tesisupv3570
TRANSCRIPT
-
7/25/2019 tesisUPV3570
1/175
Universitat Politcnica de Valncia
Departamento de Ingeniera Cartogrfica, Geodesia y Fotogrametra
TESIS DOCTORAL
Anlisis de los factores que influyen en la precisin de un MDE y estimacin deparmetros forestales en zonas arbustivas de montaa mediante datos LiDAR
Valencia, junio 2011
Autor: Javier Estornell CremadesDirector: Dr. Luis ngel Ruiz Fernndez
-
7/25/2019 tesisUPV3570
2/175
-
7/25/2019 tesisUPV3570
3/175
III
A mi hija Lourdes, a Mara,a mis padres y a mi hermano Juan.
-
7/25/2019 tesisUPV3570
4/175
-
7/25/2019 tesisUPV3570
5/175
V
Agradecimientos
En primer lugar, quiero expresar mi ms especial agradecimiento al director de la tesis, el Dr. Luis ngel
Ruiz Fernndez, no slo por su ayuda en la realizacin de este trabajo de investigacin, sino tambin por
todos sus consejos y contribuciones que ha realizado como mentor en mi dedicacin universitaria en la
Universidad Politcnica de Valencia. Asimismo, quiero agradecer la colaboracin especial del profesor Dr.
Borja Velzquez Mart, del Departamento de Ingeniera Rural y Agroalimentaria, por su ayuda y recomen-
daciones en todo el proceso de realizacin de esta tesis doctoral.
Adems quiero agradecer las revisiones y consejos del profesor Dr. Juan Orengo Femena, de la Univer-
sidad de Murcia, a mis compaeros del Departamento de Ingeniera Cartogrfica, Geodesia y
Fotogrametra de la Universidad Politcnica de Valencia, Txomin Hermosilla Gmez y Sergio Navarro Mar-
tnez, por su colaboracin en las tareas de programacin y por su ayuda en la preparacin y manejo de
los equipos de medicin. Reconocer tambin la ayuda prestada en las salidas de campo al Ayuntamientode Chiva, a Gerson Rafael Colmenarez Lpez, doctorando del Departamento de Ingeniera Cartogrfica,
Geodesia y Fotogrametra, y a Elena Fernndez Gonzlez, del Departamento de Ingeniera Rural y Agroa-
limentaria de la Universidad Politcnica de Valencia.
Finalmente, deseo agradecer al Dr. Warren Cohen, a Maureen Duane, a Dirk Pflugmacher y a YunSuk Kim
del Laboratory for Applications of Remote Sensing in Ecology del USFS Pacific Northwest Research Sta-
tion en Oregn, por su excelente acogida y la formacin recibida en el manejo de los datos LiDAR y su
aplicacin en el mbito forestal durante mi estancia pre-doctoral en verano de 2008.
Este trabajo ha sido posible gracias a la ayuda material que han supuesto los proyectos de investigacin:
Anlisis de la biomasa arbustiva forestal en los ecosistemas mediterrneos con tecno-
loga LiDAR y teledeteccin. (2008-2010). Proyecto financiado por el Vicerrectorado de
Investigacin, Desarrollo e Innovacin de la Universidad Politcnica de Valencia.
Desarrollo y aplicacin de nuevas tcnicas de actualizacin e interpolacin cartogrfi-
cas y anlisis morfomtrico del terreno como herramientas de utilidad en la
caracterizacin de sistemas hidrolgicos (ctm2006-11767). Proyecto financiado por el
Ministerio de Educacin (2006-2010).
-
7/25/2019 tesisUPV3570
6/175
-
7/25/2019 tesisUPV3570
7/175
VII
Resumen
Un alto porcentaje de la superficie forestal de la zona Mediterrnea est cubierta por masas arbustivas
densas y bajas. La elevada dificultad que supone su gestin, junto con el desconocimiento del compor-
tamiento de estas masas, hace necesario el desarrollo de herramientas eficaces para su mejor gestin yanlisis. El sistema LiDAR (Light Detection and Ranging) ha sido ampliamente utilizado en el mbito fores-
tal para estimar variables que caracterizan la estructura de los bosques. Sin embargo, pocas
investigaciones se han centrado en la vegetacin arbustiva. Para realizar estos estudios es necesario, pre-
viamente, calcular un modelo digital de elevaciones (MDE). Los objetivos de esta investigacin han sido:
adaptar un algoritmo basado en procesos iterativos de bsqueda de elevaciones mnimas a partir de da-
tos LiDAR para el clculo de un MDE en zonas de montaa mediterrnea, y desarrollar modelos para la
estimacin de parmetros de la vegetacin arbustiva tanto en parcelas como en subparcelas.
Para el clculo del MDE, se estudiaron tres parmetros: tamao de las ventanas de bsqueda, umbrales
de alturas y el formato de los datos de entrada. La combinacin de estos parmetros permiti generar una
serie de ensayos, que se evaluaron mediante el clculo del error medio cuadrtico (RMSE). Para ello se
realiz un levantamiento topogrfico con un total de 1379 puntos medidos utilizando un GPS-RTK. Tam-
bin se analizaron las variaciones del RMSE al aumentar la pendiente, la densidad de datos LiDAR y en
zonas con vegetacin. Para la estimacin de la altura, la biomasa y el volumen de la vegetacin arbustiva
se calcularon diferentes estadsticos a partir de los datos LiDAR y de una imagen espectral que se utiliza-
ron como variables independientes en los modelos de regresin. El mejor resultado en el clculo del MDE
se obtuvo tras utilizar ventanas de 10, 5 y 2,5 m, umbrales a partir de 1,5 m y el formato imagen como da-
tos de partida, siendo el RMSE, 0,19 m. Considerando estos parmetros, se detect que el RMSE
aument 0,11 m cuando las pendientes varan del 0-10% a 50-60% y descendi 0,06 m al utilizar una den-
sidad igual o superior a los 8 puntos/m2. En zonas con vegetacin arbustiva el RMSE aument 0.05 m.
En cuanto a la vegetacin arbustiva, los modelos de prediccin de altura, biomasa y volumen presentaron
mayores coeficientes de determinacin al considerar como unidad de estudio la parcela, siendo los valo-
res de R2 de 0,73, 0,77 y 0,84, respectivamente. Para las subparcelas se comprob que las mejores
estimaciones se produjeron al seleccionar las alturas LiDAR incluidas en un rea de influencia de radio en-
tre 1,5 m y 2,25 m alrededor del punto medido en campo. Los anlisis realizados muestran la importancia
de obtener un MDE preciso y una densidad de datos LiDAR superior a los 8 puntos/m 2 para estimar con
mayor precisin la altura, biomasa y volumen de la vegetacin arbustiva en subparcelas.
Los resultados muestran el potencial de los datos LiDAR para caracterizar la estructura de la vegetacin
arbustiva permitiendo estimar y realizar mapas de la biomasa para un mejor conocimiento y gestin de es-te tipo de vegetacin frecuente en las reas mediterrneas.
-
7/25/2019 tesisUPV3570
8/175
-
7/25/2019 tesisUPV3570
9/175
IX
Resum
Un alt percentatge de la superfcie forestal de la conca Mediterrnea est coberta per masses arbustives
denses i baixes. Lelevada dificultat que suposa la seua gesti, junt amb el desconeixement del compor-
tament daquestes masses, fa necessari el desenvolupament deines adients per a millorar la seua gesti i
anlisi. El sistema LiDAR (Light Detection and Ranging) ha sigut mpliament utilitzat a lmbit forestal per a
estimar variables que caracteritzen lestructura dels boscos. No obstant aix, poques investigacions shan
centrat en la vegetaci arbustiva. En aquests estudis, prviament s necessari calcular un model digital
delevacions (MDE). Els objectius daquest treball dinvestigaci han estat: adaptar un algoritme basat en
processos iteratius de bsqueda delevacions mnimes a partir de dades LiDAR per a calcular un MDE en
zones de boscos mediterranis i desenvolupar models per a lestimaci dels parmetres forestals de la ve-
getaci arbustiva en parcelles i subparcelles.
Per al clcul del MDE, sestudiaren tres parmetres: tamany de les finestres de bsqueda, valors
dumbrals i format de les dades dentrada. La combinaci daquests parmetres va permetre realitzar unasrie de clculs de MDE, que sevaluaren mitjanant lerror quadrtic mitj (RMSE) calculat a partir de les
dades dun alament topogrfic amb un total de 1379 punts mesurats utilitzant un GPS-RTK. Tamb
sanalitzaren les variacions del RMSE al aumentar el pendent, la densitat de dades LiDAR i en zones amb
vegetaci. Per a lestimaci de laltura, la biomassa i el volum de la vegetaci arbustiva es calcularen dife-
rents estadstics mitjanant les dades LiDAR i una imatge espectral que sutilitzaren com a variables
independents en els models de regressi a calcular. El millor resultat al clcul del MDE sobtingu en utilit-
zar finistres de 10, 5 i 2,5 m, umbrals a partir de 1,5 m i el format imatge com a dades de partida. Lerror
quadrtic mitj (RMSE) fou de 0,19 m. Considerant aquests parmetres, el RMSE aument 0,11 m al variar
els pendents de 0-10% a 50-60% i baix 0.06 m al utilitzar una densitat igual o superior als 8 punts/m 2. En
zones amb vegetacin arbustiva el RMSE aument 0.05 m.
Pel que fa a la vegetaci arbustiva, laltura, la biomassa i el volum presentaren majors coeficients de de-
terminaci al considerar com unitat destudi la parcella, sent els valors de R2 de 0,73, 0,77 i 0,84,
respectivament. En les subparcelles, es comprov que les millors estimacions sobtingueren en seleccio-
nar les altures LiDAR incloses en una superfcie dinfluncia de radi entre 1,5 m i 2,25 m al voltant del punt
mesurat al camp. Els anlisis realitzats mostren la importncia dobtindre un MDE precs i una densitat de
dades LiDAR superior als 8 punts/m2 per a estimar amb precisi laltura, biomassa i volum de la vegetaci
arbustiva en subparcelles.
Els resultats mostren el potencial de les dades LiDAR per a caracteritzar lestructura de la vegetaci arbus-
tiva. Aquests permeten estimar i calcular mapes de la biomassa, la qual cosa fa que milloren el
coneixement i la gesti de la vegetaci arbustiva freqent als boscos mediterranis.
-
7/25/2019 tesisUPV3570
10/175
-
7/25/2019 tesisUPV3570
11/175
XI
Abstract
A high percentage of Mediterranean forest is covered by dense, low shrub. The difficulty involved in shrub
management and the lack of information about shrub behavior explain the necessity of developing efficient
tools to improve the analysis of these areas. The LiDAR system (Light Detection and Ranging) has been
widely used in forest studies to estimate variables that characterize the forest structure. However, little re-
search has been conducted into shrub vegetation. In these studies, previously, a digital elevation model
(DEM) is calculated. The goals of this research were: to adapt an iterative algorithm to select minimum ele-
vations from LiDAR data in a steep mountain area with shrub vegetation, and to develop prediction models
for estimating forest variables of shrub vegetation in plots and subplots.
