Mariano García Alonso
E
VALUACIÓN DEL USO DE LA TECNOLOGÍA
L
I
DAR
EN LA ESTIMACIÓN DEL
1. Introducción
1
1.1.
Objetivos
1
2. Introducción a la tecnología LiDAR
2
2.1.
Especificaciones del sistema
4
3. Clasificación de los sistemas LiDAR
7
4. Datos proporcionados por los sistemas LiDAR
10
4.1.
Atributos de los datos LiDAR
12
4.2.
Formato de los datos LiDAR
13
5. Precisión de los datos LiDAR
14
6. Aplicaciones forestales de la tecnología LiDAR
16
6.1.
Estimación de biomasa y contenido de carbono
18
6.2.
Estimación de la estructura de los bosques
30
6.3.
Clasificación de coberturas del suelo
34
7. Análisis de software disponibles
35
7.1.
Software comercial
36
7.2.
Software gratuito
38
7.3.
Software libre
39
8. Estimación de costes
40
9. Necesidad de capacitación
42
10. Diseño de un cuestionario para conocer las perspectivas de los técnicos
de la región sobre la tecnología LiDAR
43
11. Propuesta de un proyecto piloto
46
11.1. Estimación del contenido de carbono a nivel local
46
11.2. Estimación del contenido de carbono a nivel nacional
50
Referencias
56
1
1 Introducción
La deforestación y degradación de bosques, a través de la conversión de éstos a pastos, desarrollo de infraestructuras, talas o incendios, representan aproximadamente el 20% de las emisiones de gases de efecto invernadero. Así, la Convención Marco de las Naciones Unidas sobre el Cambio Climático (UNFCCC), considerando que los bosques son sumideros importantes de carbono y que su deforestación y degradación producen emisiones considerables de carbono a la atmósfera, ha puesto en marcha el programa de Reducción de Emisiones por Deforestación y Degradación (REDD+), con el objetivo de minimizar estas emisiones en los países en vías de desarrollo.
Los países Centroamericanos han mostrado su voluntad de prepararse estructuralmente para un régimen internacional en REDD+ en varias estrategias regionales. En este sentido, el programa REDD-CCAD-GIZ busca apoyar a los países centroamericanos a través de un enfoque regional en la mejora de las condiciones marco y las capacidades de los actores clave para REDD.
Como parte de las actividades que está desarrollando el programa REDD-CCAD-GIZ, se enmarca esta consultoría sobre el uso de la tecnología LiDAR y sus aplicaciones forestales, especialmente la estimación del carbono almacenado en los bosques. En este documento nos centraremos fundamentalmente en sistemas aeroportados puesto que son lo que presentan mayor interés para nuestros objetivos.
1.1. Objetivos
El objetivo general del presente trabajo es realizar un informe técnico que permita evaluar las capacidades de la tecnología LiDAR en el ámbito forestal, principalmente para estimar el contenido de carbono en el contexto de un sistema MRV-REDD+ para los países del CCAD. Los objetivos específicos son:
Introducir el principio de funcionamiento y las características de los sistemas LiDAR, así como su uso en el ámbito forestal, principalmente la estimación de carbono y la precisión de las estimaciones realizadas.
Analizar las ventajas y posibles inconvenientes derivados del uso del LiDAR a nivel operativo para la región Centroamericana.
2
Evaluar las herramientas disponibles para el tratamiento de los datos LiDAR, la necesidad de capacitación, costes de adquisición y tratamiento de los datos.
Elaborar una propuesta para ejecutar un proyecto piloto para el desarrollo de una metodología operativa para la integración de estos datos en un sistema MRV-REDD+.
2 Introducción a la tecnología LiDAR
LiDAR es el acrónimo de Light Detection and Ranging. También pueden encontrarse referencias al LiDAR como “laser scanning” or LaDAR (Laser Detection and Ranging) (Wehr and Lohr 1999). Se trata de un sistema activo de teledetección, es decir, utiliza su propia fuente de energía, y se basa en el mismo principio básico utilizado por la tecnología radar, aunque empleando energía láser (Light Amplification by Stimulated Emission of Radiation) en vez de energía emitida en la región de microondas. La mayoría de los sistemas LiDAR empleados en aplicaciones topográficas y forestales, trabajan en la región del espectro electromagnético correspondiente al infrarrojo cercano (IRC), normalmente entre las longitudes de onda de 1040 nm y 1065 nm, de manera que una característica fundamental de los sistemas LiDAR es que están afectados por las condiciones atmosféricas (nieve, nubes, etcétera).
El principio de funcionamiento es relativamente sencillo pues un sensor LiDAR mide el intervalo de tiempo transcurrido entre la emisión de un pulso láser y la recepción de un eco o retorno después de que dicho pulso láser incida sobre un objeto situado sobre la superficie terrestre. A partir del tiempo medido por el sensor es posible determinar la distancia entre el sensor y dicho objeto a partir de la siguiente ecuación:
R
t (1)
Donde R (Range) es la distancia entre el sensor y el objeto (m), t es el intervalo de tiempo medido por el sensor (s) and c es la velocidad de la luz (aproximadamente 300,000 km s-1) (Baltsavias 1999). Basándose en este principio
de medida, los sistemas LiDAR son capaces de generar una densa nube de puntos en 3 dimensiones que permiten describir detalladamente la superficie del terreno escaneado por el sensor.
3
Figura 1. Escaneado de una zona forestal mediante un sistema LiDARaeroportado.
Para calcular las coordenadas (X, Y, Z) del punto donde se refleja el pulso laser emitido es necesario combinar la información proporcionada por los siguientes sub-sistemas que componen el sistema LiDAR. En el caso de los sub-sistemas aeroportados estos sub-sistemas son: la unidad de medida de distancias láser, el escáner y la unidad de control y procesamiento (figura 2) (Wehr and Lohr 1999).
Figura 2. Componentes de un sistema LiDAR (Fuente: Baltsavias: International School on LiDAR Technology, IIT Kanpur, India, 31 March - 4 April 2008)
La unidad de medida de distancias comprende el emisor laser y el receptor electro-óptico, los cuales comparten el mismo camino óptico asegurando así que el
4
objeto iluminado por el láser está dentro de campo de visión (Field Of View- FOV) del receptor. El escáner distribuye el rayo laser normalmente de manera perpendicular a la dirección de vuelo mientras que la segunda dimensión se realiza por el movimiento del avión. Por su parte, la unidad de control y procesamiento incluye el sub-sistema formado por el sistema de posicionamiento global y la unidad de medida inercial (GPS/IMU), lo que permite determinar la posición y orientación del sensor. Debe tenerse en cuenta que es necesario disponer de una estación base GPS para poder realizar correcciones diferenciales en la fase de post-proceso y mejorar las precisiones en la determinación de la posición obtenida con GPS. Esta base debe estar situada en las proximidades de la zona de vuelo y si bien no existe una regla fija, suele colocarse en un entorno de 10-50 km dependiendo de la topografía (visibilidad de los satélites) y posibles perturbaciones de la señal GPS. Los distintos sub-sistemas que componen el sistema LiDAR producen cada uno un conjunto de datos de manera asíncrona, por lo que todos los datos tomados por cada sub-sistema son marcados con el tiempo de adquisición y es almacenado por la unidad de control y procesamiento. Los datos de cada una de estas fuentes son enlazados posteriormente utilizando dichas marcas durante la fase de post-proceso para obtener las coordenadas X, Y, Z finales del punto.
Las propiedades físicas de los sistemas LiDAR se caracterizan por los siguientes parámetros: la longitud de onda del laser (m), la duración del pulso (ns), la energía del pulso (J), la velocidad de emisión de pulsos (kHz), la anchura del pulso (mrad), el ángulo de escaneo (deg), la velocidad de escaneo (Hz), la altura de vuelo (m) y el tamaño de la huella sobre el terreno (m) (Baltsavias 1999).
