infraestructuras puntuales, lineales y superciales para todas las islas estudiadas.
Se ha contrastado en todos los casos si hay infraestructuras o no afectando a los
resultados de las alturas y coberturas de cara a un adecuado manejo futuro de la
información, teniendo identicados posibles valores anormales..
Por último se han revisado todos los archivos correspondientes a los bloques objetivo
(que intersectan las zonas de estudio forestales), analizando todas las celdas donde
los datos del percentil 95 de altura supera una altura objetivo.
GESTIÓN Y PLANIFICACIÓN EN LOS ECOSISTEMAS FORESTALES
197
Bloque II
RESULTADOS
A partir de los datos LiDAR se ha generado, por primera vez en Canarias una cartografía
continua y precisa de alta resolución (25 metros de lado de pixel) de estructura de la
vegetación en las zonas de trabajo denidas; en total unas 360.000 ha lo que supone
un 72,5 % del total de la supercie de las cinco islas estudiadas.
Tabla 3 Supercies de trabajo para la que se dispone de datos de estructura de vegetación
Isla Sup. Arbolado
(ha)
Sup. Desarbola-
do (ha)
Sup. Total Forestal
analizada (ha)
Supercie Total
de la isla (ha)
Tenerife 54.886,47 91.211,20 146.097,67 203.438
La Gomera 13.005,41 21.104,93 34.110,34 36.976
La Palma 37.901,86 14.773,68 52.675,54 70.832
El Hierro 6.676,84 13.694,29 20.371,13 26.871
Gran Cana-
ria 21.307,17 84.592,40 105.899,57 156.010
Total 133.777,75 225.376,50 359.154,25 494.127
Figura 5 Ejemplo de cartografía de FCC arbórea para la isla de Gran Canaria
GESTIÓN Y PLANIFICACIÓN EN LOS ECOSISTEMAS FORESTALES
198
Bloque II
Esta cartografía referida a estructura de vegetación aumenta de forma considerable
la información sobre los ecosistemas vegetales canarios, permitiendo afrontar de una
manera más ecaz la gestión de los mismos.
Además de la información continua de altura y cobertura de la vegetación tal como
se ha explicado disponemos de una batería de estadísticos relativos a la estructura
de la vegetación que posteriormente podrían servir de base para la estimación de
existencias de madera, biomasa, biodiversidad, carbono, etc.,
Esta información está llamada a servir de base para desarrollar cartografía de
caracterización de modelos de combustible mediante el ajuste y la aplicación de
modelos matemáticos que relacionen las variables de estructura de masa del LIDAR
con variables medidas en campo.
DISCUSIÓN Y CONCLUSIONES
La aplicación de la tecnología LiDAR como fuente de datos en los procesos de
generación de información de estructuras de la vegetación asociada al territorio
es probablemente uno de los avances más signicativos en sensores remotos de la
última década (Shand & Toth, 2009). Su incorporación a las fuentes habituales de
información no está llamada a sustituirlas sino a ser un complemento para compensar
donde no llegan las fuentes pasivas tales como la fotografía, incrementando así
nuestro conocimiento del medio natural.
A través del procesado de esta información LiDAR podemos tener acceso a información
de estructura de vegetación que nos permite generar información útil para multitud de
campos de interés forestal, desde trabajar con modelos de combustible y simulación
del comportamiento del fuego (Gonzalez et al, 2012), hasta índices de calidad de
ribera (Magdaleno et al, 2010), pasando por estimación de biomasa y sumideros de
carbono (García et al., 2010), crecimientos (Yu et al; 2004), conservación y análisis de
hábitats (Mundt et al; 2006) y por supuesto inventario forestal (Hyyppä et al 2008).
En España en general tenemos la ventaja de ser uno de los únicos países con cobertura
LiDAR a nivel nacional desde que en 2009 el PNOA se planteó la necesidad de la
obtención de modelos digitales de alta precisión, obtenidos por tecnología LIDAR,
con nes fundamentalmente de ingeniería civil, cartografía de áreas de inundación,
etc. Y dentro de este contexto, Canarias tiene una situación aún más privilegiada dado
que está previsto disponer de datos periódicos con el doble de densidad que los vuelos
GESTIÓN Y PLANIFICACIÓN EN LOS ECOSISTEMAS FORESTALES
199
Bloque II
del PNOA, lo que tal como hemos visto tiene un enorme potencial para aplicaciones
ambientales y forestales.
Los técnicos del Gobierno de Canarias y de los Cabildos Insulares disponen ya a día
de hoy a través de los resultados generados en el presente trabajo de una cartografía
continua de la estructura de la vegetación (altura dominante y FCC) que complementa
la información del territorio que han venido manejando hasta ahora.
Además, como se ha mencionado mientras que en la mayor parte de las Comunidades
Autónomas se puede utilizar el LiDAR para obtener una imagen puntual de cómo es
la estructura de la vegetación en el momento del vuelo, en Canarias además se tiene
la posibilidad de comparar el resultado de distintos vuelos, analizando los cambios
detectados en cuanto a estructura de vegetación de un momento a otro.