For computing a DEM three parameters were analyzed: window size for selecting minimum elevations,
height threshold, and input data type. Combining these parameters, several DEM were computed. They
were assessed by 1379 ground-surveyed checkpoints measured with a RTK-GPS system. For estimating
the height, the biomass and the volume of shrub vegetation several statistics were derived from LiDAR
data and a spectral image that were used as independent variables in the regression models. The results
showed that the lowest root mean square error (RMSE) was obtained for the DEM computed with an
analysis window size of 10, 5, and 2.5 m, rasterized data as input data, and height thresholds equal to or
greater than 1.5 m. These parameters produced a RMSE of 0.19 m. Relationships between RMSE and
slope, point density and vegetation were also analyzed. For these parameters, it has been detected that
when terrain slope varied from 0-10% to 50-60%, the RMSE increased 0.11 m, and that when point density
was increased from 1- 4 to more than 8 points/m2, the RMSE decreased up to 0.06 m. From 8 points den-
sity upwards, RMSE remained stable. In shrub vegetation areas, RMSE increased 0.05 m.
The highest determination coefficients in the estimation of height, biomass, and volume of shrub vegeta-tion were obtained when a plot was considered as study area, being the values of R 2of 0.73, 0.77 and
0.84, respectively. For subplots, it was found that the best results were obtained when height LIDAR were
selected from concentric areas with different radii between 1.5 m and 2.25 m, around the point measured
at field. These analysis reveal the importance of computing an accurate DTM and using a density of LiDAR
data greater than 8 points/m2to estimate with accuracy height, biomass, and volume of shrub vegetation
in subplots.
These results show the potential of LiDAR data to characterize shrub structure and make it possible to es-
timate and map the biomass and volume of this vegetation improving the knowledge and the management
of this vegetation very often in Mediterranean forestry.
-
7/25/2019 tesisUPV3570
12/175
-
7/25/2019 tesisUPV3570
13/175
XIII
ndice
1. INTRODUCCIN 3
2. ANTECEDENTES 9
2.1. CLCULO DE MODELOS DIGITALES
2.1.1. Definicin de MDE, aplicaciones y mtodos de captura2.1.2. Modelos de datos para el MDE2.1.3. Algoritmos en la generacin de MDE a partir de datos LiDAR2.1.4. Factores que afectan a la precisin de un MDE2.1.5. Clculo del MDS y MDV2.1.6. Discusin2.2. ESTIMACIN DE VARIABLES FORESTALES A PARTIR
DE DATOS LiDAR
2.2.1. Estudios sobre estimacin de variables dasomtricas basadas enla distribucin de alturas LiDAR
2.2.2. Estudios sobre estimacin de variables considerando rboles indi-
viduales2.2.3. Aplicaciones en vegetacin arbustiva2.2.4. Discusin
1111121316182020
21
23
2527
3. OBJETIVOS 29
4. MATERIAL Y
MTODOS
33
4.1. MATERIAL Y DATOS
4.1.1. Zona de estudio4.1.2. Datos utilizados4.1.3. Levantamientos topogrficos4.1.4. Clculo de la biomasa, volumen y altura a partir de datosdecampo4.1.5. Software utilizado4.2. GENERACIN DE MODELOS DIGITALES
4.2.1. Clculo del MDE4.2.2. Anlisis de los factores que influyen en la precisin del MDE4.2.3. Clculo del MDS y del MDV
4.3. EXTRACCIN DE VARIABLES EXPLICATIVAS A PARTIR DE
DATOS LiDAR E IMAGEN ESPECTRAL
4.4. ESTIMACIN DE VARIABLES FORESTALES
4.4.1. Estimacin de la altura de la vegetacin4.4.2. Factores que influyen en el radio seleccionado para el estudio de
las alturas de la vegetacin por subparcelas4.4.3. Estimacin de la altura de la vegetacin a partir del MDV4.4.4. Estimacin de la superficie cubierta por la vegetacin arbustiva a
partir del MDV y datos espectrales4.4.5. Modelos de regresin para la estimacin de la biomasa4.4.6. Factores que influyen en la estimacin de la biomasa por subparcelas4.4.7. Modelos de regresin para la estimacin del volumen de biomasa4.4.8. Estimacin de de los volmenes por subparcelas utilizando facto-
res de ocupacin (FO) y datos LiDAR
35353840414747
47505151
555656
5757
59606161
-
7/25/2019 tesisUPV3570
14/175
XIV
5. RESULTADOS
Y DISCUSIN
63
5.1. MODELOS DIGITALES
5.1.1. Influencia de los parmetros umbrales y tamao de ventana en laprecisin del MDE (Chiva)
5.1.2. Influencia de los parmetros umbrales y tamao de ventana en laprecisin del MDE (El Saler)
5.1.3. Comparacin de los resultados5.1.4. Anlisis de los factores que influyen en la precisin del MDE5.1.5. Clculo del MDS y del MDV5.2. ESTIMACIN DE VARIABLES FORESTALES
5.2.1. Estimacin de la altura de la vegetacin5.2.2. Factores que influyen en la seleccin del radio para el estudio de
las alturas de la vegetacin por subparcelas5.2.3. Estimacin de la altura de la vegetacin a partir del MDV5.2.4. Estimacin de la superficie cubierta por la vegetacin arbustiva a
partir del MDV y datos espectrales5.2.5. Modelos de regresin para la estimacin de la biomasa5.2.6. Factores que influyen en el clculo de la biomasa por subparcelas5.2.7. Modelos de regresin para la estimacin del volumen de biomasa5.2.8. Factores que influyen en el clculo del volumen de la biomasa por
subparcelas
5.2.9. Validacin del mtodo de clculo de volumen de biomasa a partirde volmenes modelos obtenidos de los datos LiDAR
6565
69
707277787881
8485
879699
101
102
6. CONCLUSIONES 105
6.1.CLCULO DEL MDE
6.2.ESTIMACIN DE LOS PARMETROS FORESTALES ALTURA BIO-
MASA Y VOLUMEN
107108
7. LNEAS FUTURAS DE
INVESTIGACIN113
8. REFERENCIAS
BIBLIOGRFICAS
117
9. ANEJOS 127
-
7/25/2019 tesisUPV3570
15/175
XV
ndice de figuras
Figura 1. Informacin generada por un sistema LiDAR areo en la que se puede distinguirpuntos correspondientes al suelo, a la vegetacin y a la cubierta de una casa.
14
Figura 2. Detalle de un MDE (a) y de un MDS (b) en el que se puede observar los edificiosen la zona de la ciudad.
18
Figura 3. Representacin de un MDS, MDE y MDV. 19
Figura 4. Superposicin del MDE sobre los puntos LIDAR originales para el clculo de la al-tura de cada uno de ellos.
19
Figura 5. Definicin de umbrales para eliminar puntos asociados al suelo o vegetacin ar-bustiva en estudios forestales con predominio de rboles.
26
Figura 6. Mapa de la zona de estudio de Chiva. 36
Figura 7. Fotografas de la zona de estudio con presencia densa de coscoja (Quercus coccifera). 36
Figura 8. Imgenes de la zona de estudio de El Saler. 37
Figura 9. Localizacin general de la zona de estudio de El Saler. 37Figura 10. Densidad de puntos por m2de los datos LIDAR de la zona de estudio de Chiva. El
polgono negro representa la zona de estudio.38
Figura 11. Diferencias entre las elevaciones de 60 puntos medidos con GPS-RTK y la eleva-cin media de los datos LIDAR incluidos en unbufferde radio 0,5 m con centro elpunto medido.
39
Figura 12. Composicin en falso color de la imagen area en la que las bandas IR, R y G sevisualizan en los canales R, G, B, respectivamente.
39
Figura 13. Lneas de vuelo de la zona de estudio de El Saler. 40
Figura 14. Representacin del equipo mvil (a) y fijo (b) del sistema GPS RTK (c) vrtice4033 de la red de 4 orden de la Comunidad Valenciana.
41
Figura 15. Distribucin de las parcelas en la zona de estudio utilizando cuadrculas de tama-o de celda de 1 km2y representada en color rojo.
42
Figura 16. Modelos de crecimiento de masas arbustivas en una superficie determinada: (a)semiesfera, (b) paraboloide, (c) crecimiento cnico, (d) crecimiento cilndrico.
44
Figura 17. Ejemplo de distribucin sectorial de la superficie desbrozada de una subparcelade 0,785 m2.
45
Figura 18. Esquema del algoritmo utilizado en el clculo del MDE (Adaptado de Clark etal.,2004).
49
Figura 19. Distribucin de los puntos LiDAR por intervalos de altura. 54
Figura 20. Representacin de la curva espectral de la vegetacin sana (Adaptado de Chu-vieco, E. 2002)
55
Figura 21. Diagrama de flujo para la obtencin de la cubierta de vegetacin arbustiva. 58
Figura 22. Grfico del RMSE al variar el 1er y 2 umbral para el caso de las ventanas: a)w1(8,4,2); b) w2(10,5,2,5); c) w3(12,6,3); d) w4(15,10,5); e) w5(20,15,10).
66
Figura 23. Imagen de sombras en 3D de un DSM (a) y un MDE calculado con los tamaosde ventana 10, 5, y 2,5 m; umbrales 2,5 m; y una imagen como datos de partida (b).
67
-
7/25/2019 tesisUPV3570
16/175
XVI
Figura 24. Seleccn de puntos mnimos en un perfil de terreno caracterstico de la zona deestudio.
68
Figura 25. Grfico del RMSE en m al variar los umbrales para el caso de las ventanas w1(a),w2(b), w3(c) w4(d) y w5(e)
69
Figura 26. Seleccin de puntos con elevacin mnima; a) vector ventana w2 (10,5,2,5)y um-bral 0,5 m; b) vector ventana w2 (10,5,2,5) y umbral 2 m; c) vector ventanaw5(20,10,5) y umbral 0,5; d) vector ventana w5(20,10,5) y umbral 2 m.
70
Figura 27. Comparacin del RMSE al variar los umbrales, siendo u1=u2, en el caso de Chivay del Saler para las ventanas w1(a) y w2(b).
71
Figura 28. RMSE y error medio para los MDE calculados con ventanas w1 (8,4;2), w2(10,5,2,5),w3 (12,6,3), w4 (15,10,5) y w5 (20,10,5), y valores de umbrales 2,5 m.Datos de partida todos los puntos (a) y toda la imagen (b).
72
Figura 29. RMSE al variar la pendiente en los MDE calculados con ventanas w1, w2, w3, w4yw5, y valores de umbrales 2,5 m. Datos de partida todos los puntos (a) y una ima-gen (b).
74
Figura 30. RMSE al variar la densidad de puntos en los MDE calculados con ventanas w1,w2, w3, w4 y w5, y valores de umbrales 2,5 m. Datos de partida: todos los puntos(a) y una imagen (b).
75
Figura 31. RMSE y error medio en los MDE calculados con ventanas w0 (5,2.5,1), w1 (8,4,2),w2 (10,5,2,5), w3 (12,6,3), w4(15,10,5) y w5 (20,10,5) y valores de umbrales 2,5 men zonas con vegetacin (n=77). Datos de partida todos los puntos (a) y unaimagen (b).
76
Figura 32. Imagen del MDV de la zona de estudio. La visualizacin se ha realizado agrupan-do los valores de las alturas en tres clases: 0-0.3 m, 0.3-2.5 m y h>2.5 m. Estafigura tambin contiene un detalle del MDV y de una imagen multiespectral en unazona con presencia de caminos, parcelas sin vegetacin, vegetacin arbustiva yarbolado. La imagen est visualizada en falso color; las bandas IR, R y G se asig-nan a los canales R, G, B, respectivamente.