2.1. Especificaciones del sistema
Los sistemas LiDAR han evolucionada a una velocidad vertiginosa en los últimos años, impulsado por la competencia comercial pero también por el potencial mostrado por esta tecnología en distintos ámbitos de aplicación. Por tanto, a la hora de planificar la adquisición de los datos, es fundamental tener en cuenta las especificaciones de los sistemas disponibles puesto que en muchos casos estas especificaciones determinarán los costes de adquisición e incluso la viabilidad del proyecto. Las principales especificaciones operacionales de un sistema LiDAR son:
Frecuencia de emisión de pulsos: representa el número de pulsos emitidos
5
kHz, lo que hace que puedan generar nubes de puntos mucho más densas. Esto permite que los vuelos se realicen a mayor altura y velocidad, reduciendo por tanto el tiempo de vuelo y los costes de adquisición.
Patrón de escaneo: se refiere a la disposición espacial de los puntos que
cabría esperar sobre una superficie plana. Este patrón dependerá del mecanismo empleado para dirigir los pulsos transversalmente a la línea de vuelo. El método más común en los sistemas utilizados para aplicaciones forestales consiste en un espejo oscilante que dirige los rayos perpendicularmente a la línea de vuelo, dando un patrón de “zig-zag” (seesaw). También pueden encontrarse sistemas que hacen un barrido paralelo o bien elíptico. La siguiente figura ilustra dichos patrones:
Figura 3. Patrones de escaneo (Fuente:Gatziolis and Andersen 2008).
Frecuencia de escaneo: hace referencia al número de líneas de escaneo (o
6
Divergencia del rayo: se refiere a la desviación de los fotones de la línea depropagación teórica del rayo, de manera que a medida que aumenta la distancia el diámetro del rayo aumenta. Normalmente la divergencia del rayo oscila entre 0.1 y 1 mrad, lo que significa que para una divergencia de 0.3 mrad, a una distancia de 1,000 m el diámetro será de 30 cm. Como consecuencia de este incremento del área como consecuencia de la divergencia del rayo, para una misma distancia y una misma cantidad de energía emitida, cuanto mayor sea la divergencia se tendrá una menor razón señal-ruido.
Ángulo de escaneo: se refiere al ángulo con el que el pulso es emitido
perpendicularmente a la línea de vuelo y determinar el campo de visión (Field Of View- FOV).
Diámetro de la huella: es el diámetro del rayo interceptado por un plano
situado a una distancia determinada del emisor. El valor del diámetro es función de la altura de vuelo y de la divergencia del rayo. En el caso de superficies horizontales y rayos emitidos nadiralmente la huella tendrá una forma circular, mientras que para superficies inclinadas o rayos emitidos con un determinado ángulo se obtendrá una elipse por lo que el tamaño de la huella será función de los ejes mayor y menor de la elipse. Este parámetro es similar a la resolución espacial (tamaño del pixel) de una imagen tomada por un sensor óptico pasivo (eg. Landsat-TM) (Sheng 2008) puesto que determina el tamaño del área de muestreo.
Longitud del Pulso: es la duración de la emisión del pulso, normalmente
medida en nanosegundos (ns). Junto con la configuración del sistema de detección de pulsos, determina la resolución en distancia o mínima distancia entre dos retornos consecutivos de un pulso en los sistemas discretos.
Distancia entre huellas: es la distancia nominal entre los centros de dos
rayos consecutivos a lo largo de la línea de vuelo y entre dos líneas de vuelo. Es función de la frecuencia de escaneo, la altura de vuelo y la velocidad del avión. Determina junto con el tamaño de la huella la resolución espacial de un sistema LiDAR.
Configuración de registro: este término hace referencia al modo en el que se
registra la energía devuelta hacia el sensor. Estos parámetros son específicos de cada sistema utilizando algoritmos propietarios de cada fabricante, y determinan la
7
mínima energía necesaria para que se registre un retorno. Junto con la longitud del pulso, determinan la mínima distancia entre dos retornos consecutivos. Algunos sistemas graban hasta 6 retornos por cada pulso emitido. Estos sistemas se denominan sistemas discretos. Otros sistemas son capaces de registrar la energía de manera prácticamente continua y se denominan sistemas de huella continua. En el apartado capacidad de registro de la sección siguiente describiremos estos dos tipos de sistemas.
3 Clasificación de los sistemas LiDAR
Los avances que ha experimentado la tecnología LiDAR, así como la diversidad creciente de campos de aplicación donde esta tecnología ha mostrado un gran potencial, ha dado lugar al desarrollo de diversos sistemas, con distintas configuraciones y características. Los distintos sistemas existentes pueden agruparse en distintas categorías atendiendo a diversos criterios:
Superficie a medir: Un primer criterio clasifica los sensores en función del
tipo de superficie a medir, considerando sensores topográficos, sensores batimétricos y sensores atmosféricos. Los primeros suelen operar en la región del infrarrojo cercano (700-1300 nm) mientras que los empleados para aplicaciones batimétricas o atmosféricas se emplean sistemas que trabajan con dos longitudes de onda, una en el infrarrojo cercano y otra en la región del verde (500-600 nm). Algunos sensores también incluyen longitudes de onda en el infrarrojo medio de onda corta-SWIR (1550 nm). La mayoría de los sistemas aeroportados comerciales trabajan en longitudes de onda correspondientes al infrarrojo cercano.
Fabricante Modelo Longitud de onda (nm)
Fugro FLI-MAP 400 1,500
IGI LiteMapper 5600 1,550
IGI LiteMapper 2400 905
LeicaGeosystems ALS50-II 1,064
Optech ALTM Gemini 1,060
Riegl LMS LMS-Q240i-60 900
Riegl LMS LMS-Q240i-80 900
8
Riegl LMS LMS-S560-A 1,500
Riegl LMS LMS-Q560 1,500
Tabla 1: Modelos de sensores LiDAR y longitudes de onda en las que operan
Principio de medida de distancias: podemos considerar dos grupos en
función del método empleado para determinar el tiempo transcurrido entre la emisión de un pulso y su retorno. El primer método, más directo, consiste en medir el tiempo transcurrido desde la emisión de un pulso hasta su recepción mediante relojes ultra-precisos, y es empleado por la mayoría de los sistemas comerciales. El segundo se basa en determinar la diferencia de fase entre el pulso emitido y el recibido. En este caso el tiempo empleado por el pulso en recorrer la distancia sensor-objeto es directamente proporcional a la diferencia de fase observada.
Plataforma: Un tercer criterio para clasificar los sistemas LiDAR es en base a
la plataforma sobre la que va instalado el sensor. Así por ejemplo, podemos encontrar sistemas terrestres, sistemas aeroportados y sistemas a bordo de satélite. Más recientemente, se han desarrollado sistemas montados sobre vehículos denominados sistemas LiDAR móviles (VLS)(Lin et al. 2010). Estos sistemas son una variación de los sistemas terrestres, montados sobre vehículos, vagones o furgonetas, lo que les proporciona más flexibilidad.
9
Figura 4. Ejemplos de sistemas LiDAR. De izquierda a derecha y de arriba abajo: sistema terrestre, sistema aeroportado, ICESat/GLAS (satélite) y sistema móvil.
Capacidad de registro: Siguiendo este criterio, podemos clasificar los
sistemas en sensores discretos y sensores de huella continua (figura 5). El primer grupo graba retornos discretos (primeo y último, o retornos múltiples - hasta 6) por cada pulso emitido, mientras que el segundo grupo de sensores digitizan toda la energía que es devuelta hacia el sensor por los distintos objetos situados en el camino óptico del pulso emitido.
Tamaño de la huella:De acuerdo al tamaño de la huella, podemos clasificar
los sensores como sistemas de huella pequeña (varios centímetros), y sistemas de huella grande (hasta varios metros). El tamaño de la huella es un parámetro crítico que determina el área de muestro del sobre el terreno o lo que es lo mismo la proyección sobre el terreno del campo instantáneo de visión (Instantaneous Field Of View –IFOV) del sensor, esto es, la resolución.
