Taller Estimación de Carbono en Bosques Bajo Producción Maderable Uso de la tecnología LiDAR para la estimación de volumen maderable y biomasa en bosques bajo manejo de Zacualtipán, Hidalgo, México J. René Valdez Lazalde* Alma Delia Ortiz Reyes Gregorio Ángeles Pérez Héctor M. de los Santos Posadas *valdez@colpos.mx
Tipos de sensores remotos Pasivos Activos Landsat SPOT Sentinel Quickbird Ikonos LiDAR RADAR
LiDAR - Light Detection And Ranging - Detección y medición por Luz Ángulo de escaneo Múltiples pulsos interactúan con varias partes de la cobertura vegetal, el suelo u otras estructuras Primer retorno Último retorno d v l t 2 Densidad de puntos d: distancia (m) v l: velocidad de la luz (300,000 km/s) t: tiempo (ns) Dowman (2007) Coordenadas geográficas
Primer retorno Segundo retorno Último retorno
Precisión: vertical ± 15 cm (± 50) horizontal ± 50 cm (± 75)
Datos LiDAR: nubes de puntos sobre la superficie de la tierra Superficie topográfica Geoide
Datos Datos LiDAR: LiDAR: nube nube de de puntos puntos
DATOS LiDAR 1 ros retornos 2 dos retornos 3 ros retornos 4 tos retornos 1er retorno 2do retorno Último retorno McCallum et al. (2014)
Medición / Monitoreo de Bosques Enfoques: Inventario forestal tradicional Percepción remota: LiDAR Combinación de Inventario y Percepción remota
Cómo se estima el inventario? Método tradicional EM Parcela de muestreo 50 Ton/ha 129 Ton/ha? 0 50 100 150 200 Ton/ha? Desventajas - Si no se muestrea el ecosistema no se tienen una estimación de la variable de interés - El muestreo debe ser exhaustivo, lo que lo hace laborioso y costoso, particularmente en lugares de acceso difícil - Este método no refleja la variación espacial dentro de ecosistemas o estratos
Estudio de caso: Objetivos General Estimar y mapear variables dasométricas de un bosque templado bajo manejo, mediante la aplicación de tecnología LiDAR en la zona de Zacualtipán de los Ángeles, Hidalgo. Particulares i) Calcular las variables área basal, volumen, biomasa y cobertura arbórea empleando datos de LiDAR. ii) Comparar la precisión de los resultados obtenidos mediante el uso de LiDAR contra los de un inventario tradicional. iii) Generar la cartografía de cada una de las variables en la zona de estudio.
Área de estudio Sitio de Monitoreo Intensivo del Carbono Atopixco, Hgo. Sierra Madre Oriental Altitud: 2000 a 2200 m Hidalgo Zacualtipán
Clima: C(fm)w b(e)g, templado-húmedo (García, 1981) Temperatura media anual 13.5 C Precipitación 2050 mm Vegetación: bosque de pino y bosque de pinoencino. Pinus patula, Quercus crassifolia, Q. affinis, Q. laurina, Q. sartori, Q. excelsa, Q. xalapensis (Rzedowski y Madrigal-Sánchez, 1972).
BIOMASA, VOL, AB Metodología Datos LiDAR - Colecta de Datos en campo: Alt, DAP, muestras de madera, etc.) - Estimación de Vol, Biomasa por alometría Datos de parcelas por grupo de especies, ecosistema (Inventario) Datos Cal Selección de métricas simples o combinaciones Modelación a nivel pixel B = f (Métricas LiDAR) K-nn, regresión lineal, no lineal Datos Val Aplicación de algoritmos para mapear las variables
Datos de campo Área : 900 ha 40 conglomerados 160 unidades de muestreo Torre de flujo Eddy-covariance 1 km
Sitios de muestreo y de datos Conglomerados circulares de 1 ha con un radio de 56.42 m y cuatro unidades de muestreo secundario de 400 m 2. De abril a junio de 2013 se muestreó en campo, Se midió: diámetro normal, altura del fuste, altura del fuste limpio, radio de copa (N-S) (E-O) Se estimó: área basal, volumen, biomasa y cobertura arbórea para cada unidad.
COB DC x 4 2 Modelos para estimar volumen y biomasa Donde: V: Volumen en m 3 DN: Diámetro normal COB=Cobertura arbórea estimada (m 2 ) DC= Diámetro de copa (m) H: Altura BT: Biomasa total en kg e: exponencial
Fecha de adquisición Octubre 2013 LiDAR Small-footprint Frecuencia del pulso G-LiHT (Riegl VQ-480) 300 Khz Angulo de barrido + 15 Densidad de puntos por pasada Altitud de vuelo Franja de barrido Sensor LiDAR 6 puntos m -2. Con traslape de 50 % la densidad aumenta hasta 100 % 335 m 387 m Traslape de las líneas de vuelo 50 % Radio del pulso Precisión absoluta de la medición vertical Precisión absoluta de la medición horizontal 10 cm + 0.15 m en áreas abiertas planas y 0.5 m en zonas boscosas o pendientes mayores de 20 % + 0.5 m en áreas planas y 0.75 m. en áreas con pendiente.