78
Figura 33. Diagrama de dispersin entre los valores de altura observada y estimada por parcelas. 79
Figura 34. Representacin del RMSE entre las 83 alturas de la vegetacin obtenidas a partirde los datos LiDAR y las medidas en campo para cada radio.
80
Figura 35. Representacin del RMSE entre las 82 alturas de la vegetacin medidas en cam-po y las obtenidas a partir de los datos LiDAR, tras utilizar varios radios para loscasos de errores asociados al MDE positivos (n=32) y negativos (n=50).
82
Figura 36. Efectos sobre la estimacin de la vegetacin de los errores asociados al MDE. 82Figura 37. Representacin del RMSE al utilizar varios radios entre las 83 alturas de la vegeta-
cin medidas en campo y las obtenidas a partir de los datos LiDAR y alconsiderar los 34 puntos sin error asociado al MDE y con una pendiente inferior al20%.
83
Figura 38 Representacin del RMSE entre las alturas de la vegetacin medidas en campo ylas obtenidas a partir de los datos LiDAR despus de utilizar varios radios en loscasos con densidad de puntos superior (n=43) e inferior (n=49) a los 8 pun-tos/m2.
84
Figura 39. RMSE entre las 83 alturas de la vegetacin medidas en campo y las obtenidas apartir del MDV obtenido de los datos LiDAR para diferentes tamaos de celdas.
85
Figura 40. Imagen resultado de combinar el MDV y la imagen area. 86
Figura 41. Dendrograma de las variables derivadas los datos LiDAR. 87
Figura 42. Dendrograma de las variables derivadas de las bandas espectrales de la imagenarea.
88
-
7/25/2019 tesisUPV3570
17/175
XVII
Figura 43. Diagrama de dispersin entre los valores de vegetacin seca observada y esti-mada.
89
Figura. 44. Parcela con mximo porcentaje de puntos con altura mayor a 1 m (a); parcela conmximo porcentaje de puntos en el intervalo 0,75-1 m (b); parcela con el mximoporcentaje de puntos en el intervalo 0,50-0,75 m (c).
91
Figura 45. Histogramas de la banda verde e imagen en falso color (RGB: infrarrojo, rojo, ver-de) de dos parcelas con alta (arriba) y baja (abajo) presencia de vegetacin
arbustiva. La parcela de arriba con 821,27 kg de vegetacin seca y desviacin es-tndar en la banda verde de 26,90; la parcela de abajo con 275,5 kg devegetacin seca y 38,33 en el valor de la desviacin estndar de la banda verde.
92
Figura 46. Mapa de vegetacin seca de la zona de estudio. Las zonas verdes oscuras repre-sentan reas con ms biomasa, las verdes claras reas con menos biomasa y lasmarrones claras zonas sin vegetacin arbustiva.
93
Figura 47. Diagrama de dispersin entre los valores de volumen observado y estimado. 100
-
7/25/2019 tesisUPV3570
18/175
-
7/25/2019 tesisUPV3570
19/175
XIX
ndice de tablas
Tabla 1. Factores de forma del modelo de volumen analizado (cilindro). 43
Tabla 2. Factores ocupacin para el volumen aparente cilindro (dm3/m3). 44
Tabla 3. Estadsticos de biomasa y volumen derivados de los datos de campo por sub-parcelas.
45
Tabla 4. Estadsticos de biomasa y volumen derivados de los datos de campo por par-celas.
46
Tabla 5. Estadsticos de las alturas mximas dominantes medidas en las 86 subparce-las.
47
Tabla 6. Vectores que definen la secuencia del tamao de cuadrcula aplicados para labsqueda de puntos de cota mnima en el caso de Chiva.
50
Tabla 7. Vectores tabque definen la secuencia umbrales aplicados para la seleccin depuntos de cota mnima en el caso de Chiva.
50
Tabla 8. Variables derivadas de la distribucin de las alturas de los datos LiDAR. 52
Tabla 9. Variables asociadas al porcentaje de puntos LiDAR por intervalos de altura. 53
Tabla 10. Variables derivadas de la imagen espectral rea. 54
Tabla 11. Estimacin de la altura de la vegetacin arbustiva por parcela a partir de datosLiDAR.
79
Tabla 12. Clculo del valor mnimo (min), mximo (max), media y desviacin de las dife-rencias entre las alturas de la vegetacin de los datos LiDAR y las medidas encampo para cada radio.
81
Tabla 13. Estimacin de la altura de la vegetacin arbustiva por subparcelas a partir dedatos LiDAR.
81
Tabla 14. Fiabilidad global, del usuario y del productor de las clases suelo y arbusto cuan-do el MDV y la imagen espectral se combinan y cuando se usa slo el MDV.
85
Tabla 15. Modelos de regresin en la estimacin de vegetacin seca por parcelas. 89
Tabla 16. Modelos de regresin en la estimacin de biomasa hmeda. 94
Tabla 17. Estimacin de la vegetacin seca en 83 subparcelas considerando las alturasmximas en reas de radio 0,5 m (a) y 1,5 m (b).
94
Tabla 18. Estimacin de la vegetacin seca en 83 subparcelas considerando modelos li-neales.
95
Tabla 19. Estimacin de la vegetacin seca en 83 subparcelas considerando modeloscuadrticos.
95
Tabla 20. Tabla 20. Estimacin de la biomasa hmeda en 83 subparcelas a partir del pa-rmetro elevacin mxima de los puntos LIDAR en un rea de radio 0,5 m (a) y1,5 m (b).
95
Tabla 21. Estimacin de la biomasa hmeda en 83 subparcelas considerando modelos li-neales.
96
Tabla 22. Estimacin de la biomasa hmeda en 83 subparcelas considerando modeloscuadrticos.
96
-
7/25/2019 tesisUPV3570
20/175
XX
Tabla 23. Estimacin de la vegetacin seca y de la biomasa hmeda en las subparcelascon presencia de Quercus coccifera r (n=47) y para el resto de vegetacin(n=36).
97
Tabla 24. Estimacin de la vegetacin seca y de la biomasa hmeda en subparcelas condensidad mayor a 8 puntos/m2(n=47) y menor (n=36).
97
Tabla 25. Estimacin de la vegetacin seca y de la biomasa hmeda en las subparcelascon error asociado al MDE menor a 0, 20 m (n=52) y mayor (n=31).
98
Tabla 26. Estimacin de la vegetacin seca y de la biomasa hmeda en subparcelas condensidad mayor a 8 puntos/m2y error asociado al MDE menor a 0,20 m (n=39).
98
Tabla 27. Estimacin de la vegetacin seca y de la biomasa hmeda en subparcelas convegetacin Quercus coccifera y densidad mayor a 8 puntos/m2(n=32).
98
Tabla 28. Estimacin de la vegetacin seca y de la biomasa hmeda en subparcelas convegetacin Quercus cocciferay error asociado al MDE menor a 0,20 m (n=30).
98
Tabla 29. Modelos de regresin en la estimacin del volumen. 100
Tabla 30. Estimacin del volumen en 83 subparcelas considerando modelos lineales. 101
Tabla 31. Estimacin del volumen por subparcelas con presencia de Quercus coccifera(n=47) y para el resto de vegetacin (n=36).
101
Tabla 32. Estimacin del volumen por subparcelas con densidad superior (n=47) e infe-rior (n=36) a 8 puntos/m2.
101
Tabla 33. Estimacin del volumen en las subparcelas considerando el factor error asocia-do al MDE menor a 0,20 m (n=52) y mayor (n=31).
102
Tabla 34. Estimacin de la biomasa en subparcelas combinando los factores vegetacinQuercus coccifera , densidad mayor a 8 puntos/m2 y error asociado al MDEmenor a 0,20 m.
102
Tabla 35. Prueba de muestras relacionadas entre los volmenes medidos en campo y loscalculados a partir del FO y de los datos LiDAR.
103
-
7/25/2019 tesisUPV3570
21/175
Anlisis de los factores que influyen en la precisin de un
MDE y estimacin de parmetros forestales en zonas
arbustivas de montaa mediante datos LiDAR
-
7/25/2019 tesisUPV3570
22/175
-
7/25/2019 tesisUPV3570
23/175
3
1. Introduccin
-
7/25/2019 tesisUPV3570
24/175
-
7/25/2019 tesisUPV3570
25/175
Introduccin
5
Un alto porcentaje de la superficie forestal de la zona Mediterrnea est cubierta por masas arbustivas
densas y bajas. La elevada dificultad que supone su gestin, junto con el desconocimiento del compor-
tamiento de estas masas, hace que en ocasiones se prescindan de ellas en los proyectos de ordenacin
del territorio, siendo sin embargo un medio de enorme relevancia paisajstica y ambiental. Estas masas
impiden la erosin y desertizacin del suelo (Rango et al., 2000), explican la presencia de diferentes espe-
cies de animales (Mundt et al., 2006), influyen en la recarga de los acuferos (Mikys et al., 2007), suponenun sumidero relevante de CO2 (Velzquez-Mart et al., 2010). Su estudio es necesario para crear mapas de
combustibles forestales para la simulacin del comportamiento espacial de los incendios forestales (Riao
et al., 2007). El desarrollo de herramientas eficaces para su manejo se convierte en un reto cientfico con
el objeto de realizar acciones de mantenimiento, restauracin de zonas erosionadas y de superficies in-
cendiadas, as como la caracterizacin de hbitats optimizando los recursos. Para ello, es necesario
disponer de informacin geogrfica actualizada que permita realizar un diagnstico medioambiental e in-
ferir indicadores para una gestin sostenible de estos lugares, frecuentemente protegidos. Algunos
estudios han demostrado el potencial de la tecnologa LiDAR en el anlisis y diagnstico de ecosistemas
forestales (Kim et al., 2008; Martinuzzi et al., 2009).
La tecnologa LiDAR (Light Detection and Ranging), es un sistema activo de teledeteccin que se basa en
la medicin del tiempo transcurrido entre la emisin de un pulso de energa y su llegada al sensor, des-
pus de haber sido reflejado por algn elemento de la superficie terrestre. Estos datos contienen
informacin de las coordenadas de los puntos donde se producen las reflexiones, tanto si se produce en
el suelo como en cualquier objeto que sobresalga de la superficie terrestre, como es el caso de la vege-
tacin y edificios. Con esta informacin es posible transformar los datos registrados en alturas y estudiar
su distribucin para obtener datos de la cubierta forestal, de cualquier otro objeto por encima de la super-
ficie terrestre y definir la topografa del suelo. De esta manera se podran obtener diferentes modelos
digitales: modelo digital de elevacin (MDE), modelo digital de superficie (MDS), modelo digital de la ve-
getacin (MDV) y sus derivados. Estos datos son aplicados en reas como por ejemplo: creacin de
modelos hidrolgicos (Cobby et al., 2001; Casas et al., 2006), extraccin de edificios (Sohn y Dowman,
2007), cambios en la arena de la playa (Shrestha et al., 2005) y, fundamentalmente, aplicaciones foresta-
les (Li et al., 2008; Garca et al., 2010).