Figura5: Izquierda: señal emitida y recibida (primer y último retorno) para un sensor discreto. Centro: Onda digitizada en una zona arbolada utilizando un sistema de huella pequeña. Derecha: Onda digitizada para un sistema de huella grande (adaptado de (Mallet and Bretar 2009).
10
Figura6: Tamaño de huella. Izquierda: huella grande. Derecha: huella pequeña
4 Datos proporcionados por los sistemas LiDAR
En este apartado nos centraremos en los sistemas LiDAR aeroportados discretos por ser los más ampliamente utilizados. En este caso como se mencionó anteriormente, los sistemas registran las coordenadas (X, Y, Z), es decir la posición de los objetos sobre los que incide el pulso láser emitido. Además de las coordenadas del punto donde se refleja el pulso láser emitido, los sistemas LiDAR registran la intensidad de cada uno de los retornos, la cual representa la cantidad de energía reflejada.
La energía recibida depende de las propiedades del sistema LiDAR, el ángulo de incidencia, la reflectividad del objeto sobre el que incide el pulso, la absorción atmosférica y la distancia sensor-objeto (Coren and Sterzai 2006). También depende de otros factores relacionados directamente con el sistema empleado como por ejemplo el factor de ganancia del receptor o incluso fluctuaciones en la energía emitida por el sensor. El factor de ganancia determina la sensibilidad del
11
sensor a la radiación que le lleva. Este factor es variable en función de las características de reflectividad del área que se esté escaneando. Así por ejemplo, cuando se sobrevuelan zonas con elevada reflectividad se reduce la sensibilidad del sistema para evitar que se sature, mientras que cuando se sobrevuelan zonas con baja reflectividad se modifica el factor de ganancia para aumentar la sensibilidad del sistema.
Como consecuencia de los distintos factores que afectan a la intensidad, ésta puede variar entre distintas adquisiciones, regiones o incluso a lo largo de la misma línea de vuelo. Por tanto, de cara a comparar los valores de intensidad entre distintos sensores, líneas de vuelo o campañas de adquisición, la intensidad debe corregirse de efectos atmosféricos, el efecto de la distancia, la energía del pulso y el ángulo de incidencia si la campaña de adquisición ha incluido varios ángulos de campo de visión, o frecuencias de emisión de pulsos (Vain et al. 2010). La mayoría de los sistemas comerciales registran pulsos discretos y no proporcionan información sobre los algoritmos empleados para detectar los pulsos, de manera que la intensidad puede corresponder a la intensidad máxima registrada en un intervalo de tiempo o la integral de la energía registrada en dicho intervalo (Höfle and Pfeifer 2007).
Figura7: Datos registrados por un sistema LiDAR. Izquierda: imagen formada a partir de datos de altura. Derecha: imagen formada a partir de datos de intensidad.
12
4.1. Atributos de los datos LiDAR
Como se ha comentado antes, en el caso de los sistemas aeroportados discretos, el resultado de un vuelo LiDAR es una nube de puntos donde para cada punto se tiene las coordenadas de los puntos donde el rayo láser ha incidido sobre los objetos situados sobre la superficie terrestre, la intensidad del retorno, así como otra serie de atributos relativos al pulso emitido como el ángulo de escaneo, la distancia sensor-objeto, o el número de retorno correspondiente. Así mismo, el conjunto de datos queda definido por una serie de atributos que describiremos a continuación. No todos los conjuntos de datos incluyen los parámetros descritos.
Densidad de Pulsos: Determina el número de pulsos emitido por cada metro
cuadrado y es función de la distancia entre las huellas (d=1/distancia_huellas2).
Este atributo está relacionado con la resolución espacial.
Densidad de Puntos: hace referencia al número de retornos por metro
cuadrado. Sólo en el caso de obtener retornos únicos éste valor coincidirá con el anterior. En el caso de superficies donde es posible obtener varios retornos para cada pulso emitido, la densidad de puntos puede ser mucho más alta que la densidad de pulsos. Por esta razón, a la hora de planificar un vuelo se debe especificar un número mínimo de pulsos por metro cuadrado y no de puntos por metro cuadrado.
Número de retorno: especifica el orden de un retorno en relación a aquellos
que se han generado a partir de un pulso.
Ángulo de escaneo: indica el ángulo con el que se emitió el pulso. Por tanto,
este atributo corresponde al pulso emitido y que es heredado por los retornos asociados al pulso.
Tiempo GPS: indica el momento en el que se emitió el pulso. Este atributo
corresponde al pulso emitido y que es heredado por los retornos asociados al pulso.
Final de la línea de escaneo: es un atributo binario que indica si el pulso
corresponde al final de una línea de escaneo. Este atributo corresponde al pulso emitido y que es heredado por los retornos asociados al pulso.
13
Clasificación: indica la clase a la que corresponde el retorno. Esta informacióndependerá de que los datos hayan sido clasificados previamente.
4.2. Formato de los datos LiDAR
En los inicios de esta tecnología cada fabricante desarrollo un formato de almacenamiento de los datos que en muchas ocasiones no tenía en cuenta las opciones de importación/exportación a otros formatos, lo que dificultaba el intercambio de datos. En muchas ocasiones, los datos se ofrecían en formato ASCII ofreciendo las coordenadas X,Y,Z e intensidad de cada retorno en una línea distinta. Este formato se caracteriza por la facilidad de acceso con distintos editores de textos. Sin embargo, desde un punto de vista de almacenamiento de los datos, éste no es un formato eficiente pues los archivos suelen tener un tamaño 2.3 veces superior al que tendrían los mismos datos almacenados en formato binario. Además el acceso a los datos también es mucho más lento.
En los últimos tiempos se ha aprobado y generalizado un formato para los datos LiDAR aprobado por la American Society for Photogrammetry and Remote Sensing (ASPRS). Este formato denominado LAS contiene:
Cabecera: se especifica información como la identificación del tipo de archivo,
información genérica sobre el proyecto, la versión del formato LAS utilizada, fecha de creación, el número de puntos almacenado en el archivo, factores de escala y sesgo de las coordenadas de cada punto registrado, etcétera.
Registros de longitud variable: contiene información relacionada con la
proyección, los metadatos o información del usuario.
Información de los puntos de datos: contiene las coordenadas, intensidad,
número de retorno, número de retornos por pulso, ángulo de escaneo o incluso la categoría a la que se ha asignado cada punto. La siguiente figura muestra las categorías en que puede clasificarse un retorno:
14
Figura8: Categorías en las que puede ser clasificado un retorno.
En el siguiente enlace puede encontrarse información detallada sobre el formato LAS:
http://www.asprs.org/a/society/committees/standards/LAS_1_3_r11.pdf
.
5 Precisión de los datos LiDAR
A pesar de que los sistemas LiDAR son capaces de determinar las coordenadas de los puntos de reflexión con mucha precisión, existen varias fuentes de error que afectan a la precisión con la que se determina la posición de los puntos. En términos generales estas fuentes de error se pueden agrupar en (Huising and Gomes Pereira 1998; Maas 2001):
Errores de alineación entre el sistema láser, el avión y el sistema de navegación, que causarán errores sistemáticos en los datos.
Precisión en la determinación de la distancia. Este error se propaga fundamentalmente en la coordenada Z.
Error del espejo, causado principalmente por problemas mecánicos (vibraciones y oscilaciones), y se transmite en mayor medida a las coordenadas planimétricas.
Errores del sistema GPS/INS. Puede considerarse como la mayor fuente de error, causando errores en las coordenadas finales comprendidos entre los 10 a 20 centímetros en altitud y hasta 50 centímetros en X e Y.
