REVISTADE TELEDETECCIÃN - AsociaciÃ³n EspaÃ±ola de ...

More documents

Recommendations

Info

$(numero29_3_digital:Maquetaci\363n AET.qxd) - Asociación ...$

$numero30_7:Maquetaci\363n AET.qxd - Universidad PolitÃ©cnica de ...$

V. Zaldo et al.dió optar por modelos simples para que pudiesenser extrapolables a otras zonas del territorio. Sequería determinar cuál de los estadísticos LiDARera el mejor estimador para cada una de las variablesforestales por lo que se realizó una regresiónentre las variables forestales y cada una de las variablesLiDAR, tanto a nivel de individuo (Anexo,Tabla A), como a nivel de parcela (Anexo, TablaB). Usando estos modelos (Anexo, Tablas Ay B), se seleccionó el mejor estimador LiDAR paracada parámetro forestal en función del coeficientede determinación R 2 y su RMSE Estos mejoresestimadores LiDAR fueron la base para laobtención de los modelos de la Tabla 2.Generación de cartografíaSe pretendía obtener modelos digitales de losparámetros ecológicos estimados. La forma habitualpara obtener modelos digitales es interpolara partir de puntos individuales, pero en estecaso interesaba obtener información a una escalade parcela. Además el elevado número de puntoshacia la interpolación muy costosa computacionalmente.Por tanto se optó por generar unamalla regular y obtener las estadísticas LiDARcon los puntos que caían dentro de cada polígono.Así los coeficientes de los modelos se podíanaplicar a las estadísticas de los puntos LiDARpara obtener los valores de las variables ecológicasy forestales a nivel de polígono. Se seleccionaronlas variables biomasa de madera (T/ha),volumen de copa (m 3 /m 2 ) y altura (m) por presentarunos ajustes bastante altos en los modelosgenerales. Esta cartografía se generó parauna zona de escena (3 × 0,5 km 2 ) en áreas dominadaspor vegetación de hayedo y encina. Paragenerar cartografía forestal de debe tener encuenta cual es el tamaño de píxel optimo de di-ParámetroforestalEspecieEstadísticoLiDARindividuoR 2individuoRMSEindividuoEstadísticoLiDARparcelaR 2parcelaRMSEparcelaAltura General Máximo 0,607 6,452 P 90% 0,923 1,593Quercus ilex Máximo 0,384 8,293 P 80% 0,858 1,145Fagus sylvatica Máximo 0,386 8,343 P 80% 0,823 1,710Pinus halepensis Máximo 0,243 12,682 P 80% 0,869 1,144Altura base General P 80% 0,258 11,993 Sd 0,496 1,110de la copa Quercus ilex P 80% 0,297 11,344 P 30% 0,570 0,915Fagus sylvatica P 80% 0,219 12,725 P 40% 0,611 0,884Pinus halepensis P 80% 0,298 14,638 P 60% 0,662 0,904Volumen General Máximo 0,296 14,542 Máximo 0,758 3,232Quercus ilex Máximo 0,119 33,891 Máximo 0,464 10,53Fagus sylvatica Máximo 0,141 34,193 Máximo 0,496 30,80Pinus halepensis Máximo 0,128 44,124 Máximo 0,392 36,98DBH General Máximo 0,152 161,067 P 20% 0,389 158,0Quercus ilex Máximo 0,191 116,963 P 20% 0,339 127,1Fagus sylvatica Máximo 0,214 121,321 P 20% 0,233 213,5Pinus halepensis Máximo 0,108 115,835 P 10% 0,314 97,45Biomasa General Máximo 0,321 42,723 Media 0,815 23,35de madera Quercus ilex Máximo 0,247 54,923 Media 0,964 6,448Fagus sylvatica Máximo 0,240 63,754 Media 0,750 30,26Pinus halepensis Máximo 0,165 75,567 P 60% 0,746 10,83Biomasa General CP 0,043 139,243 Sd 0,466 10,81foliar Quercus ilex CP 0,086 98,237 CP 0,476 24,89Fagus sylvatica CP 0,027 179,732 Sd 0,272 30,96Pinus halepensis CP 0,076 120,464 CP 0,586 21,01Tabla 2. Modelos de los mejores estimadores LiDAR.60 Revista de Teledetección. ISSN: 1988-8740. 2010. 34: 55-68
Estimación y cartografía de parámetros ecológicos y forestales en tres especies con datos LiDARcha cartografía. La elección del tamaño del píxelesta sujeta a diferentes variables: la resoluciónde los datos de partida, la estructura espacialdel ecosistema, la variabilidad forestal y eltipo de variable a representar. Es decir se tratade una elección compleja que no solo dependede los datos de partida. En (Nijland et al., 2009)determinan la resolución espacial óptima paramapear la vegetación natural en un ambiente mediterráneo,usando un tamaño de píxel diferentedel de los datos de partida. En este estudio debidoal escaso número de muestras, no se pudorealizar un análisis de «cross-validation» que podríadar una medida del error de la cartografía.Por tanto se generaron mapas a diferentes resoluciones5, 10, 15 y 20 metros y se evalúo la representatividadde dicha cartografía con respectoa la imagen CASI atendiendo a la estructuraespacial del ecosistema, la variabilidad forestaly el tipo de parámetro. Se comprobó que debidoa la alta complejidad estructural y ambiental, apartir de un tamaño de píxel de 10 metros no serecogía la variabilidad de los parámetros representados.Por tanto se selecciono el píxel de 10metros como el óptimo para representar los