Para el clculo del MDE a partir de datos LiDAR, es necesario utilizar algoritmos que permitan descartar
de entre todos los puntos, aquellos que no pertenecen al suelo como los que representan vegetacin,
edificios o cualquier otro elemento que sobresale sobre esta superficie. Este proceso, denominado filtra-
do, ha sido estudiado a partir de diferentes algoritmos que suelen proporcionar buenos resultados en
zonas de campo con poca pendiente. Sin embargo, los resultados son peores en reas urbanas, con su-
perficies rugosas y con vegetacin (Sithole y Vosselman, 2004). Los algoritmos de filtrado suelen ignorar
reas con las caractersticas de esta investigacin (Meng et al., 2010): predominio de vegetacin arbusti-va y pendientes elevadas con variacin irregular. Por lo tanto, aunque existan diferentes metodologas y
-
7/25/2019 tesisUPV3570
26/175
Introduccin
6
programas comerciales que permitan calcular un MDE, es necesario la seleccin de un algoritmo para el
anlisis y la seleccin de los parmetros adecuados que deben usarse en el clculo del MDE y su adap-
tacin a las caractersticas de la zona de estudio.
El sistema LiDAR ha sido ampliamente utilizado en el mbito forestal para estimar variables que caracteri-
zan rboles, variables dendromtricas, y otras relacionadas con los bosques, variables dasomtricascomo la altura, la biomasa y el volumen (Lefsky et al., 1999; Nsset 2002; Maltamo et al., 2004; Popescu
et al., 2007). La biomasa es una variable importante para evaluar el ecosistema y la estructura a lo largo
del paisaje (Zheng et al., 2004) y permite estimar la cantidad de carbono retenida por la vegetacin y el
material celuloso como fuente potencial de energa renovable (Popescu et al. 2007). Por otro lado, la altura
es una variable que permite clasificar los diferentes tipos de vegetacin arbustiva (Riao 2007), es impor-
tante para detectar crecimientos y muestra una correlacin muy alta con la biomasa. Esto se pudo
observar en diversos estudios como los realizados por Hyypp e Inkinen (1999), Lim et al., (2003) y Nel-
son et al., (2004) que trabajaron en zonas con presencia de rboles. En contraste, las zonas arbustivas
han sido objeto de pocas investigaciones por su dificultad tcnica (baja altura y superficie uniforme). En el
caso de los rboles se han seguido dos enfoques (Hyypp et al., 2008): estimacin de variables dasom-
tricas a partir del clculo de regresiones entre los datos de campo y estadsticos derivados de los datos
LiDAR en una parcela que han sido referenciados a la superficie topogrfica (Nelson et al., 1998; Naesset
et al., 2004; Andersen et al., 2005; Li et al.,2008; Garca etal.,2010); y estudios en los que se estiman pro-
piedades fsicas de rboles a partir de la extraccin de las copas mediante la distribucin de las alturas de
los datos LiDAR que tambin han sido referenciados a la superficie topogrfica (Hyypp et al., 2001;
Holmgren et al., 2003; Persson et al., 2002; Maltamo et al., 2004; Popescu, 2007). De esta manera, la altu-
ra de cada punto LiDAR indica la distancia a la superficie del suelo. Con la vegetacin arbustiva slo el
primer enfoque es posible ya que se trata de una estructura continua y de reducida altura, lo que implica
una mayor dificultad en su anlisis. Por ello, su aplicacin e inferencias estarn condicionadas a una bue-
na caracterizacin previa del comportamiento de las masas arbustivas en diferentes escenarios de
acuerdo a parmetros o indicadores tomados en campo que puedan ser correlacionados con los datos
aportados por el sistema LiDAR. Para ello, la precisin de un MDE es un factor relevante en estas reas
debido a las pequeas diferencias en altura entre la vegetacin y el terreno. No sucede lo mismo en los
trabajos realizados en bosques, en los que las diferencias en altura entre el suelo y los rboles son mayo-
res y en los que es frecuente descartar los puntos LiDAR asociados al suelo y al sotobosque (Popescu et
al., 2002; Naesset, 2004; Kim et al., 2009).
La mayora de las investigaciones sobre vegetacin arbustiva basados en datos LiDAR han tenido como
objetivos la estimacin de la altura y el clculo de mapas de ocupacin de este tipo de vegetacin (Streut-
ker y Glenn, 2006; Riao et al., 2007). Sin embargo, pocos estudios se han centrado en la estimacin de
la biomasa y volumen que son variables importantes en aplicaciones forestales. Una de las razones es ladificultad que supone la medicin en campo de estas variables para ser correlacionadas con los datos
-
7/25/2019 tesisUPV3570
27/175
Introduccin
7
LiDAR. Otra razn, es el menor conocimiento de este tipo de vegetacin, a diferencia de los rboles, en
los que se aplican ecuaciones definidas para estimar variables dendromtricas a partir de simples medi-
das en campo. Una ltima razn puede ser el menor inters de estas zonas desde un punto de vista
econmico en contraposicin a lo que ocurre con otras zonas forestales con predominio de rboles.
El objetivo de este trabajo fue determinar parmetros ptimos para el clculo de un MDE a partir de datosLiDAR utilizando filtros basados en la seleccin de cotas mnimas. Los parmetros a analizar fueron: datos
de entrada, tamaos de ventana y umbrales aplicados a los algoritmos iterativos de seleccin de puntos
mnimos. Tambin se analizaron los factores densidad de puntos, pendientes y presencia de vegetacin
arbustiva en la precisin del MDE. Estos resultados se utilizarn como base para la estimacin de las altu-
ras, biomasa y volumen ocupado por la vegetacin arbustiva en terrenos muy accidentados,
caractersticos de la zona Mediterrnea.
A partir de los resultados de esta investigacin se podra orientar mejor las polticas de promocin del uso
y conservacin de la superficie forestal arbustiva; evaluar cual es el potencial de biomasa existente en los
sistemas mediterrneos y definir la tecnologa apropiada para las actuaciones de conservacin y mejora
de biomasa potencial que todava no ha sido gestionada. Los resultados de este estudio tambin se po-
dran aplicar en la generacin de mapas de combustibles forestales para la simulacin de modelos de
propagacin de incendios. Este estudio puede contribuir en mejorar el conocimiento de los hbitats de la
Comunidad Valenciana pudiendo analizar evoluciones de los mismos. Finalmente, los resultados de este
estudio podran ser relevantes como herramienta de cuantificacin de recursos alimenticios en los estu-
dios de carga ganadera.
Este trabajo de investigacin tendr dos bloques. En el primero se abordarn cuestiones relacionadas con
el clculo del MDE. Se obtendrn los parmetros ptimos del algoritmo utilizado para el clculo del MDE
en zonas con diferentes caractersticas y se analizar los efectos de la pendiente, tipo vegetacin y densi-
dad de datos. El segundo bloque estar relacionado con la definicin de modelos para la estimacin de la
altura, biomasa y volumen de la vegetacin arbustiva en parcelas y subparcelas. Tambin se obtendr la
capa de la vegetacin arbustiva presente en la zona de estudio. Se analizar si la combinacin de infor-
macin espectral y datos LiDAR mejora dichas estimaciones.
-
7/25/2019 tesisUPV3570
28/175
-
7/25/2019 tesisUPV3570
29/175
9
2. Antecedentes
-
7/25/2019 tesisUPV3570
30/175
-
7/25/2019 tesisUPV3570
31/175
Antecedentes
11
En este apartado se abordar la terminologa utilizada en la definicin de un MDE, se revisarn los algoritmos
para su clculo y los factores que afectan a la precisin de los mismos utilizando datos LiDAR. Tambin se
describirn los algoritmos de clculo de un MDS y MDV. Finalmente se abordarn los antecedentes relaciona-
dos con la extraccin de variables forestales a partir de datos LiDAR.
2.1. CLCULO DE MODELOS DIGITALES
En este apartado se desarrollarn aspectos relacionados con el clculo del modelo digital de elevaciones
(MDE), del modelo digital de superficies (MDS) y del modelo digital de vegetacin (MDV) empezando por
las definiciones y nomenclaturas, analizando los modelos ms utilizados para sus clculos y revisando la
bibliografa relacionada para sus determinaciones a partir de datos LiDAR.
2.1.1. Definicin de MDE, aplicaciones y mtodos de captura
Un Modelo Digital del Terreno (MDT) es un conjunto ordenado de nmeros que representa la distribucin
espacial de caractersticas del terreno (Doyle, 1978). Aunque esta definicin suele utilizarse para referirse
a la distribucin de las elevaciones del terreno, tambin se puede encontrar en la bibliografa reciente
(Koukoulas et al., 2004; Reutebuch, 2005; Evans etal., 2007) el trmino modelo digital de elevaciones
(MDE) para expresar tal distribucin y diferenciarlos de otros modelos que describen diferentes caracte-
rsticas del terreno (Doyle, 1978; Burrough y McDonnell, 1998). Por este motivo en este trabajo se utilizar
MDE para hacer referencia a la distribucin de las elevaciones del terreno. Segn Felicsimo (1994) un
modelo digital de elevaciones es una estructura numrica de datos que representa la distribucin espa-
cial de la altitud de la superficie del terreno.
Los modelos digitales de elevaciones tienen muchas aplicaciones. Entre ellas se encuentra la generacin
de modelos hidrolgicos, cuencas hidrogrficas, estudios de vegetacin, cartografa de riesgos de inun-
dacin, modelos de propagacin de incendios forestales, estudios de cuencas visuales, generacin de
perfiles del terreno, clculo del movimiento de tierras y generacin de modelos derivados como son el
mapa de pendientes, orientaciones y rugosidad del terreno.
Existen diferentes tcnicas para la captura de esta variable geogrfica. Felicsimo (1994) establece una
clasificacin de los mtodos de captura en directos o secundarios. En los primeros, se mide la altura di-
rectamente a travs de una estacin total, un GPS o los altmetros radar o lser. En los segundos, se
obtiene la altura tras aplicar procesos fotogramtricos sobre fotografas areas o imgenes de satlite con
recubrimiento. Tambin se pueden obtener datos de manera indirecta a partir de la interferometra radar y
la digitalizacin automtica o manual de curvas de nivel y puntos acotados sobre cartografa existente. De
-
7/25/2019 tesisUPV3570
32/175
Antecedentes
12
entre todas estas tcnicas, los sistemas LiDAR permiten medir una mayor cantidad de puntos por superfi-
cie. Sin embargo, las estaciones totales y los equipos GPS permiten definir con precisin elementos de la
superficie, los puntos se distribuyen de manera ms eficiente y se pueden repetir las medidas. La principal
desventaja de estos mtodos frente a los sistemas LiDAR es que resultan poco adecuados para superfi-
cies grandes y de difcil acceso, como las reas forestales. Si comparamos los sistemas LiDAR y los
productos obtenidos a partir de tcnicas fotogramtricas, estos ltimos se ven afectados por sombras(Andersen et al., 2007). Adems, en los casos de vegetacin densa, la medicin de las alturas de los r-
boles es menos precisa y la capacidad de penetracin menor (Hyde et al., 2006). En estos casos es
necesario localizar zonas abiertas para medir la elevacin del suelo, pudindose encontrar a una distancia
demasiado grande del rbol cuya altura se quiere medir (St-Onge et al., 2004). En el caso de los sistemas
LiDAR, aunque las precisiones en el clculo del MDE y de variables forestales disminuyen en zonas den-
sas de vegetacin (Cobby et al., 2001; Raber at al., 2002; Hodgson et al., 2005), son mejores a las
obtenidas en los procesos de restitucin ya que entre un 20 y 40% de los pulsos pueden alcanzar el suelo
(Ackermann 1999). Por otro lado, y a diferencia de lo que ocurre en fotogrametra, no es necesario que los
puntos aparezcan en dos imgenes (Kraus y Pfeifer, 1998), ni la toma de puntos de apoyo, ya que la geo-
rrefenciacin del sistema LiDAR se basa en la utilizacin de un GPS diferencial, un sistema inercial, y de
los tiempos emisin-recepcin del haz de energa. Segn Baltsavias (1999) las principales ventajas del
sistema LiDAR frente a la fotogrametra seran: una mayor densidad de puntos, una mayor precisin y la
automatizacin de los procesos y la entrega ms rpida de los datos.