15
El efecto de estos errores queda reflejado como desplazamientos en las áreas de solape de las pasadas adyacentes o transversales, en términos relativos, o respecto a superficies de control, en términos absolutos. Tradicionalmente se ha prestado mayor atención a los desplazamientos altimétricos puesto que la precisión de la determinación de la altura es el factor más importante en la generación de MDT. Sin embargo, el uso de modelos 3D en un número cada vez mayor de aplicaciones ha resaltado la necesidad de determinar las discrepancias tanto altimétricas como planimétricas (Maas 2001). Para determinar la precisión relativa de los datos, se evalúan los datos correspondientes a las zonas de solape entre pasadas. Para determinar la precisión absoluta es necesario realizar una campaña de campo y medir elementos que sirvan posteriormente de referencia.
Normalmente las precisiones dadas por los proveedores de datos son ±15 cm para la coordenada Z y ±50 cm para las coordenadas X e Y para una altura de vuelo de 1,000 m (Gabriel Amable, Universidad de Cambridge, comunicación personal). Sin embargo, debe tenerse en cuenta que estas precisiones suelen referirse a superficies de control sobre terreno plano y considerando superficie sólidas como por ejemplo la pista de aterrizaje, campos de fútbol o áreas de similares características en las proximidades de la zona de vuelo.
En el caso de superficies forestales, además de los errores anteriores, que podemos considerar como errores propios del sistema deben tenerse en cuenta otros factores como por ejemplo la frecuencia de escaneo, la configuración de discretización para identificación de retornos , la divergencia del rayo o el ángulo de escaneo. Estos factores afectarán a la proporción de retornos encontrados en las partes altas y bajas del dosel y los retornos correspondientes al suelo, así como a la precisión de las coordenadas que se midan.
Todos los errores descritos anteriormente se propagarán a las variables que se vayan a estimar posteriormente a partir de los datos LiDAR, por lo que es necesario un control de calidad de los mismos.
16
6 Aplicaciones forestales de la tecnología LIDAR
Uno de los campos donde mayor potencial está demostrando la tecnología LiDAR es en el ámbito forestal gracias a la capacidad de dichos sistemas para generar densas nubes de puntos en tres dimensiones, proporcionando información horizontal y vertical con una alta resolución espacial y precisión permitiendo, por tanto, obtener atributos forestales que no es posible obtener por otros medios (Lim et al. 2003; Wang and Glenn 2008). Entre los atributos que pueden obtenerse a partir de los datos LiDAR podemos citar la altura del dosel, la topografía subyacente al dosel, la biomasa aérea, área basimétrica, diámetro medio del tronco, volumen de copa o distribución vertical de la vegetación(Dubayah and Drake 2000; Harding et al. 2001; Lefsky et al. 1999a; Næsset 1997; Naesset and Bjerknes 2001; Nelson et al. 1984; Nelson et al. 2003; Ritchie et al. 1993). Algunos de estos atributos pueden obtenerse de manera directa a partir de los datos (X, Y, Z) proporcionados por los sistemas LiDAR como por ejemplo la altura de la vegetación; otros se obtienen de manera indirecta mediante el establecimiento de modelos estadísticos o relaciones empíricas. A pesar de que, como se ha mencionado, algunas variables se obtienen de manera relativamente directa, es necesario un pre-procesamiento de los datos que incluye el filtrado de los puntos (al menos dos categorías, una correspondiente a retornos que se producen sobre el suelo y otra correspondiente a retornos sobre objetos situados sobre el terreno, normalmente denominada “no suelo”); la generación de un modelo digital de elevaciones (MDE); y normalización de las alturas de cada retorno con respecto al terreno por ejemplo.
La estimación de las diversas características forestales a partir de datos LiDAR puede realizarse siguiendo dos enfoques distintos en función de la densidad de los datos empleados. El primer enfoque consiste en trabajar a nivel de árbol individual, el cual requiere datos con alta densidad de puntos, mientras que el segundo se basa en estimaciones a nivel de área (parcela, rodal o región) a partir de la distribución de alturas de los retornos del dosel empleando datos con baja densidad de puntos(Packalén et al. 2008). La principal diferencia entre estos dos enfoques consiste en que el primero se apoya en la detección y delineación de árboles individuales y la aplicación de ecuaciones alométricas a nivel de árbol mientras que el segundo emplea directamente los retornos dentro de una parcela, rodal o masa arbórea para establecer relaciones que permitan estimar las características de interés. Según(Hyyppä and Inkinen 1999), para una delineación exitosa de los árboles individuales se requieren densidades de puntos de 5-10 puntos m-2. Sin
17
embargo, este enfoque suele emplearse a escalas locales y sobre plantaciones. Para cubrir grandes áreas se utiliza un enfoque basado en áreas con densidades de pulsos que oscilan entre 0.5 y 4 pulsos m-2. Además, los métodos basados en árboles individuales tienen el principal inconveniente de que sólo los árboles dominantes o aquellos árboles aislados se pueden identificar correctamente, por lo que de cara a un sistema MRV- REDD+ no es aplicable.
Con respecto al tratamiento de los datos podemos considerar otros dos enfoques en función de cómo se sintetice la información proporcionada por los sistemas LiDAR. El primero consiste en derivar variables a partir de funciones de distribuciones de alturas derivadas de la nube de puntos, mientras que el segundo consiste en sintetizar la información mediante la generación de modelos digitales de altura de dosel, los cuales son capas ráster donde cada píxel representa la altura de la vegetación. El segundo enfoque tiene la principal ventaja de que se reduce considerablemente el volumen de datos y por tanto, el tiempo de procesamiento, lo que es de gran interés para grandes áreas. Como inconveniente, se produce una pérdida de información disponible.
Diversos estudios han demostrado que la precisión de los distintos enfoques considerados en los párrafos anteriores para la estimación de algunas características como la altura de la vegetación son similares(Hollaus et al. 2006; Packalén et al. 2008); sin embargo, para otras variables como la biomasa la mayoría de los estudios han derivado información a partir de la distribución de alturas de los retornos o de la intensidad de los mismos.
En las siguientes secciones se describirán diversas metodologías empleadas para estimar el carbono almacenado en la vegetación a partir de datos LiDAR, la estructura, clasificación de la cobertura del suelo y las precisiones alcanzadas. Nos centraremos en estudios realizados a nivel de parcela, rodal o masa, y con sensores aeroportados. Así mismo, se describirán estudios que utilicen un enfoque multisensor, integrando datos LiDAR con datos multiespectrales y/o radar. También se mostrarán algunos trabajos realizados con datos tomados desde satélite.
18
6.1. Estimación de biomasa y contenido de carbono
La capacidad de los sensores LiDAR para estimar biomasa de una manera precisa y fiable, ha quedado demostrada por numerosos estudios realizados en muy diversos ecosistemas y regiones (Tropical, Templado, Mediterráneo, Boreal,…), así como con distintos tipos de datos. Uno de los trabajos pioneros en este sentido fue desarrollado por Nelson(1988), en el que relacionó la altura obtenida con LiDAR con la biomasa. Además estos estudios han demostrado que con los sistemas LiDAR es posible superar las limitaciones intrínsecas a los sensores pasivos e incluso radar, manteniendo relaciones lineales para valores de biomasa de hasta 450 Mg ha-1 (Drake et al. 2002; Lefsky et al. 1999a). Así mismo, estos estudios han sido realizados a distintas escalas (local a regional).Independientemente de los sensores utilizados (discretos o huella continua, huella pequeña (<1 m) o grande (>5 m)) la estimación de biomasa generalmente se ha realizado mediante el desarrollo de modelos empíricos que relacionan variables derivadas a partir de los datos LiDAR con datos de biomasa obtenidos mediante muestreo de un número determinado de parcelas en campo. A partir de las relaciones obtenidas entre LiDAR y de los datos de campo es posible realizar estimaciones de biomasa (aérea total o distintas fracciones como biomasa foliar, biomasa de ramas, biomasa de tronco,…) para toda la zona de estudio cubierta por datos LiDAR (Bortolot and Wynne 2005; Drake et al. 2002; Lefsky et al. 1999a; Lefsky et al. 1999b; Lim et al. 2003; Næsset and Gobakken 2008; Popescu 2007).