Esta oportunidad que se dispone e la región canaria puede ser utilizada, y está
empezando a serlo, para distintos nes, tales como:
Generación de cartografías actualizadas de modelos de combustible de la
vegetación. El desarrollo de metodologías que utilicen entre otras variables y
herramientas el uso de LiDAR permitirá por un lado acometer la consecución
de cartografías de vegetación precisas y por otro que éstas sean fácilmente
actualizables en el tiempo.
Seguimiento de la evolución de los ecosistemas forestales. Actualmente
existe una gran necesidad por los diferentes gestores de espacios naturales
amenazados o vulnerables de realizar un seguimiento periódico de su estado
y evolución. El desarrollo de sistemas que utilizando LiDAR y teledetección
permitan realizar comparaciones de resultados en diferentes momentos en
el tiempo, permitiría identicar como y cuanto se desarrollan los ecosistemas
forestales terrestres.
Desarrollo de sistemas para el cálculo y seguimiento del balance, jación y huella
de carbono de las islas. Los ecosistemas forestales funcionan como grandes
jadores de CO2; es posible contabilizar las cantidades de CO2 almacenadas
por los mismos a partir de inventarios desarrollados mediantes LiDAR e incluir
esta cuanticación en metodologías que permitan comprobar el crecimiento de
los balances de carbono de una región cualquiera
GESTIÓN Y PLANIFICACIÓN EN LOS ECOSISTEMAS FORESTALES
200
Bloque II
Cuanticación e inventario de las masas forestales arbóreas de las islas
canarias para la planicación de una adecuada gestión y ordenación de las
mismas. Mediante el procesado de datos LiDAR es posible obtener parámetros
forestales, tales como FCC arbórea y de matorral, altura dominantes,
Volúmenes de madera, Cantidades de biomasa…, absolutamente necesarios
para una correcta gestión de los bosques.
REFERENCIAS
[1] DUBAYAH, R. O.; KNOX, R. G.; HOFTON, M. A.; BLAIR, J. B. & DRAKE, J. B.; 2000. Land surface
characterization using lidar remote sensing. In M. Hill & R. Aspinall (Eds.), Spatial information for
land use management, Singapore International Publishers Direct.
[2] FOWLER, R. (2000). The low down on LIDAR. Earth Observation Magazine, January 2000.
[3] GARCÍA, M., RIAÑO, D., CHUVIECO, E. Y DANSON, F. M.; 2010. Estimating biomass carbon
stocks for a Mediterranean forest in central Spain using LiDAR height and intensity data. Remote
Sensing of Environment, Vol. 114 (4), pp.816-830.
[4] GONZÁLEZ, J.M., Piqué, M., Vericat, P.; 2006. Manual de Ordenación por Rodales. Gestión
multifuncional de los espacios forestales. Centro Tecnológico Forestal. Solsona, Lérida
[5] HYYPPÄ, J., HYYPPÄ, H., LECKIE, D., GOUGEON, F., YU, X. Y MALTAMO, M.; 2008. Review of
methods of smallfootprint airborne laser scanning for extracting forest inventory data in boreal
forests. International Journal of Remote Sensing, Vol. 29 (5), pp. 1339-1366.
[6] MAGDALENO, F.; MARTÍNEZ, R.; ROCH, V.; 2010. Índice RFV para la valoración del estado del
bosque de ribera. Ingeniería Civil 157: 85-96.
[7] MACGAUGHEY, R.J.; 2010. FUSION/LDV: Software for LIDAR Data Analysis and Visualization.
VER 2.90. U.S. Department of Agriculture, Forest Service, Pacic Northwest Research Station,
University of Washington. 159 p Seattle.
[8] MUNDT, J. T., STREUTKER, D. R. Y GLENN, N. F.; 2006. Mapping sagebrush distribution using
fusion of hyperspectral and LiDAR classications. Photogrammetric Engineering and Remote
Sensing, Vol. 72 (1), pp. 47-54.
[9] ROSALES, J.J. y RODRIGO, J.J.; 2012. Tecnología LiDAR aplicada a la gestión del territorio.
Tierra y Tecnología, nº 41: 57-59
[10] YU, X., HYYPPÄ, J., KAARTINEN, H. Y MALTAMO, M.; 2004. Measuring the growth of
individual trees using multi-temporal ariborne laser sacanning point clouds. ISPRS WG III/3, III/4,
V/3 Workshop “Laser scanning 2005”, pp 204-208
ResearchGate has not been able to resolve any citations for this publication.
Article
Full-text available
Se presenta en este documento un índice (RFV – Riparian Forest EValuation) para la valoración del estado del bosque de ribera en ríos permanentes. La Directiva 2000/60/CE establece la necesidad de introducir elementos de valoración de la calidad hidromorfológica de los cauces naturales. Entre otros aspectos, incorpora la calidad del bosque ripario como uno de los aspectos fundamentales en la determinación de la estructura de la zona ribereña. Con tal fin, y con objeto de completar las metodologías de valoración del bosque ripario existentes en la actualidad, se presenta este índice RFV.