Tipo Altura/Elevación Métrica Número total de retornos Elevación Máxima Elevación Media Elevación Mediana (percentil 50) Elevación Moda Elevación Desviación estándar Elevación Varianza Elevación Coeficiente de variación Elevación Distancia intercuantil Elevación Skewness Elevación Curtosis Elevación Desviación absoluta promedio Elevación momentos (L1, L2, L3, L4) Datos LiDAR (métricas) Altura de Percentil 1, 5, 10, 20, 25, 30, 40, 50, 60, 70, 75, 80, 90, 95 y 99 Cobertura y Densidad del dosel Densidad de estrato # de 1ros retornos sobre una altura específica (cobertura del dosel) # de 1ros retornos sobre la altura media # de todos los retornos (1ros, 2dos, 3ros, 4tos) sobre una altura específica # de los 1ros retornos > 3 / # total de 1ros retornos * 100 # de puntos en estrato i / # total de puntos en todos los estratos * 100 # de puntos en estrato / # total de puntos debajo del estrato * 100 McGaughey (2012)
Datos LiDAR (métricas) Ortiz-Reyes et al. (2015)
Datos LiDAR (métricas) Ortiz-Reyes et al. (2015)
Correlación de Pearson entre las variables forestales y métricas de LiDAR Resultados Métricas de LiDAR Área basal Volumen Biomasa m 2 m 3 kg Cobertura arbórea # total de retornos sobre 1 m 0.71 0.65 0.65 0.58 # de 1eros retornos sobre la altura de 1 m 0.71 0.60 0.59 0.62 # de 2dos retornos sobre la altura de 1 m 0.66 0.65 0.66 0.49 Altura del percentil 70 0.64 0.76 0.75 Altura del percentil 75 0.64 0.76 0.75 Porcentaje de 1eros retornos sobre 3 m 0.85 0.76 0.75 0.66 Porcentaje de todos los retornos sobre 3 m 0.83 0.74 0.75 0.69 Porcentaje de todos los retornos sobre la altura media 0.85 0.78 0.75 0.59 (Todos los retornos sobre la altura media) / (Total de 1eros retornos) * 100 0.83 0.79 0.77 0.55 Índice de penetración láser 0.78 0.67 0.68 0.71 m 2
Modelos de regresión lineal múltiple para la estimación de variables forestales Resultados Modelo R 2 ajustada RMSE Parámetros Estimación P AB= A0+A1*Elevación media +A2*Elevación del percentil 70+A3*Porcentaje de todos los retornos sobre la media 0.77 0.21 A0-0.16455 0.0069 A1 0.066837 0.0011 A2-0.03704 0.0231 A3 0.022009 <.0001 BIOM=A0+A1*((Todos los retornos sobre 3 m) / (Total de primeros retornos) * 100))+A2*Elevación del percentil 50+A3* Coeficiente de variación de intensidad COB=A0+A1*índice de penetración láser+ A2*Desviación absoluta de la mediana VOL=A0+A1*((Todos los retornos sobre la altura media) / (Total de primeros retornos) * 100))+A2* Elevación media cuadrática+a3*coeficiente de variación de intensidad 0.76 1340.08 0.53 139.71 0.79 2.07 A0 2832.088 0.0004 A1 39.51389 <.0001 A2 224.1344 <.0001 A3-10921.2 <.0001 A0-89.5733 0.0558 A1 911.8164 <.0001 A2 22.47737 0.0136 A0 2.812044 0.0027 A1 0.109815 <.0001 A2 0.404383 <.0001 A3-16.6025 <.0001
Comparación: Predichos vs. observados a) área basal (m 2 /sitio), b) biomasa total (kg/sitio), c) cobertura arbórea (m 2 /sitio) y d) volumen (m 3 /sitio). La línea negra muestra la relación 1 a 1.
Estimación del inventario tradicional versus otros métodos Resultados
Conclusiones Las variables dasométricas estimadas a partir de datos LiDAR tienen mayor precisión que las estimaciones obtenidas mediante un inventario tradicional, con la ventaja de crear mapas que muestran su variación espacial. Excepto para cobertura vegetal, las estimaciones del inventario basadas en datos LiDAR, con cualquiera de los métodos utilizados (RL, ER, ER), se encuentran dentro del intervalo de confianza (95 %) estimado mediante el inventario forestal tradicional.
Ortiz-Reyes, A.D., J.R. Valdez-Lazalde, H. M. de los Santos Posadas, G. Ángeles-Pérez, F. Paz Pellat y T. Martínez-Trinidad. 2015. Inventario y cartografía de variables del bosque con datos derivados de LiDAR: comparación de métodos. Madera y Bosques 21(3): 111-128. ISSN: 1405-0471. Ortiz-Reyes, A.D., J.R. Valdez-Lazalde, G. Ángeles-Pérez, R. Birdsey y A. Peduzzi. 2015. LiDAR aerotransportado para el manejo de recursos forestales. In: Avances y Perspectivas de Geomática con Aplicaciones Ambientales, Agrícolas y Urbanas. Y. Fernández Ordoñez, M. Escalona Maurice y J. René Valdez Lazalde, Eds. Colegio de Postgraduados. Montecillo, Edo. de México. pp. pp. 67-89. Torres-Vivar, J.E., J. R. Valdez-Lazalde, G. Ángeles-Pérez, H. M. de los Santos-Posadas y C. A. Aguirre-Salado. 2017. Inventario y mapeo de un bosque manejado de pino patula con datos del sensor SPOT 6. Rev. Mex. Cien. Ftales. 8(39): 25-43. ISSN: 2007-1132.