A partir de la distribución de alturas e intensidades de los retornos es posible derivar variables que se relacionan con la altura de la vegetación, la estructura del dosel, la distribución de los elementos del dosel en el espacio, la fracción de cabida cubierta, la densidad de copa o la distribución de biomasa entre otras. Otros autores han mostrado la utilidad de los datos de intensidad asociados a cada registro junto con los datos de altura para estimar fracciones de biomasa, así como la importancia de desarrollar modelos específicos para cada especie(García et al. 2010). La siguiente tabla muestra algunas de las variables derivadas a partir de los datos LiDAR para estimar biomasa.
19
Variable Característica
Sistemas Discretos Altura máxima
Variables relacionadas con la biomasa debido a la relación existente entre la altura de la vegetación y la biomasa.
Altura media Altura mediana
Percentiles de altura (10, 20, …, 90)
Desviación estándar alturas Caracterizan la estructura del dosel en base a la distribución de los retornos y su
dispersión.
Coeficiente de variación alturas
Sesgo alturas Proporcionan información sobre la estructura del dosel en base a la forma de la
distribución de alturas.
Curtosis alturas
Diferencia entre percentiles Describen la distribución de biomasa dentro
del dosel.
Proporción de retornos Describe la fracción de cubierta.
Proporción de retornos por intervalos de altura
Proporciona información sobre la densidad del dosel
Percentiles de intensidad
Capturan las diferencias en reflectividad de los diferentes componentes del dosel.
Intensidad media Intensidad mediana
Desviación estándar intensidad
Caracterizan la estructura del dosel a partir de la intensidad de los retornos.
Coeficiente de variación intensidad
Rango intensidades
Sesgo intensidad Proporcionan información sobre la estructura del dosel en base a la forma de la
distribución de intensidades.
CurtosisIntensidad
Suma Reflexiones Dosel Proporciona una medida de la cobertura de
20
Suma Reflexiones DoselPonderada por la Densidad
Proporciona una medida de la cobertura de dosel normalizando la diferente densidad de pulsos a lo largo de la línea de vuelo a una densidad media para la zona de estudio.
Porcentaje de primeros, segundos, terceros o cuartos retornos
Proporcionan información sobre la densidad de copa
Sistemas de Huella Continua
HOME Relacionada con la distribución vertical de los
componentes del dosel y la densidad de copa
HRT
Variable relacionada con la variación de HOME en relación con la altura del dosel y el grado de sucesión
Altura media
Variables relacionadas con la biomasa debido a la relación existente entre la altura de la vegetación y la biomasa.
Altura mediana
Media Cuadrática de la Altura del Dosel
LeadingEdge/TrailingEdge Variables que representan la variabilidad de
la altura del dosel y el suelo
Ratio Energía Dosel Representa el porcentaje de cobertura de
dosel
Percentiles de Energía Variables relacionadas con la estructura del
dosel
Sesgo de la huella
Front SlopeAngle Variable relacionada con la densidad de copa
y la variabilidad de la altura del dosel Tabla 2: Variables derivadas a partir de los datos LiDAR para estimar biomasa.
Una vez estimada la biomasa, la transformación de dichos valores a contenido de carbono se realiza mediante la aplicación de un coeficiente de transformación. Si bien en algunos casos se aplica un valor promedio estándar de 0.5, este factor de
21
conversión es variable para cada especie por lo que en aquellos casos en los que hay disponible un valor más ajustado debe aplicarse éste.
La relación de las variables obtenidas a partir de los datos LiDAR con los datos de campo para la estimación de biomasa, se ha realizado en la mayoría de los casos mediante técnicas paramétricas como la regresión lineal(García et al. 2010; Lim et al. 2003; Næsset and Gobakken 2008; Patenaude et al. 2004); sin embargo otros autores han explorado métodos no paramétricos en la estimación, los cuales no asumen una distribución normal de las variables utilizadas en el análisis (Latifi et al. 2010; Zhao et al. 2011).
Si bien, el desarrollo de modelos empíricos es sin duda el enfoque más habitual gracias a su sencillez, se han explorado otros métodos como por ejemplo el uso de modelos de Demografía de Ecosistemas (Hurtt et al. 2004; Thomas et al. 2008) en los que los datos LiDAR y las variables derivadas a partir de ellos, son empleados como input en dichos modelos a partir de los cuales se lleva a cabo una estimación de los depósitos de carbono y los flujos.
La mayoría de los estudios se han realizado a escalas locales debido a los costes de cubrir grandes áreas aunque en los últimos años la reducción de éstos, junto a la aplicación de métodos estadísticos y la integración con otros sensores, han permitido avanzar en esta línea de manera significativa. Así Gobakken et al. (2012) desarrollaron un trabajo a distintas escalas en el que se cubrió un área de 27500 km2 en Noruega en la que se volaron 53 transectos LiDAR con una distancia
entre ellas de 6 km. Las líneas de vuelo coincidieron con parcelas de inventario lo que permitió comparar los resultados obtenidos por ambos métodos. Además se desarrolló un modelo por cada tipo de cobertura (bosques de productividad alta, media, baja, bosques jóvenes, áreas de montaña, áreas desarrolladas y bosques no productivos) obtenida mediante la clasificación de imágenes Landsat. Un aspecto a destacar es que las diferencias encontradas entre los resultados obtenidos con datos LiDAR y los obtenidos con los datos de inventario fueron menores de un 10%. Hawbaker et al.,(2009) utilizaron un área de 53600 ha de bosque mixto en Wisconsin, USA. Como en el caso anterior, se desarrollaron modelos para los dos tipos de bosques principales en la zona de estudio (coníferas y latifoliadas). Además, en este estudio, se comparó el efecto de utilizar un muestreo sistemático o aleatorio a la hora de medir las parcelas en campo utilizadas para calibrar y validar los modelos; demostrando que el muestreo sistemático ofrecía mejores
22
resultados ya que se asegura que se muestrea todo el rango de valores que hay en la zona de estudio.
Lesfky et al., (2005) mostraron que las relaciones entre diversas variables estructurales, entre ellas biomasa, y los datos LiDAR derivadas en 5 áreas del Noroeste de Estados Unidos (Washington y Oregon), eran generalizables a escala regional, lo que sugiere que la estimación de ciertas variables forestales mediante LiDAR podría realizarse con menor esfuerzo siempre que se muestree un rango suficiente de estructuras o edades, reduciendo así el gran esfuerzo que requiere la realización de un inventario.
Aunque los datos LiDAR han mostrado su capacidad para estimar biomasa con mejor precisión que cualquier otro método de teledetección, su integración con otros sensores multiespectrales ha permitido mejor las estimaciones(Popescu et al. 2004), especialmente cuando el número de parcelas disponibles es escaso (Chen et al. 2012). Swatantran et al., (2011), mostraron cómo la integración de datos LiDAR con datos hiperespectrales permitió mejorar las estimaciones con un incremento en R2 de 7% y una reducción del RMSE del 12% comparados con los obtenidos con los
resultados obtenidos sólo con LiDAR. Otros autores han explorado las sinergias entre los sensores Radar y LiDAR. Así Sun et al., (2011), Lucas et al., (2006) proponen utilizar las estimaciones de biomasa obtenidas con datos LiDAR como la “verdad terreno”, desarrollando posteriormente modelos basados en datos radar. Los resultados mostraron que las diferencias entre las estimaciones obtenidas con datos LiDAR y las obtenidas con datos radar fueron de entorno al 10%(Sun et al. 2011). Banskota et al., (2011) integraron datos LiDAR con un sistema Radar y compararon los resultados obtenidos mediante la integración con los obtenidos por los sensores por separados, mostrando que los mejores resultados se obtuvieron integrando ambos sistemas. Hyde et al., (2006) también compararon los resultados obtenidos por sensores ópticos (QuickBird, Landsat-ETM), Radar y LiDAR por separado así como integrados en sus distintas combinación. Aunque los mejores resultados se obtuvieron al integrar todos los sensores, estos resultados fueron ligeramente mejores (3%) que los obtenidos mediante la integración de datos LiDAR y Landsat-ETM.