Article
Full-text available
It is well known that characteristics of individual trees, such as tree height, biomass and crown area, can be derived from airborne laser scanning (ALS) and that heights for individual trees can be obtained with an accuracy of 0.5 to 1.5 m. However, the ability to measure the growth of individual trees using ALS has not been documented. This paper reports multi-temporal laser surveys conducted in a boreal forest zone suggesting that the height growth for individual trees can be measured with an accuracy better than 0.5 m. Methods to automatically extract height growth of tree crowns are presented. It is expected that similar methods are feasible for reference measurements in studies analyzing global forest changes and the carbon sink, in national forest inventories, and in describing the effects of global warming on forest growth.
Book
See updated versión (2011) https://www.researchgate.net/publication/264536504_Manual_de_ordenacion_por_rodales_gestion_multifuncional_de_los_espacios_forestales
Article
The applicability of high spatial resolution hyperspectral data and small-footprint Light Detection and Ranging (lidar) data to map and describe sagebrush in a semi-arid shrub steppe rangeland is demonstrated. Hyperspectral processing utilized a spectral subset (605 nm to 984 nm) of the reflectance data to classify sagebrush presence to an overall accuracy of 74 percent. With the inclusion of co-registered lidar data, this accuracy increased to 89 percent. Furthermore, lidar data were utilized to generate stand specific descriptive information in areas of sagebrush presence and sagebrush absence. The methods and results of this study lay the framework for utilizing co- registered hyperspectral and lidar data to describe semi-arid shrubs in greater detail than would be feasible using either dataset independently or by most ground based surveys.
Article
Experiences from Nordic countries and Canada have shown that the retrieval of the stem volume and mean tree height of a tree or at stand level from laser scanner data performs as well as, or better than, photogrammetric methods, and better than other remote sensing methods. This paper reviews the methods of small‐footprint airborne laser scanning for extracting forest inventory data, mainly in the boreal forest zone. The methods are divided into the following categories: extraction of terrain and canopy height model; feature extraction approaches (canopy height distribution and individual‐tree‐based techniques, techniques based on the synergetic use of aerial images and lidar, and other new approaches); tree species classification and forest growth using laser scanner; and the use of intensity and waveform data in forest information extraction. Despite this, the focus is on methods, some review of quality obtained, especially in the boreal forest area, is included. Several recommendations for future research are given to foster the methodology development.
Article
Biomass fractions (total aboveground, branches and foliage) were estimated from a small footprint discrete-return LiDAR system in an unmanaged Mediterranean forest in central Spain. Several biomass estimation models based on LiDAR height, intensity or height combined with intensity data were explored. Raw intensity data were normalized to a standard range in order to remove the range dependence of the intensity signal. In general terms, intensity-based models provided more accurate predictions of the biomass fractions. Height models selected were mainly based on a percentile of the height distribution. Intensity models selected included variables that consider the percentage of the intensity accumulated at different height percentiles, which implicitly take into account the height distribution. The general models derived considering all species together were based on height combined with intensity data. These models yielded R2 values greater than 0.58 for the different biomass fractions considered and RMSE values of 28.89, 18.28 and 1.51 Mg ha−1 for aboveground, branch and foliage biomass, respectively. Results greatly improved for species-specific models using the main species present in each plot, with R2 values greater than 0.85, 0.70 and 0.90 for black pine, Spanish juniper and Holm oak, respectively, and with lower RMSE for the biomass fractions. Reductions in LiDAR point density had only a small effect on the results obtained, except for those models based on a variation of the Canopy Reflection Sum, which was weighted by the mean point density. Based on the species-specific equations derived, Holm oak dominated plots showed the highest average carbon contained by aboveground biomass and branch biomass 44.66 and 31.42 Mg ha− 1 respectively, while for foliage biomass carbon, Spanish juniper showed the highest average value (3.04 Mg ha− 1).
Land surface characterization using lidar remote sensing
  • R O Dubayah
  • R G Knox
  • M A Hofton
  • J B Blair
  • J B Drake
DUBAYAH, R. O.; KNOX, R. G.; HOFTON, M. A.; BLAIR, J. B. & DRAKE, J. B.; 2000. Land surface characterization using lidar remote sensing. In M. Hill & R. Aspinall (Eds.), Spatial information for land use management, Singapore International Publishers Direct.
Manual de Ordenación por Rodales. Gestión multifuncional de los espacios forestales
  • J M González
  • M Piqué
  • P Vericat
GONZÁLEZ, J.M., Piqué, M., Vericat, P.; 2006. Manual de Ordenación por Rodales. Gestión multifuncional de los espacios forestales. Centro Tecnológico Forestal. Solsona, Lérida
Tecnología LiDAR aplicada a la gestión del territorio
  • J J Rosales
  • J J Rodrigo
ROSALES, J.J. y RODRIGO, J.J.; 2012. Tecnología LiDAR aplicada a la gestión del territorio. Tierra y Tecnología, nº 41: 57-59
The low down on LIDAR. Earth Observation Magazine
  • R Fowler
FOWLER, R. (2000). The low down on LIDAR. Earth Observation Magazine, January 2000.