Los sistemas LiDAR tienen la desventaja de que en zonas con presencia de agua el haz de energa tiende
a ser absorbido (Huising y Gomes, 1998) generando reas vacas sin informacin, sobre todo en zonas de
aguas profundas (Charlton, 2003). Otro problema sera la subestimacin de las alturas de los rboles
cuando se utilizan datos LiDAR ya que el haz de energa penetra hacia el interior de la vegetacin antes de
ser reflejado (Magnussen et al 1999; Gaveau y Hill, 2003). Por otro lado, para el clculo del MDE a partir
de datos LiDAR es necesario la utilizacin de algoritmos que permitan separar los puntos que pertenecen
al suelo de los que no, lo que puede ser difcil en reas cubiertas de vegetacin en terrenos con elevadas
pendientes.
2.1.2. Modelos de datos para el MDE
Para obtener un MDE a partir de datos LiDAR es necesario convertir los puntos obtenidos por este siste-
ma en una superficie continua. Para realizar esta conversin, se utilizan frecuentemente dos estructuras:
clculo de TINs (Triangular Irregular Nets) o una imagen basada en una malla regular formada por celdas
(Korte, 1997). El clculo de un TIN se basa en el clculo de tringulos formados por los puntos LiDAR. Es-
te modelo presupone que los puntos incluidos en su interior pertenecen al plano formado por los puntos
del tringulo (Bosque, 1997). La elevacin de cualquier punto que pertenezca al tringulo se obtiene porinterpolacin. La estructura basada en una imagen utiliza celdas como unidades de observacin y en su
-
7/25/2019 tesisUPV3570
33/175
Antecedentes
13
interior asignan un nico valor de altura. El modelo TIN tiene la ventaja de utilizar una densidad de puntos
en funcin de la dificultad orogrfica de la zona y permite seleccionar puntos crticos como cumbres, co-
llados y lneas de cambio de pendiente (Casas et al., 2006). Por contra, las estructuras basadas en una
imagen resultan ms apropiadas para realizar operaciones de anlisis de superposicin, como la creacin
de modelos y deteccin de cambios (Burrough y McDonell, 1998). En el caso de los datos LiDAR, en los
que se dispone de una alta densidad de puntos, ambos sistemas podran considerarse adecuados paradefinir un MDE, siempre y cuando se utilice un tamao de celda pequeo para el modelo imagen.
2.1.3. Algoritmos en la generacin de MDE a partir de datos LiDAR
Los datos que registra un sistema LiDAR contienen informacin de las coordenadas de los puntos donde
se producen las reflexiones, tanto si se producen en el suelo como en cualquier objeto que sobresalga de
la superficie terrestre, como son los casos de la vegetacin y edificios (Figura 1). Para obtener el MDE es
necesario clasificar estos datos segn pertenezcan al suelo o a objetos por encima de la superficie topo-
grfica. Aunque este proceso, denominado filtrado, ha sido estudiado a partir de diferentes algoritmos, esmuy difcil automatizarlo completamente (Baltsavias 1999). Los algoritmos de filtrado se pueden agrupar
en las siguientes clases (Sithole y Vosselman, 2004): basados en el clculo de TIN, contornos activos, in-
terpolacin, morfolgicos y los basados en la pendiente. Estos ltimos suelen representar modificaciones
de los cuatro primeros algoritmos. Por este motivo se analizarn de manera conjunta.
Filtros basados en el clculo de TIN
Estos filtros se basan en el hecho de que la superficie topogrfica no suele presentar grandes discontinui-
dades en el relieve. Para el clculo del MDE se parte de una primera triangulacin a partir de una
bsqueda inicial de puntos mnimos. A partir de aqu, Axelsson (2000) aplic un proceso iterativo para la
bsqueda de nuevos puntos mnimos. Para ello, se establecieron dos condiciones: que el ngulo del nue-
vo tringulo que se form con el punto candidato fuera inferior a un umbral, y que el nuevo punto estuviera
a una determinada distancia del punto ms cercano del tringulo a modificar. Este algoritmo sirvi de refe-
rencia en el programa Terra Scan de 3D Laser Mapping. Sohn y Dowman (2002) realizaron una primera
triangulacin con los cuatro puntos mnimos ms cercanos a los vrtices del rectngulo que incluy la nu-
be original de puntos. A continuacin, el punto ms bajo de cada tringulo fue aadido en la siguiente
triangulacin. El proceso se repiti hasta que no hubiera ningn tringulo con un punto por debajo de
ellos. Debido a que existan puntos pertenecientes al suelo que no fueron seleccionados, se estableci un
nuevo algoritmo de bsqueda. Se bas en el clculo de un rea de influencia vertical y en seleccionar
aquellos puntos que generaron tetraedros ms planos.
-
7/25/2019 tesisUPV3570
34/175
Antecedentes
14
Figura 1. Informacin generada por un sistema LiDAR areo en la que sepueden distinguir puntos correspondientes al suelo, a la vegetacin y a lacubierta de una casa.
Filtros basados en contornos activos
Este algoritmo utiliza un modelo de formas activo para representar un contorno tridimensional, el cual fun-
ciona como una red para eliminar puntos no pertenecientes al suelo. Elmqvist (2003) calcul una
superficie horizontal por debajo de todos los puntos. A continuacin, esta superficie se ajust hacia arriba
para encajarse con los puntos del terreno y descartar los puntos pertenecientes a la vegetacin y edifi-
cios.
Filtros basados en interpolacin
El principal objetivo de los filtros basados en interpolacin es comparar las elevaciones de los puntos y
las estimadas a partir de varios mtodos de interpolacin. Para minimizar la influencia de puntos locales
no pertenecientes al suelo son necesarios procesos iterativos (Lohmann et al., 2000). Kraus y Pfeifer
(1998) aplicaron un proceso iterativo basado en el clculo de una superficie media usando todos los da-
tos LiDAR. Para ello aplicaron una interpolacin lineal basada en el clculo de mnimos cuadrados con un
conjunto de funciones de pesos. Los puntos pertenecientes a la superficie topogrfica tenan residuos
negativos, mientras que los puntos pertenecientes a la vegetacin presentaban residuos muy pequeos o
positivos. A partir de estos valores, se defini la funcin de peso con valores entre 1 y 0. A los puntos con
residuos muy negativos se les asignaron pesos prximos a 1 y a los positivos el valor 0. Este algoritmo
fue considerado en el programa SCOP++ del Instituto de Fotogrametra y Teledeteccin de TU Viena e
INPHO GmbH.
Otro mtodo de interpolacin utilizado es el thin-plate spline (TPS). Brovelli (2002) utiliz este mtodo para
la separacin de los puntos pertenecientes al suelo y los que pertenecieron a objetos por encima de la
superficie topogrfica. Para ello, los puntos situados por encima del spline calculado se clasificaron comopuntos asociados a objetos potenciales y los puntos por debajo, como puntos potenciales pertenecientes
casa
Vegetacin
suelo
-
7/25/2019 tesisUPV3570
35/175
Antecedentes
15
al suelo. Los bordes de los puntos pertenecientes a objetos se pudieron defininir. Uniendo los bordes se
obtiene que todos los puntos de su interior pertenecen a objetos si la altura es igual o mayor a la altura
media de los puntos en el borde. Algunas modificaciones de este algoritmo adaptado a zonas con pen-
dientes elevadas se pueden encontrar en Lee (2003). Evans y Hudak (2007) utilizaron un proceso iterativo
aplicando una interpolacin TPS modificando el tamao de celda.
Filtros morfolgicos
Un grupo importante de algoritmos est basado en la utilizacin de filtros morfolgicos. Estas operaciones
se basan en la aplicacin de operaciones matemticas sobre un conjunto de puntos incluidos en una ven-
tana que se desplaza sobre la zona de estudio y de tamao determinado. Dos operaciones bsicas se
suelen utilizar: dilatacin y erosin.
La dilatacin consiste en la seleccin del punto de cota mxima dentro de la ventana definida. Por el con-
trario, la erosin se basa en la seleccin del punto mnimo dentro de una ventana. Se pueden combinar
estas operaciones dando lugar a una apertura y a un cierre. En la apertura, primero se aplica una erosin
y luego una dilatacin. En el cierre pasa lo contrario. Kilian et al., (1996) utilizaron un proceso iterativo en el
que se aplic un filtro de apertura incrementando el tamao de la ventana entre pasos. A los puntos clasi-
ficados como suelo se les asign un peso en funcin de la ventana utilizada, siendo menor al utilizar
ventanas grandes. Una mejora de este mtodo consisti en utilizar umbrales entre pasos. Si se elige un
umbral para la diferencia entre la elevacin de un punto seleccionado en un paso de la iteracin y la aso-
ciada a ese punto en el MDE calculado en un paso previo, permitir eliminar puntos seleccionados en
cada paso cuya elevacin difiera ms de un cierto valor. De esta manera se puede obtener un MDE ms
preciso ya que se eliminaran puntos asociados a cualquier objeto sobre la superficie terrestre, como la
vegetacin y los edificios (Zhang et al., 2003).