Además de las mejoras en precisión que permite obtener la integración de diversos sensores, un aspecto de especial importancia es el hecho de que permite realizar estimaciones de biomasa y otros atributos forestales para grandes áreas
23
utilizando los datos LiDAR como datos de muestreo para calibrar y validar modelos obtenidos con datos ópticos por ejemplo (Gonzalez et al. 2010; Hudak et al. 2002).Por tanto, pueden planificarse campañas LiDAR, por ejemplo tomando transectos separados varios kilómetros entre sí, que sean empleadas posteriormente como “verdad terreno” lo que resulta de especial interés en áreas de difícil acceso. En el caso de variables que no se estimen directamente a partir de los datos LiDAR como es el caso de la biomasa, puede aplicarse un enfoque en dos fases en el que en primer lugar se genera un modelo que permita relacionar los datos LiDAR aerportados con la variable de interés medida en campo y posteriormente desarrollar otro modelo que relacione los datos tomados por otros sensores (multiespectral, radar o ICESat) con la variable estimada a partir de los datos LiDAR aeroportados. Este enfoque fue empleado por Boudreau et al. (2008)o Nelson et al. (2010) para estimar biomasa en la región de Quebec, Canadá. Baccini et al. (2008) integraron datos de altura obtenidos a partir de datos ICESat con imágenes MODIS para estimar biomasa en África tropical.
A pesar de la gran cantidad de estudios que demuestran la capacidad de estimar biomasa a partir de datos LiDAR, éstos se han centrado casi exclusivamente en estimar la biomasa aérea de los árboles. Naesset y Gobakken (2008) sin embargo, estimaron biomasa aérea y subterránea para 10 áreas del sur de Noruega distribuidas en un área de 90 km x 390 km, las cuales abarcaban gran parte de la variación natural del bosque boreal de la región nórdica. La varianza explicada por los modelos obtenidos fue de 0.88 en el caso de la biomasa aérea y de 0.85 para la biomasa subterránea. Stephens et al., (2011) también proporcionaron estimaciones en Nueva Zelanda a nivel nacional. Por su parte, Hudak et al., (2008) utilizaron técnicas de machine learning, en concreto Random Forest (bosques aleatorios)para imputar valores de biomasa y los cambios entre dos fechas a partir de datos de inventario y métricas derivadas de datos LiDAR. Un aspecto a considerar en este estudio es que los datos de biomasa utilizados en cada parcela, incluían datos de árboles, árboles jóvenes, matorral, herbáceas e incluso hojarasca.
Como se ha comentado anteriormente, la utilización de datos LiDAR permite estimar con precisión la biomasa. La siguiente tabla muestra los resultados de algunos de los estudios realizados:
24
Autores Área de estudio Datos utilizados R2 RMSE (Mg ha-1) (Gobakken et al. 2012) Noruega (27500 km2) LiDAR 0.80-0.94 Valores para varias coberturas Diferencias con los resultados obtenidos con datos de inventario 2%-8% dependiendo del método estadístico empleados 8.44-19.6 (en términos relativos entre 15.16% y 45.28%) (Banskota et al. 2011) Virginia, USA LiDAR-PALS* LiDAR (>5 pulsos m-2) BIOSAR *Sistema LiDAR que toma datos mediante la realización de perfiles R2-Ajustado BIOSAR:0.54 PALS:0.51 SCANNING:0.61 BIOSAR+PALS:0.7 8 SCANNING+BIOS AR:0.72 BIOSAR:31(31.99% para coníferas, y 22% para caducifolias)1 PALS: 31.6(32.61% para coníferas, y 22.49% para caducifolias) 1 SCANNING: 28.5(29.41% para coníferas, y 20.28% para caducifolias) 1 BIOSAR+PALS:21.3(21.98 % para coníferas, y 15.16% para caducifolias) 1 SCANNING+BIOSAR:24. 2(24.97% para coníferas, y 17.22% para caducifolias) 125
(Hawbaker et al. 2009) Wisconsin, USA (53600 ha) LiDAR (0.4 puntos m-2) Coníferas: 0.75 Caducifolias: 0.71 Coníferas sistemático: 0.89 Coníferas aleatorio: 0.66 Caducifolias sistemático: 0.84 Caducifolia aleatorio: 0.74 Coníferas: 45.55 (28.93%) Caducifolias: 39.32(36.94%)1 Coníferas estratificado:37.66*/34.6 3**(22.72%*/21.97**)1 Coníferas aleatorio:29.24*/48.70**( 19.56%*/32.58**)1 Caducifolias estratificado: 34.54*/31.40** (24.67%*/22.43**)1 Caducifolias aleatorio: 27.44*/47.61** (21.23%*/36.83**)1 (Hudak et al. 2012) Idaho, USA (escala regional: 2,0000ha) LiDAR 2003 (0.4 puntos m-2) 2009 (12 puntos m-2) R2 2003-ajustado: 0.64 R2 2009-ajustado: 0.60 RMSE: 45.1 RMSE: 57.1 (Hurtt et al. 2004) Costa Rica (escala local) LiDAR (full waveform, huella grande) 0.78 (Kronseder et al. 2012) Indonesia (escala local) LiDAR (full waveform, huella pequeña) (1.2 ecos m-2) Dipterocarpáceas: 0.83 Turberas: 0.32 Combinado= 0.71 Dipterocarpáceas: 21.37% Turberas: 41.02% Combinado: 33.85% (Lim and Treitz Ontario, Canadá LiDAR 3 puntos m-2 Aérea: 0.9 Tronco: 0.9 Aérea: 50.17(24.82%)1 Tronco: 29.71(24.1%)126
2004) (escala local: 1,000 ha) Ramas: 0.89 Hojas:0.87 Ramas: 41.2(70%)1 Hojas: 2(56.78%)1 (Muss et al. 2011) Wisconsin (escala local) LiDAR 0.4 pulsos m-2 0.74 74.03 (Næsset and Gobakken 2008) Noruega (escala regional: 90 km x 390 km) LiDAR 0.4-1.2 pulsos m-2 Aérea: 0.88 Subterránea: 0.85 Aérea: 0.21+ Subterránea: 0.22+ (Nyström et al. 2012) Suecia (escala local) LiDAR 2008 (6.1 puntos m-2) 2010 (1.4 puntos m-2) 2008: 0.99 2010: 0.98 18.7 % (con respecto al valor medio) 21.2 % (con respecto al valor medio) (Stephens et al. 2011) Nueva Zelanda (nivel nacional) LiDAR Aérea: 0.81 Subterránea: 0.80 ++Aérea: 12(21.94%)1 ++Subterránea: 2.7(21.6%)1 (García et al. 2010) España (escala local. 27 km x 3 líneas de vuelo de 300 m) LiDAR (1.5-4.5 puntos m-2) Modelo general: Aérea: 0.67 Ramas: 0.67 Hojas: 0.58 Pinar Aérea: 0.94 Ramas: 0.90 Hojas: 0.98 Modelo general: Aérea: 28.89(45.53%)1 Ramas: 18.28(64.05%)1 Hojas: 1.59(40.65%)1 Pinar Aérea: 18.48(29.55%)1 Ramas:10.26(47.78%)1 Hojas: 0.53(45.09%)127
Sabinar Aérea: 0.72 Ramas: 0.85 Hojas: 0.96 Encinar Aérea: 0.98 Ramas: 0.98 Hojas: 0.99 Sabinar Aérea: 15.98(26.93%)1 Ramas: 4.80(27.08%)1 Hojas: 1.13(22.59%)1 Encinar Aérea: 9.70(10.44%)1 Ramas: 7.07(10.75%)1 Hojas: 0.18(6.25%)1 (Lefsky et al. 1999a) Oregon, USA (escala local) LiDAR (full waveform huella grande) 0.91 (Lefsky et al. 1999b) Maryland, USA (escala local) LiDAR (full waveform huella grande) 0.81 Error medio: 50.2 (Lefsky et al. 2005) Regional, Pacific-Northwest, USA LiDAR (full waveform huella grande) Bootstrapped-adjusted: 0.92 89.04 (Drake et al. 2002) Costa Rica (escala local) LiDAR (full waveform huella grande) 0.93 18.3928
(Chen et al. 2012) California, USA (escala local: 3925 ha) LiDAR (2-4 puntos m-2) Fotografía aérea 0.83 72.2 (Hyde et al. 2006) California (regional, 6,0000 ha) LiDAR (full waveform huella grande) QuickBird Landsat/ETM InSAR LiDAR: 0.773 QB: 0.55 InSAR: 0.509 ETM: 0.49 LiDAR+QB: 0.773 LiDAR+InSAR: 0.773 LiDAR+ETM: 0.796 QB+InSAR+ETM: 0.716 LiDAR+QB+ InSAR+ETM: 0.827 LiDAR: 75.3 QB: 105 InSAR: 109.1 ETM: 111.2 LiDAR+QB: 75.3 LiDAR+InSAR: 75.3 LiDAR+ETM: 71.3 QB+InSAR+ETM: 84.2 LiDAR+QB+ InSAR+ETM: 66.6 (Lucas et al. 2008) Queensland , Australia (Escala regional: 37x60 km2) LiDAR CASI 0.90 11.8 (Sun et al. 2011) Maine, USA (escala local 10x10 km2) LiDAR(full waveform huella grande) + SAR 0.63–0.71 32.0–28.229
(Swatantra n et al. 2011) California, USA (escala regional 22,000 ha) LiDAR(full waveform huella grande) + AVIRIS 0.84 58.78Tabla 3: Resumen de resultados obtenidos utilizando LiDAR para estimar biomasa en diversos estudios.