parámetrosde este estudio. Para calcular las variablesLiDAR se utilizó una media de 170 puntosLiDAR por polígono, que se aproxima a los 190puntos que se tenían de media para las parcelas.RESULTADOS Y DISCUSIÓNLos resultados del estudio [Tabla 2, Anexo(Tablas A y B)] revelaron que los datos LiDARpermiten estimar, a nivel de parcela y con elevadaexactitud, parámetros forestales en ecosistemasde tipo mediterráneo. Los modelos a nivelde árbol mostraron que todas las variables Li-DAR empleadas fueron significativas pero conbajos ajustes, mientras que a nivel de parcela algunasvariables LiDAR no fueron significativas[marcadas con (—) en el Anexo (Tablas A y B)]pero los modelos en general incrementaron considerablementesu nivel de ajuste. Los ajustes delos modelos por individuo (con un intervalo deR 2 de 0,027-0,607) y por parcela (con un intervalode R 2 de 0,233-0,964), permiten estableceren este caso la parcela como el nivel adecuadopara trabajar con datos LiDAR de las característicasde los utilizados en este estudio.En todos los casos los modelos mejoraron alpasar del nivel de individuo, al nivel de parcela.Probablemente la densidad de puntos LiDAR deeste estudio (0,5 puntos/m 2 ) que permite usar 22puntos para árboles de 8 m 2 de superficie media,es insuficiente para trabajar con individuos (otrostrabajos, como el de Chen et al., 2006, usan unadensidad de 9 puntos/m 2 para trabajar a este nivel).Por tanto estos resultados son susceptiblesde mejora con una mayor densidad de puntos,que puede conseguirse con una conveniente planificaciónde vuelo o bien con la incorporaciónde tecnología LiDAR que almacene mayor númerode retornos o una mayor frecuencia de emisiónde pulsos. También cabe plantearse hastaqué punto es útil obtener cartografía muy detalladade variables forestales que representan parámetrosespaciales con una unidad mínima demedida correspondiente al propio árbol. Los modelosgenerados a nivel de parcela sí fueron satisfactoriosy mejoraron los ajustes de estudiosanteriores usando imágenes de satélite Landsat(Salvador & Pons, 1998; Mallinis, et al., 2004;Vázquez de la Cueva, 2008) e imágenes hiperespectrales(Baulies & Pons, 1995; Schlerf & Atzberger,2006). De aquí en adelante se consideraránlos modelos a nivel de parcela y se trabajarány discutirán sus resultados. Con respecto al efectode las diferencias entre especies en la generaciónde los modelos, los resultados a nivel de parcelapredicen una mejoría en los casos en los quelos predictores LiDAR son similares entre especiesdiferentes. Así, tanto la altura máxima, elvolumen de copa y el DBH con similares predictoresLiDAR entre especies mejoran en el análisisgeneral. Además, la pérdida del ajuste de losmodelos generales es escasa en las variables conmayor variación interespecifica, como la alturade la base de la copa, biomasa foliar y biomasade madera. Por tanto, las diferentes especies presentanuna tendencia similar, por lo que el esfuerzoque supondría realizar un análisis y cartografíaa nivel de especie no compensa a la vistade los resultados obtenidos para los modelos generales.Los resultados a nivel de parcela tambiénmostraron que los parámetros forestales estabanexplicados por un estadístico LiDARdiferente en cada caso. Así, para los modelos generaleslos parámetros que dieron mejores resultadosfueron la altura máxima explicada por elpercentil 90%, el volumen de copa explicado porRevista de Teledetección. ISSN: 1988-8740. 2010. 34: 55-68 61
Page 1 and 2:
AETASOCIACIÓN ESPAÑOLA DETELEDETE
Page 3 and 4:
REVISTA DE TELEDETECCIÓNDirector:
Page 5 and 6:
Información y Normas para los auto
Page 7 and 8:
Revista de Teledetección. ISSN: 19
Page 9 and 10:
Análisis de cambios de usos del su
Page 11 and 12: Análisis de cambios de usos del su
Page 19 and 20: Comportamiento geométrico y radiom
Page 25 and 26: Análisis comparativo de las superf
Page 31 and 32: Revista de Teledetección. ISSN: 19
Page 33 and 34: Seguimiento del estado ecológico d
Page 39 and 40: Análisis de correlaciones entre la
Page 47 and 48: Dinámica estacional e interanual d
Page 59 and 60: Estimación y cartografía de pará
Page 61: Estimación y cartografía de pará
Page 73 and 74: Estudio del crecimiento urbano, de
Page 81 and 82: Clasificación de cultivos en la zo
Page 93 and 94: Detección automática de edificios
Page 95 and 96: Detección automática de edificios
Page 97 and 98: genes NOAA, Landsat, así como los
Page 99 and 100: J. A. Recio RecioEsta actualizació
Page 101: AETASOCIACIÓN ESPAÑOLA DETELEDETE
show all

REVISTADE TELEDETECCIÃN - AsociaciÃ³n EspaÃ±ola de ...

Create successful ePaper yourself

Delete template?

Save as template?

REVISTADE TELEDETECCIÃN - AsociaciÃ³n EspaÃ±ola de ...