Dentro del grupo de filtros morfolgicos se puede incluir el algoritmo basado en un proceso iterativo de
seleccin de puntos con elevacin mnima, definiendo una ventana de bsqueda. Con estos datos se ob-
tendra un MDE inicial. Posteriormente se realiza, a partir de los datos iniciales, una nueva seleccin de
cotas mnimas aplicando ventanas de bsqueda menores. Los nuevos puntos seleccionados se compa-
ran con el MDE inicial y se definen umbrales para eliminar, de entre estos puntos, aquellos cuya diferencia
respecto al MDE inicial supere un determinado valor. De esta manera se eliminaran puntos pertenecientes
a cualquier objeto sobre la superficie terrestre como la vegetacin. Hyypp et al., (2001b) obtuvieron un
primer MDE a partir de los puntos mnimos considerando una tamao de ventana de 8x8 m. A continua-
cin, se superpuso esta superficie con los puntos originales para determinar los que pertenecen a la
superficie topogrfica. Para ello, se utilizaron umbrales de 0,5 y 1 m. Popescu et al., (2002) seleccionaron
los puntos mnimos incluidos en celdas de tamao 5x5 m. A partir de estos datos calcularon una imagen a
la que se le aplic un filtro de mnimo de 3x3. Wack y Wimmer (2002) calcularon el MDE a partir de la se-leccin del punto ms bajo entre el 99% de los puntos dentro de una celda con un tamao decreciente en
-
7/25/2019 tesisUPV3570
36/175
Antecedentes
16
cada paso. Se utilizaron los tamaos 9, 3 y 1 m. En cada paso se aplic un filtro laplaciano para eliminar
objetos no pertenecientes al suelo. Clark et al. (2004) empezaron la bsqueda con una ventana inicial de
20x20 m y luego utilizaron los tamaos 15x15 m y 10x10 m. El umbral entre pasos con el que obtuvieron
mejores resultados fue 0,25 m. Yu et al., (2004) consideraron para la bsqueda de puntos mnimos los si-
guientes vecindarios decrecientes: 7, 5, 3, 2, 1 y 0,5 m. Una variante de esta metodologa fue utilizar un
tamao de ventana segn la heterogeneidad estructural del dosel (Patenaude et al., 2004). El tamao deventana idneo para la bsqueda de puntos pertenecientes al suelo depender de varios factores entre
los que se encuentra las dimensiones de los objetos por encima del suelo, la pendiente del terreno y la
densidad de datos LiDAR. En zonas con una cubierta densa de rboles, lo que dificulta la penetracin del
haz de energa, cabe esperar que la utilizacin de ventanas de mayor tamao proporcionen mejores resul-
tados (Clark et al., 2004)
Vosselman (2000) utiliz un filtro centrado en cada punto y aplicado a su vecindario basado en un cono pa-
ra buscar los puntos por debajo de l. Si no hay puntos por debajo del cono, entonces el punto del centro
del cono es considerado como punto terreno. El resto de los objetos son considerados puntos no pertene-
cientes al suelo. De esta forma, se puede modelar la variacin de altura admisible en funcin de la
distancia y con estos datos clasificar los puntos pertenecientes al suelo de los que no lo son. Variaciones
de este mtodo, en las que se tiene en cuenta la pendiente, pueden encontrarse en Sithole (2002) y en
Roggero (2002).
2.1.4. Factores que afectan a la precisin de un MDE
La precisin en el clculo del MDE a partir de datos LiDAR depende de varios factores. Hyypp et al.
(2008) los agruparon en cuatro clases: errores asociados al sistema LiDAR (GPS, INS, laser escner), me-
todologa y algoritmos, caractersticas asociadas a los datos y la complejidad de la superficie terrestre. En
cuanto a los primeros, las empresas que realizan los vuelos suelen llevar a cabo un estudio sobre la pre-
cisin de las mediciones realizadas por el equipo GPS y el sistema inercial. Una forma de validar la
precisin del sistema LiDAR es analizar las diferencias entre los datos medidos en campo y los obtenidos
con los datos LiDAR en zonas de control, como pueden ser las zonas llanas sin vegetacin o en tejados
planos (Huising y Gomes, 1998; Hopkinson et al., 2005).
Por otro lado, es necesario tener en cuenta otro tipo de errores asociados a un mal funcionamiento del
sistema que genera puntos con un valor anmalo de elevacin, pudiendo ser ms altos o ms bajos de
lo real. A veces, los valores ms altos estn causados por la interseccin del haz de energa con aves.
Estos errores se pueden eliminar a partir de la seleccin de los puntos con elevacin superior o inferior a
un percentil calculado a partir de todos los datos (Wack y Wimmer, 2002; Riao et al., 2004).
-
7/25/2019 tesisUPV3570
37/175
Antecedentes
17
En cuanto al factor de la metodologa y algoritmos, se puede encontrar una comparacin y clasificacin
de ellos en Sithole y Vosselman (2004). De los mtodos analizados, los algoritmos que utilizan superficies
locales suelen dar mejores resultados. Todos los mtodos comparados por estos autores dieron buenos
resultados en reas abiertas con poca pendiente. Sin embargo, los errores aumentaron en zonas urbanas
complejas y en terrenos rugosos con pendiente elevada.
Otro de los factores a considerar en la precisin de un MDE lo constituye las caractersticas de los datos
asociadas a su adquisicin o registro como pueden ser la altura de vuelo, la densidad de puntos, si hay
varios retornos o el ngulo de escaneo. A mayor altura de vuelo y de ngulo de escaneo aumenta el error
(Baltasvias, 1999; Akokas et al., 2003). La densidad y distribucin de los puntos es un factor decisivo en
la fiabilidad y calidad de los MDE (Baltasvias, 1999). Hyypp et al., (2005) analizaron el efecto de la varia-
cin de la altura de vuelo y la densidad de pulsos sobre la precisin en el clculo del MDE. Al pasar de
una altura de 400 m con una densidad de 8 puntos/m2a otra de 1500 m con una densidad de 1-2 pun-
tos/m2, aument el error aleatorio de 0,12 a 0,18 m.
Por ltimo, las caractersticas de la superficie a medir es otro factor determinante de la precisin de un
MDE. La presencia de vegetacin densa hace que sea muy difcil que algn pulso alcance el suelo, dis-
minuyendo la precisin del MDE. Kraus y Pfeifer, (1998) afirmaron que un porcentaje inferior al 25% de los
puntos LiDAR penetran en las zonas forestales y que, al aumentar la rugosidad y la pendiente del terreno,
decrece la precisin en la altura de 0,5-1 m para una altura de vuelo de 1.000 m. En general, la precisin
de un MDE decrece en zonas con vegetacin densa y con pendientes elevadas (Raber et al., 2002;
Hodgson et al., 2005; Clark et al., 2004). Segn Hollaus et al., (2006), el RMSE aument de 0,1 m a 0,3 m
cuando las pendientes pasaron del 10% al 40-50 % en una zona forestal de los Alpes austriacos con una
pendiente media de 40 grados y una densidad media de 2 puntos/m 2.
Las precisin del MDE obtenido a partir de datos LiDAR fue 0,1 m con una desviacin estndar de 0,15 m
en zonas llanas y sin errores sistemticos asociados al sistema LiDAR (Huising and Gomes, 1998; Hyypp
et al., 2001). Raber et al., (2002) calcularon el MDE en un mbito forestal con un error absoluto medio y
RMSE de 0,20 y 0,29 m, respectivamente. Andersen et al., (2005) estimaron la precisin del MDE bajo el
dosel forestal formado por conferas midiendo 347 puntos de control. Para este estudio se registraron 4
puntos/m2. El error medio fue de 0,22 m con una desviacin tpica de 0,24 m. Kobler et al., (2007) cal-
cularon un MDE en una zona forestal con una pendiente media del 58% y una densidad de 8.5 puntos/m 2.
El RMSE vari entre 0,16 m y 0,37 m. Estos resultados, errores inferiores a 0,40 m, pueden conside-
rarse como referencia en las precisiones a obtener en el clculo de un MDE en las condiciones ms
complejas: reas forestales con alta densidad de rboles y pendientes altas.
-
7/25/2019 tesisUPV3570
38/175
Antecedentes
18
2.1.5. Clculo del MDS y MDV
Adems de los MDE, los datos registrados por un sistema LiDAR permiten obtener modelos digitales de
superficies (MDS). Un MDS representa la superficie topogrfica del terreno que incluye edificios, vegeta-
cin, carreteras y elementos naturales del terreno (Figura 2b). Un MDS es una descripcin geomtrica de
la superficie topogrfica y de los objetos localizados sobre ella como rboles y edificios (Haala et al.,
1999; Priestnall et al., 2000).
A diferencia del MDE, el MDS se calcula a partir de la seleccin de los puntos con elevacin mxima en
un vecindario de tamao determinado. Hyypp et al., (2001b) seleccionaron el valor mximo de los pun-
tos incluidos en una celda de 0,5 m de lado. En las zonas desprovistas de datos se realiz una
interpolacin basada en las alturas de los puntos ms cercanos. Del mismo modo, Persson et al., (2002)
calcularon el MDS utilizando un tamao de celda de 0,66 m. En los casos en los que una celda no tuviera
ningn punto LiDAR, se le asignaba la media de las elevaciones de los pxeles contiguos. Otros autores
(Maltamo et al., 2004; Takahashi et al., 2005; Popescu et al., 2007) utilizaron slo los datos del primer re-
torno para detectar los puntos con elevacin mxima, utilizando un tamao de pxel entre 0,5 y 0,66 m.Patenaude et al., (2004) calcularon el MDS utilizando los datos del primer retorno sin seleccin de mxi-
mos.
(a) (b)
Figura 2. Detalle de un MDE (a) y de un MDS (b) en el que se pueden observar los edificios en la zona de la ciudad.Fuente: DIELMO 3D S.L.
A partir del MDE y del MDS puede calcularse su diferencia (MDS-MDE), que en zonas forestales repre-
senta el modelo digital de la vegetacin (MDV). Cada celda de esta imagen contiene la altura de la
vegetacin (Figura 3). El MDV es la superficie de partida para el clculo de estadsticos con los que se
puede estimar variables dasomtricas (Nelson et al., 2004; Naesset 1997; Means et al., 2000; Lim et al;
-
7/25/2019 tesisUPV3570
39/175
Antecedentes
19
2003; Andersen et al., 2005; Kim et al., 2009; Garca et al., 2010). El MDV tambin es la superficie de par-
tida sobre la que se aplican procesos de segmentacin de imgenes a partir de los cuales pueden
obtenerse caractersticas de rboles individuales (Hyypp and Inkinen, 1999; Hyypp et al., 2001b;
Person et al., 2002; McCombs et al., 2003; Popescu et al., 2004; Bortolot 2005).
MDS CHM
MDE
Suelo
Superficie altimtrica de referencia
Figura 3. Representacin de un MDS, MDE y MDV.
No todos los estudios sobre la vegetacin a partir de datos LiDAR consideran el MDV para obtener varia-
bles forestales. En otros estudios (Riao et al., 2004) se trabaja con los puntos LiDAR originales. Para
calcular su altura se aplica una superposicin entre los puntos y el MDE (Figura 4). A continuacin se res-
ta al valor de la elevacin del punto la del MDE. Con estos datos se calculan ciertos ndices que se
utilizarn para estimar variables dendromtricas-dasomtricas.
Figura 4. Superposicin del MDE sobre los puntos LIDAR originales parael clculo de la altura de cada uno de ellos.
MDV
-
7/25/2019 tesisUPV3570
40/175
Antecedentes
20
2.1.6. Discusin
Como se ha visto en las apartados precedentes la precisin de un MDE depende de las caractersticas
de los datos. En la adquisicin de datos LiDAR se tienen que tener en cuenta una serie de parmetros
entre los que se pueden citar: la altura de vuelo, frecuencia de escaneado, frecuencia de pulsacin lser,
ngulo de escaneado y densidad de puntos por m2. La altura de vuelo condicionar la precisin horizon-tal y vertical en el clculo de las coordenadas de los pulsos. A mayor altura, menor precisin. El ngulo
de escaneado interesar que sea lo ms pequeo posible. De este modo, en zonas en las que la presen-
cia de vegetacin sea muy densa y los huecos entre ella escasos hay mayor probabilidad de que algn
pulso alcance el suelo. Una frecuencia de pulsacin y de escaneado alta posibilitar la generacin de
una densidad de puntos LiDAR por m2alta, lo que permitir obtener una mayor precisin del MDE.