1: los valores relativos de los errores (%) no son proporcionados por los autores sino que han sido
calculados para este documento a partir de la información de campo del valor medio de biomasa que aparece en el artículo, por lo que deben tomarse con precaución ya que por ejemplo no tienen en cuenta el porcentaje de cobertura de cada especie ni otros factores que puedan estar afectando a las
estimaciones.
*Calibración modelo *Validación modelo
+Estos valores corresponden a la variable transformada (ln biomasa) ++Toneladas carbono
Los resultados presentados en la tabla anterior, muestran resultados que oscilan entre R2: 0.6-0.99 y RMSE: 8-75 Mg ha-1para diversos sensores,
configuraciones de vuelo, y áreas geográficas presentando características muy distintas en cuanto a especies, homogeneidad, estado, edad, etcétera. En todos los casos en los que los resultados obtenidos con LiDAR se compararon con los obtenidos con otros sensores, los primeros fueron mejores en todos los casos y mostrando relaciones lineales, es decir, sin saturación, hasta valores de biomasa > 450 Mg ha-1. Entre los factores a considerar en los resultados, además de los
errores inherentes al sistema descritos en la sección 5, están el tamaño de las parcelas utilizado a la hora de realizar el trabajo de campo, los errores de co-registro entre las parcelas y los datos LiDAR, el número de parcelas empleado y los métodos estadísticos empleados para obtener los modelos predictivos. El rango de tamaño encontrado en la revisión bibliográfica es variado, sin embargo, Frazer et al. (1997) demuestran que las parcelas de mayor tamaño (25 m) soportan mejor los efectos de error de registro de parcelas (GPS). Además, el efecto de desplazamiento observado fue mayor en parcelas con árboles altos y muy heterogéneas que en parcelas con árboles bajos y homogéneas. Mascaro et al. (2011) también analizaron la relación entre el tamaño de las parcelas y los errores obtenidos en las predicciones de los datos LiDAR mostrando que se cumple una reducción de 38% en el error al pasar de un tamaño de parcela de 0.36 ha a 1 ha.
30
No debe olvidarse que las estimaciones finales estarán afectadas, como en cualquier otro trabajo, por la precisión con la que se hayan medido los datos de campo que son utilizados para calibrar los modelos.
6.2. Estimación de la estructura de los bosques
La estructura del dosel puede definirse como la organización espacio-temporal, incluyendo posición, extensión, cantidad, tipo y conectividad de los componentes vegetales (Parker 1995), proporcionando por tanto, información muy importante sobre el estado de desarrollo de los bosques (Lefsky et al. 1999a). Entre las variables que definen la estructura se encuentra la altura, la fracción de cubierta, área basimétrica, índice de área foliar, biomasa, etcétera. Esta información puede obtenerse de manera precisa a partir de los datos LiDAR.
La altura media del dosel y la desviación estándar son importantes variables para sintetizar la estructura forestal. Numerosos estudios han demostrado la capacidad de los sistemas LiDAR para estimar la altura de la vegetación(Andersen et al. 2006; Næsset 1997; Naesset and Bjerknes 2001; Popescu et al. 2002; Zimble et al. 2003). Los métodos desarrollados puede agruparse en dos grandes categorías: a) métodos directos y b) métodos indirectos. En el primer caso la obtención de la altura de la vegetación a partir de datos LiDAR se realiza de una manera sencilla a partir de la resta del MDE con respecto al MDS. De esta manera se obtiene lo que generalmente se llama modelo digital del altura del dosel (MDAD) o digital canopy height model (DCHM), que representa la altura de la vegetación en cada píxel: MDAD= MDS-MDE. Por su parte, los métodos indirectos estiman la altura de la vegetación a partir del establecimiento de modelos estadísticos que relacionan los datos LiDAR (variables independientes del modelo) con la altura de la vegetación (variable dependiente).
La precisión con la que es posible estimar la altura de la vegetación a partir de datos LiDAR depende de varios factores como son el tamaño y la reflectividad del objeto sobre el que incide el pulso, la densidad de los datos, el diámetro del pulso, o el método de detección de cada retorno(Baltsavias 1999). Además de estos factores relacionados con el sistema, la precisión en la estimación de las alturas depende de otros factores como las especies, la forma de las copas (Hyyppä et al. 2004), así como los errores en la generación del MDS y el MDE ya que los errores se propagarán directamente al MDAD (Hollaus et al. 2006).
31
En la mayoría de los trabajos, se ha manifestado una clara tendencia a infraestimar la altura de la vegetación, especialmente en el caso de las coníferas. Esto normalmente se explica por la baja probabilidad de que el pulso emitido por el láser incida sobre la copa del árbol (figura 9), especialmente cuando la densidad de puntos de los datos es baja.
Figura 9. Errores debidos al fallo en el registro con los datos LiDAR del ápice del árbol (tomada de Zimble et al., 2003).
Aunque el empleo de sistemas con huella grande aumentaría la probabilidad de que se produjese un retorno sobre el punto más alto de la copa del árbol, la cantidad de energía por unidad de área disminuiría, debido a que la misma cantidad de energía se distribuye en un área mayor, disminuyendo así la probabilidad de registrar la reflexión asociada con un ápice pequeño, de manera que la energía devuelta no superaría el umbral de ruido (Andersen et al. 2006). Otro factor que contribuye a esta infraestimación es el hecho de que cuando el pulso láser incide sobre el dosel, una parte de la energía penetrará a través del mismo hasta que la cantidad de energía devuelta al sensor supere el umbral de ruido. Esta profundidad de penetración del pulso dependerá de características estructurales (densidad del dosel, reflectividad, ángulo de inclinación de las hojas, etcétera).
En cuanto a la magnitud de los errores observados la siguiente tabla muestra algunos ejemplos:
32
Autor Error manifestado
(Andersen et al. 2006) Alta densidad de puntos (6 p m-2): -0,73± 0,43 m
Baja densidad de puntos (6 p m-2): -1,12± 0,56 m
(Gaveau and Hill 2003)
Arbolado: Nube de puntos: -1,27±0,94 MDAD:-2,12±1,24 Matorral: Nube de puntos: -0,91±0,50 MDAD:-1,02±0,46
(Hyyppä et al. 2001) Media: 1, 8
(Naesset and Bjerknes 2001) 0,23 0,56
(Persson et al. 2002) Diámetro de huella pequeño (0,26 m): RMSE= 0,65
Diámetro de huella grande (3,68 m): RMSE= 0,76
(Yu et al. 2004)
(Maltamo et al. 2004)
(Hollaus et al. 2006) Coeficiente de determinación: R2= 0,73-0,84
(Andersen et al. 2005) Coeficiente de determinación: R2= 0,98; RMSE= 1,3
Tabla 4: Errores en la estimación de alturas utilizando datos LiDAR
Nota: las magnitudes del error mostradas están afectadas por la magnitud de las alturas medidas
El porcentaje de copa (%Copa) o fracción de cabida cubierta (FCC), representa la
proporción de suelo que es cubierto por la proyección vertical de las copas de los árboles, y por tanto, permite determinar la densidad y distribución horizontal de la vegetación. El %Copa está relacionado con la proporción de huecos en el dosel
(ecuación 2):
copa uecos (2)
Para determinar la fracción de cubierta o porcentaje de copa a partir de datos LiDAR aeroportados, el método comúnmente aceptado y establecido se basa en la proporción de retornos de vegetación con respecto al total de retornos (ecuación 3) y ha sido ampliamente utilizado en diversos entornos (García et al. 2010; Morsdorf et al. 2006; Riano et al. 2004):
copa (
RetornosDosel
33
La relación anterior puede obtener utilizando primeros retornos, últimos o primeros y últimos. Cuando se consideran únicamente los primeros retornos se produce una sobrestimación de la fracción de cubierta, puesto que se considera que todo el pulso ha sido ocupado por la vegetación, mientras que se ha observado una infraestimación a partir de segundos retornos (Lovell et al. 2003; Morsdorf et al. 2006). Por tanto, según Lovell et al. (2003)el valor real de la fracción de cubierta debe satisfacer la siguiente condición:
%dosel_1er
retorno>%doselreal>%doselúltimo retorno
Por otro lado, factores relacionados con las características del instrumento, como el tamaño de la huella, el algoritmo de detección de cada retorno, o los efectos atmosféricos, también afectarán a las estimaciones. Para considerar estos factores, autores como Morsdorf et al., (2006) aplicaron una regresión lineal. Además estos autores probaron distintos tamaños de parcela para encontrar una relación óptima entre los datos LiDAR y las estimaciones de fracción de cubierta medida en campo mediante fotografía hemisférica.
La siguiente tabla muestra algunos resultados obtenidos por diversos autores:
Autor Error
(Morsdorf et al. 2006) R2=0,37; RMSE=0,18 para un tamaño óptimo de
parcela con un radio = 2 m
(Riano et al. 2004) R2>0,9 para un radio = 2,5 m
(Hopkinson and Chasmer
2009) R2=0.75
(Holmgren et al. 2008) Arbolado RMSE=4.9%
Arbolado y matorral: RMSE= 6.3% Tabla 5: Errores en la estimación de la fracción de cubierta utilizando datos LiDAR
Como se comentó anteriormente, la altura media del dosel y la desviación estándar permiten sintetizar la estructura forestal. De igual modo, el análisis de la varianza de la altura del arbolado se ha utilizado para detectar las diferencias entre bosques con una estructura simple (una sola capa de dosel) y una estructura más compleja (varias capas de dosel). Zimble et al., (2003) emplearon la varianza de
34
las alturas de árboles individuales delineados a partir de datos LiDAR para determinar distintas clases estructurales en una zona de Idaho (USA). Las dos clases se establecieron a partir de observaciones en campo y se estableció un umbral de 1,54 m, de manera que aquellas parcelas con una varianza inferior a este valor se consideraron como parcelas de estructura simple y aquellas con un valor superior como parcelas de estructura compleja.
Otros autores han utilizado la desviación estándar de las alturas de los píxeles de un MDAD dentro de una celda de un determinado tamaño, como por ejemplo 30 m, para determinar la complejidad de la masa analizada (Maier et al. 2008; Pascual et al. 2010). En este caso, la desviación estándar representa la heterogeneidad de la superficie del dosel dentro de la celda considerada, no sólo la variación en las alturas de las copas de los árboles como en el caso de Zimble et al., (2003).
6.3. Clasificación de coberturas del suelo
A pesar de que los sensores LiDAR son monocromáticos y por tanto la información espectral que proporcionan es muy limitada, diversos estudios han mostrado su capacidad para distinguir algunos tipos de especies; aunque en la mayoría de las ocasiones, los datos LiDAR se han integrado con datos multiespectrales o hiperespectrales para mejorar las clasificaciones obtenidas utilizando las distintas fuentes de datos por separado.
Uno de los trabajos pioneros en la clasificación de especies mediante datos LiDAR fue realizado por Holmgren et al. (2004). En este trabajo distinguieron dos clases (pinar y píceas) con una precisión global del 95%. Antonarakis et al. (2008) utilizaron un enfoque orientado a objetos para clasificar distintas coberturas utilizando únicamente datos LiDAR. Los resultados en zonas de ribera ofrecieron resultados por clase comprendidos entre 66% y 98%. García-Gutiérrez et al. (2011) propusieron una combinación de máquinas vector soporte, seguido de la aplicación de un algoritmo K-NN para incluir el contexto en la clasificación. El resultado obtenido ofreció una precisión global del 92% sobre una zona del Suroeste de España.
Otros trabajos han explorado la integración de datos para llevar a cabo la clasificación de especies. Así, Hill y Thomson (2005) realizaron una clasificación no supervisada de especies forestales en Gran Betaña a partir del modelo digital del
35
dosel obtenido de datos LiDAR y los 2 primeros componentes principales de una imagen hiperespectral (HyMap). Posteriormente, las clases fueron agrupadas en 10 clases de acuerdo al esquema nacional de clasificación vegetal de Gran Bretaña. En este caso los autores no presentaron una validación convencional de la clasificación mediante una matriz de confusión ni ofrecen resultados de la precisión global, sin embargo, de las 86 parcelas que utilizaron para validar los resultados, sólo 5 fueron clasificadas incorrectamente. Mutlu et al., (2008) integraron datos QuickBird y LiDAR para clasificar tipos de combustibles en Texas mediante el algoritmo de máxima verosimilitud. Los resultados obtenidos ofrecieron una precisión global de 90.1% frente al 76.52% obtenida utilizando datos QuikBird solamente. Koetz et al. (2008)utilizaron máquinas vector soporte para realizar una cartografía de tipo de coberturas orientada al peligro de incendio utilizando datos LiDAR y datos hiperesepctrales. Los resultados obtenidos mostraron las ventajas de integrar ambos tipos de datos. Así, utilizando datos hiperespectrales la precisión global fue del 69.15%, la precisión obtenida con datos LiDAR fue de 31.39% y con ambos tipos de datos la precisión fue 75.4%.
García et al. (2011)combinaron máquinas vector soporte y reglas de decisión para clasificar distintos modelos de combustible en una zona de bosque Mediterráneo en España. El método ofreció resultados con una precisión global de 88.24%. Además mostraron cómo la integración de datos multiespectrales y LiDAR permitió eliminar la confusión que comúnmente se produce entre algunos modelos de combustibles diferenciados únicamente por la altura.
7 Análisis de software disponibles
El tratamiento de datos LiDAR requiere el uso de herramientas específicas debido a la naturaleza de los datos a tratar y analizar. A continuación se describen algunos de los software disponibles. Se ha considerado oportuno agruparlos en tres categorías atendiendo a su carácter comercial, gratuito o libre.