En cuanto a las caractersticas de la superficie se ha comprobado que el error aumenta en zonas con
presencia de vegetacin y elevada pendiente ya que en estos casos es ms difcil seleccionar puntos Li-
DAR que pertenezcan al suelo. Lo contrario sucede en reas llanas sin vegetacin. En estos casos el
error obtenido en el clculo de un MDE estar relacionado con la precisin del sistema LiDAR en la ad-quisicin de los datos. En cuanto a los algoritmos a utilizar segn Sithole y Vosselman (2004) generan
mejores resultados aquellos que utilizan superficies locales en la seleccin de puntos pertenecientes a la
superficie topogrfica. De esta manera no se eliminan las variaciones pequeas del relieve. Los algorit-
mos basados en procesos iterativos de bsqueda de puntos con elevacin mnima en ventanas
decrecientes son un ejemplo. En los ensayos realizados por estos autores todos los algoritmos propor-
cionan buenos resultados en reas llanas sin vegetacin y todos generan errores mayores en reas
urbanas, con vegetacin y pendientes elevadas. A pesar de los estudios realizados, son necesarias nue-
vas investigaciones en reas con vegetacin baja, ya que los algoritmos de filtrado suelen ignorar estas
reas (Meng et al., 2010).
2.2. ESTIMACIN DE VARIABLES FORESTALES A PARTIR DE DATOS LiDAR
Uno de los mbitos en los que ms se estn utilizando los sistemas LiDAR es en el forestal. Entre las apli-
caciones y lneas de investigacin llevadas a cabo en este rea se pueden citar: utilizacin de los
sistemas LiDAR para la gestin y ordenacin de montes e inventarios (Hyypp et al 2001b; Reutebuch et
al., 2005; Donoghue et al., 2007); deteccin de cambios en la vegetacin (Yu et al., 2004); conservacin y
anlisis de hbitats (Mundt et al., 2006); estimacin de parmetros forestales para la generacin de mo-
delos de propagacin de incendios forestales (Erdody y Moskal, 2010); cuantificar sumideros de CO 2en
zonas forestales (Garca et al., 2010). Para llevar a cabo estos trabajos se definen dos aproximaciones.
Por una lado, se considera como unidad de estudio la parcela y, por otro, el rbol individual. As, se esti-
marn variables dasomtricas en el primer caso y dendromtricas en el segundo.
-
7/25/2019 tesisUPV3570
41/175
Antecedentes
21
2.2.1. Estudios sobre estimacin de variables dasomtricas basadas en la distribucin de alturas LiDAR
Existen numerosos estudios en los que se ha utilizado el sistema LiDAR para la estimacin de variables
dasomtricas. Naesset (1997) estim la altura media de los rboles contenidos en 36 rodales. En este tra-
bajo se alcanzaron buenos resultados cuando se utilizaron ventanas variables, entre 15-30 m, para elclculo de la media de las alturas dominantes de los puntos incluidos en ellas. De esta manera se obtuvo
una diferencia entre las medias de las alturas medidas en campo y las alturas estimadas con los datos
LiDAR que oscil entre -0,4 1,9 m. Nelson et al. (1998) consideraron la altura media cuadrtica de los
puntos pertenecientes a las copas de los rboles para estimar la biomasa y el volumen. Los mejores mo-
delos explicaron entre el 53% y 65% de la variabilidad de la biomasa y volumen. Means et al. (2000)
utilizaron los datos LiDAR para estimar la altura, rea basal y volumen de 19 parcelas de Pseudotsuga
menziesii.Para estimar la altura, utilizaron la altura mxima y el percentil 90 de las alturas de los puntos
incluidos dentro de cada parcela. Obtuvieron un R2 de 0,93 y un error medio cuadrtico (RMSE) de 3,4 m.
Para el caso del rea basal se utilizaron los percentiles 0 y 80 de las alturas de los puntos incluidos en
cada parcela y el 20 de la cubierta del dosel. Para el caso del volumen, se consideraron las mismas va-riables. Los valores de R2 fueron 0,95 y 0,97, respectivamente. Naesset (2004) calcul diferentes
estadsticos de los puntos LiDAR incluidos en cada una de las 16 celdas en las que se dividieron las 116
parcelas de estudio. Las diferencias entre las medias y desviacin estndar de los valores estimados a
partir de los datos LiDAR y los medidos en campo fueron: para la altura media de -0,58 a 0,85 m y de
0,64 a1,01 m; para la altura dominante, de -0,60 a -0,99 m y de 0,67 a 0,84 m; para el dimetro medio, de
0,15 a 0,74 cm y de 1,33 a 2,42 cm; para el nmero de rboles, de 34 a 108 ha -1y de 97 a 466 ha -1; para
el rea basal de 0,43 a 2,51m2ha-1y de 1,83 a 3,94 m2ha-1; para el volumen de 5,9 a 16,1 m3ha-1y de
15,1 a 35,1 m3ha-1. En este estudio, adems de los percentiles relacionados con la distribucin de las al-
turas, se utilizaron otras variables considerando perfiles de densidad de datos LiDAR. Para ello, se
dividieron los datos del primer pulso en 10 niveles y se calcul el nmero de pulsos perteneciente a cada
uno de ellos. Holmgren y Jonsson (2004) calcularon estadsticos de la distribucin de los datos LIDAR en
29 parcelas y el porcentaje de ocupacin de la vegetacin para estimar variables en la altura media, me-
dia de los dimetros, rea basal y volumen con unos valores de RMSE de 0,8 m (5%), 1,9 cm (8,9%), 3
m2ha-1(12,5%) y 28 m3ha-1(14,1), respectivamente.
Adems de las variables dasomtricas anteriores, hay otras que se pueden estimar a partir de los datos
LiDAR. Riao et al., (2004) estimaron variables para definir modelos de propagacin de incendios foresta-
les. Para ello, calcularon diferentes parmetros estadsticos como la altura media, mxima, mnima, los
percentiles 1 y 99, y el porcentaje de ocupacin a partir de la distribucin de los datos LiDAR en parcelas.
Con estos datos se estim la biomasa foliar, altura mxima del rbol, la altura mnima de la copa, percen-
til 10 de la base de la copa, el volumen de la copa y la densidad aparente con unos resultados mximosen R2 de 0,84, 0,95, 0,34, 0,97, 0,92 y 0,80, respectivamente. Con el mismo objetivo, Andersen et al.,
-
7/25/2019 tesisUPV3570
42/175
Antecedentes
22
(2005) determinaron el peso del material combustible, la densidad aparente, la altura de la base del dosel
y la altura del dosel con un R2de 0,86, 0,84, 0,77 y 0,98, respectivamente. Para ello, obtuvieron estadsti-
cos extrados de la distribucin de los datos LiDAR como los percentiles 10, 25, 50, 75 y 90, la altura
mxima, el coeficiente de variacin y la fraccin del nmero de pulsos superiores a una altura de 2 m.
Morsdorf et al., (2004) determinaron el ndice de rea Foliar (LAI) a partir de la relacin entre el nmero de
primeros pulsos y el resto con unos resultados en R2de 0,6 en parcelas con dimetros superiores a los30 m. Patenaude et al., (2004) estimaron la cantidad de CO2a partir de un modelo exponencial en el que
se introdujo el percentil 80 como estadstico que mejores resultados proporcion. Li et al., (2008) realiza-
ron un estudio en el que demostraron que las variables derivadas de los datos LiDAR en parcelas, altura
media, coeficiente de variacin y densidad de puntos pertenecientes al dosel, proporcionaron los valores
ms altos en el coeficiente de determinacin. Estos ensayos se llevaron a cabo en tres bosques con es-
pecies diferentes: Pseudotsuga menziesi y Tsuga heterophyll(R2 = 0,87); Pseudotsuga menziesi y Pinus
ponderosa(R2= 0,74); Picea y Betula(R2= 0,68). Pascual et al., (2008) estimaron parmetros relaciona-
dos con la estructura forestal en rodales de Pinus sylvestris mediante datos LiDAR. Los rodales se
delinearon a partir de un proceso de segmentacin del MDV utilizando eCognition. Las mejores variables
para la definicin y caracterizacin de la estructura forestal fueron la mediana y la desviacin tpica de los
datos LiDAR en el interior de cada rodal.
En algunos trabajos, adems de la distribucin de las alturas dentro de las parcelas, se calculan estads-
ticos de la distribucin de los valores de intensidad por parcelas. Lim et al., (2003) utilizaron modelos
multiplicativos para la estimacin de la biomasa y sus componentes. La media de las alturas de los datos
LiDAR incluidos en 49 parcelas fue utilizada como variable independiente en la estimacin de la biomasa
con un R2de 0,85. Hudak et al., (2006) establecieron regresiones mltiples para obtener el rea basal y la
densidad de rboles en 165 parcelas. Como variables independientes se utilizaron la altura media, la
desviacin tpica de la altura, la altura mnima, la intensidad media, la desviacin tpica de la intensidad
de los datos LiDAR incluidos en estas parcelas. Tambin se consideraron varios estadsticos del porcen-
taje de cubierta, como el porcentaje de cubierta media, la desviacin tpica, el porcentaje mnimo y
mximo. A partir de estos parmetros obtuvieron un valor de R2de 0,92 para el caso de la estimacin del
rea basal y de 0,88 para la densidad de rboles. Van Aart et al., (2006) estimaron el volumen y la bioma-
sa a partir del trabajo de campo en 219 parcelas con vegetacin formada por conferas y rboles de hoja
caduca. Para ello, se calcularon estadsticos relacionados con la altura, intensidad, porcentaje de ocupa-
cin y el porcentaje de pulsos interceptado por la vegetacin. En el caso de la vegetacin caducifolia se
obtuvieron unos valores de R2ajustados de 0,59, con un RMSE de 51,15 m3/ha y para la biomasa 0,58
con RMSE 37,41 Mg/ha. Para el caso de las conferas los valores de R 2 fueron 0,66 para el volumen y
0,59 para la biomasa. Donoghue et al., (2007) obtuvieron unos valores de R2=0,85 en la estimacin del
volumen de Picea sitchensisal utilizar como estadsticos relacionados con la intensidad, el percentil 75.
Sin embargo, los resultados fueron mejores al utilizar como variables explicativas la altura media o el co-eficiente de variacin, con unos valores de R2 de 0,93 y 91, respectivamente. Kim et al., (2009)
-
7/25/2019 tesisUPV3570
43/175
Antecedentes
23
combinaron ambos conjuntos de datos para distinguir entre la vegetacin seca y viva en bosques mixtos
de conferas en el Parque Nacional del Gran Can (USA). En el caso de biomasa viva se obtuvo un valor
mximo de R2de 0,85 utilizando slo estadsticos de la distribucin de las alturas derivadas de los datos
LiDAR. Sin embargo en el caso de la vegetacin seca el valor del coeficiente de determinacin fue menor
(0,79). En este caso slo se utilizaron estadsticos derivados de los valores de intensidad de los datos Li-
DAR. Garca et al., (2010) estimaron la biomasa total de las ramas y las hojas utilizando estadsticosderivados de la distribucin de las alturas y porcentajes de valores de intensidad en diferentes intervalos
de altura en bosques mediterrneos. Los mejores resultados se obtuvieron al considerar las especies por
separado obteniendo valores de R2 superiores a 0,85, 0,70 y 0,90 para las especies Pinus negra, Quercus
ilex y Juniperus thurifera, respectivamente.
2.2.2. Estudios sobre estimacin de variables considerando rboles individuales
Otro enfoque en el estudio de la vegetacin a partir de datos LiDAR, consiste en extraer rboles individua-
les y estimar sus variables dendromtricas. A partir de un proceso de segmentacin del MDV, Hyypp etal., (2001b) estimaron la altura media, el rea basal y volumen de rboles individuales. Los resultados ob-
tenidos en trminos de error medio fueron de 1,8 m (9,9%), 2 m 2/ha (10,2%) y 18,5 m3/ha (10,5%),
respectivamente. Esta precisin sera mejor que la de los inventarios convencionales por rodales. Lim et
al., (2001) realizaron una regresin entre las alturas de los rboles medidos en campo y las obtenidas a
partir de los datos LiDAR consiguiendo un valor de R2de 0,92. De los 147 rboles considerados, un 81%
se estimaron con un error comprendido entre -1 a 1 m. Persson et al., (2002) estimaron la altura, el di-
metro de copa y el dimetro de tronco de rboles individuales a partir de una nube de puntos LiDAR con
unos valores de RMSE de 0,63 m, 0,61 m y 3,8 cm, respectivamente. La extraccin de la copa se bas en
una segmentacin del MDV suavizado y la aplicacin de una superficie parablica. Un algoritmo similar
utilizaron Brandtberg et al., (2003) para estimar la altura de 48 rboles sin hojas, obteniendo un R2de 0,68
y un error estndar de 1,1 m. Hopkinson et al. (2004) estimaron la altura y el dimetro de tronco de Pinus
resinosay Acer saccharuma partir de la seleccin manual de los rboles en la nube de puntos LiDAR.
Los resultados presentaron una subestimacin media en la altura de 1,5 m (7% de la media de las altu-
ras) y un R2de 0,85 y para el caso del dimetro del tronco una diferencia de 1 cm y un R2de 0,85.
Popescu et al., (2003) estimaron la biomasa y el volumen de pinos y de caducifolias a partir de la extrac-
cin de rboles individuales. Para su delineacin, se realiz una bsqueda de puntos con altura mxima
en una ventana circular de tamao variable segn la altura. Los resultados obtenidos en la biomasa fue-
ron un R2de 0,32 (RMSE 44 Mg/ha) para el caso de los rboles caducifolios y de 0,82 (RMSE 29 Mg/ha)
para el caso de los pinos. En cuanto al volumen, el valor de R2fue de 0,39 (RMSE 52.84 m3/ha) para las
parcelas con rboles caducifolios y de 0,83 (RMSE 47,9 m3/ha) para el caso de los pinos. Maltamo et al.,(2004) calcularon la regresin entre las alturas de los rboles Picea abies, Pinus sylvestris yBetula pendu-
-
7/25/2019 tesisUPV3570
44/175
Antecedentes
24
la,medidos en campo y las obtenidas a travs de los datos LiDAR. Los resultados de la regresin fueron
un coeficiente de determinacin de 0,93 y un error estndar de 1,58 m. Morsdorf et al., (2004) realizaron
una regresin lineal entre las alturas de los 917 rboles medidos en campo y las correspondientes a los
datos LIDAR. Los resultados fueron un R2de 0,92 y un RMSE de 0,60 m. En contraste, los resultados fue-
ron bajos en la estimacin del dimetro de copa con R2 de 0,20 y RMSE de 0,47 m. Falkowski et al.,
(2006) aplicaron el clculo de wavelets sobre un MDV. El estudio se realiz sobre 30 rboles aislados enbosques abiertos. Los resultados obtenidos en la estimacin de la altura y el dimetro de copa fueron un
valor de r de 0,97 (RMSE 2,64 m) y 0,86 (RMSE 1,35 m), respectivamente. Popescu, (2007), aplic mode-
los de regresin entre los datos medidos en campo y los obtenidos a partir de datos LiDAR para estimar
el dimetro de tronco, la biomasa y las componentes de la biomasa con unos valores de R2de 0,90, 0,93
y entre 0,79-0,80, respectivamente. Para ello, se bas en el clculo de la altura y el dimetro de copa de
rboles individuales delineados a partir del MDV.
Hay estudios en los que se comparan dos mtodos para la estimacin de variables forestales. Un enfo-
que sera la identificacin de rboles a partir del MDV y a continuacin, el clculo de variables a partir de
los puntos-celdas pertenecientes a cada rbol. El otro enfoque consistira en calcular variables conside-
rando las alturas de los puntos-celdas incluidos en una parcela-subparcela. Holmgren et al., (2003)
compararon ambos mtodos en 65 parcelas con presencia de Picea abies, Pinus sylvestris y Betula pen-
dula.En la aproximacin basada en la distribucin de alturas, calcularon en cada parcela cubierta de
vegetacin, la media de la altura mxima en celdas de rea 1 m 2, obteniendo un R2mximo de 0,90 y
RMSE de 1,53 m (11% de la media de las alturas). En el caso del anlisis en rboles individuales, el valor
mximo de R2fue 0,91 con un RMSE de 1,45 m (10% de la media de la altura). Tambin estimaron el vo-
lumen de la parcela considerando el nmero de rboles y su altura con un R2 de 0,82 y RMSE de 43
m3/ha (26% de la media del volumen) y utilizando porcentajes de ocupacin y la altura media dominante
de las parcelas, obteniendo un R2de 0,90 y RMSE (37 m3/ha). Popescu et al., (2002) estimaron la altura
mxima de cada subparcela utilizando el percentil 75 y el 99 con un R2de 0,79. La estimacin de la altura
mxima de los rboles identificados a partir del MDV se realiz considerando los estadsticos elevacin
media y mxima de los puntos-celdas de cada rbol con un valor de R 2de 0,85. Hollaus et al., (2006) es-
timaron la altura media de 103 parcelas utilizando los puntos originales y el MDV. En el primer caso, se
consider el percentil 82 con un valor de R20,73 y RMSE de 3,7 m. Cuando se utiliz el percentil 89 del
MDV se obtuvo un valor de R2de 0,68 y RMSE 4 m. En este trabajo tambin se estim la altura de 196
rboles, obtenindose un R2de 0,84 y RMSE de 3 m al considerar todos los puntos y un R2de 0,87 y
RMSE de 2,6 al utilizar el MDV.
-
7/25/2019 tesisUPV3570
45/175
Antecedentes
25
2.2.3. Aplicaciones en vegetacin arbustiva
Pocos estudios se han centrado en el anlisis de la vegetacin arbustiva a partir de datos LiDAR. Una de
las razones puede ser la dificultad de medir variables que caractericen este tipo de vegetacin para ser
correlacionadas con datos LiDAR, a diferencia de los rboles, para los que existen ecuaciones que permi-ten estimar variables dendromtricas de rboles a partir de medidas simples en campo.
La mayor parte de los estudios sobre vegetacin a partir de datos LiDAR se centran, por tanto, en el
substrato arbreo. En estos trabajos se suele aplicar un umbral a la altura de los datos LiDAR para elimi-
nar los que pertenecen a las zonas cercanas al suelo (Figura 5), incluida la vegetacin arbustiva
(Popescu et al., 2002; Naesset, 2004; Kim et al., 2009). En contraste, este valor de umbral sera la eleva-
cin mxima a considerar en los estudios sobre vegetacin arbustiva.
Los trabajos en los que se analiza este tipo de vegetacin se suelen realizar en zonas abiertas con baja
presencia de arbolado. La deteccin de vegetacin arbustiva en zonas de arbolado denso es ms com-pleja debido al hecho de que es menos probable que los pulsos alcancen el suelo, siendo necesaria una
alta densidad de puntos (Su y Bork, 2007). Estos autores estimaron alturas de la vegetacin obteniendo
valores de R2para el caso de los rboles superiores a 0,9, mientras que para la vegetacin arbustiva no
se super el valor de 0,21.
Un denominador comn de los estudios de vegetacin arbustiva con datos LiDAR es la utilizacin de
imgenes multiespectrales con el fin de mejorar clasificaciones de vegetacin realizadas. Mundt et al.
(2006) combinaron ambos tipos de datos para crear un mapa deArtemisia tridentata. Al combinar la ima-
gen multiespectral con la variable rugosidad, obtenida a partir de los datos LiDAR, se mejor la
clasificacin de la imagen pasando de una fiabilidad global del 74% al 89%. Mutlu et al. (2008) utilizaron
datos LiDAR y una imagen QuickBird para realizar una clasificacin de la vegetacin con el objetivo de
crear un modelo de combustibles. Al combinar los dos conjuntos de informacin, la precisin de la clasi-
ficacin supervisada mejor, variando la fiabilidad global de 76,52% a 90,10%. De igual modo que en los
casos anteriores, Su y Bork (2007), mejoraron los resultados de una clasificacin de la vegetacin al utili-
zar datos LiDAR y una imagen multiespectral pasando del 59,4% al 75,6% en la fiabilidad global. En otros
trabajos, se obtuvieron mapas de comunidades vegetales incorporando la informacin proveniente del
MDV para realizar una clasificacin de la vegetacin por especies y estructura (Hill y Thomson 2005; Ve-
rrelst et al. 2009). La combinacin de ambos conjuntos de informacin tambin se utiliz para obtener un
MDE ms preciso (Rango et al. 2000; Riao et al. 2007).
-
7/25/2019 tesisUPV3570
46/175
Antecedentes
26
Figura 5. Definicin de umbrales para eliminar puntos asociados al suelo o vegetacin arbustiva en es-tudios forestales con predominio de rboles (Fuente: manual software FUSION/LDV. UnitedStates Department of Agriculture. Forest Service).
Los estudios en los que se estiman propiedades fsicas de rboles se basan en la extraccin de las co-
pas a partir de la distribucin de las alturas de los datos LiDAR (Hyypp et al., 2001; Holmgren et al.,
2003; Persson et al., 2002; Maltamo et al., 2004; Popescu, 2007). Con la vegetacin arbustiva no sucede
lo mismo ya que se trata de una estructura continua y ms complicada. Por esa razn, cuando se com-
paran alturas de la vegetacin arbustiva medidas en campo con los datos LiDAR se utilizan zonas de
influencia. La estrategia comn en estos trabajos es seleccionar los puntos LiDAR incluidos en un buffer
con centro el punto medido en campo y un radio determinado. La seleccin del radio est relacionada
con los factores que pueden afectar a la precisin en el clculo de las alturas de la vegetacin. Segn
Hyypp et al., (2008) entre los factores que pueden afectar a la calidad de un MDV se encontraran: den-
sidad y cubierta de los pulsos lser; algoritmo para el clculo del MDE; sensibilidad del sistema lser y
algoritmos utilizados en la definicin de umbrales para el proceso de la seal; penetracin de pulsos en
el dosel; tipo de vegetacin. La subestimacin de la altura de la vegetacin se debe tambin al hecho de
que el pulso no intercepte la parte alta de la vegetacin (Gaveau and Hill, 2003). Para Streutker y Glenn
(2006) la seleccin del radio est relacionada con la precisin horizontal de los datos LiDAR y del equipo
GPS. Adems de estos factores, Su y Bork (2006), afirmaron que errores del MDE en pendientes eleva-das pueden generar errores en los estudios de vegetacin herbcea. Por otra parte, el ngulo de
observacin y el tipo de vegetacin tambin afectara a la capacidad de penetracin del sensor. Si la ve-
getacin es poco densa y abi