Using low density LiDAR data to map Mediterranean forest characteristics by means of an area-based approach and height threshold analysis

  1. Guerra-Hernández, J.
  2. Tomé, M.
  3. González-Ferreiro, E.
Revista:
Revista de teledetección: Revista de la Asociación Española de Teledetección

ISSN: 1133-0953

Ano de publicación: 2016

Número: 46

Páxinas: 103-117

Tipo: Artigo

DOI: 10.4995/RAET.2016.3980 DIALNET GOOGLE SCHOLAR lock_openAcceso aberto editor

Outras publicacións en: Revista de teledetección: Revista de la Asociación Española de Teledetección

Resumo

Este estudio presenta avances en la metodología de inventario forestal a nivel de masa (area-based approach, ABA) con datos LiDAR aerotransportado de baja densidad y destaca la utilidad de los datos LiDAR disponibles para España a escala nacional para realizar cartografía de las principales variables dasométricas en un bosque Mediterráneo de pino piñonero, caracterizado por una compleja orografía. Para ello, se ajustaron modelos lineales de regresión en cada tipo de bosque, a partir de los datos LiDAR de baja densidad (0.5 primeros retornos m–2), proporcionados por el PNOA (Plan Nacional de Ortofotografía Aérea) y los datos obtenidos en campo. Además, se investigó la influencia de los umbrales de altura usados en la extracción de los estadísticos de la nube de puntos LiDAR (MHT: Minimun Height Threshold y BHT: Break Height Threshold). Los mejores modelos de regresión explicaron un 61-85%, 67-98%, 74-98% de la variabilidad en altura de masa, área basimétrica y volumen, respectivamente. El error de estimación en las variables de masa fue mayor en bosques cerrados mixtos y puros de caducifolias que en los bosques más homogéneos de coníferas. Los resultados demostraron que los umbrales de altura no fueron especialmente críticos en la estimación de las variables de masa en bosques de coníferas, pero hubo diferencias sustanciales en el caso de volumen, cuando aumentaron los umbrales de altura (HBT y MHT) en las masas de estructura más compleja (bosque mixto y puro de caducifolias). Un análisis métrica a métrica reveló la existencia de diferencias significativas en la mayor parte de las variables explicativas extraídas a partir de diferentes umbrales de altura (HBT y MHT). Los mejores modelos de predicción se aplicaron a los rodales de referencia y se elaboró una cartografía espacialmente explícita que representa las principales variables de masa, facilitando así la toma de decisiones para la gestión forestal sostenible en los ecosistemas de bosque mediterráneo.

Referencias bibliográficas

  • Alberti, G., Boscutti, F., Pirotti, F., Bertacco, C., De Simon, G., Sigura, M., Cazorzi, F., Bonfanti, P. 2013. A LiDAR-based approach for a multi-purpose characterization of Alpine forests: an Italian case study. iForest-Biogeosciences and Forestry, 6(3), 156.
  • Andersen, H.E., McGaughey, R.J., Reutebuch, S.E. 2005. Estimating forest canopy fuel parameters using LIDAR data. Remote sensing of Environment, 94(4), 441-449. http://dx.doi.org/10.1016/j. rse.2004.10.013
  • Belsley, D.A., Kuh, E., Welsch, R.E. 2005. Regression diagnostics: Identifying influential data and sources of collinearity. New Jersey: John Wiley & Sons.
  • Clark, M.L., Clark, D.B., Roberts, D.A. 2004. Smallfootprint lidar estimation of sub-canopy elevation and tree height in a tropical rain forest landscape. Remote Sensing of Environment, 91(1), 68-89. http:// dx.doi.org/10.1016/j.rse.2004.02.008
  • Coops, N.C., Hilker, T., Wulder, M.A., St-Onge, B., Newnham, G., Siggins, A., Trofymow, J. T. 2007. Estimating canopy structure of Douglas-fir forest stands from discrete-return LiDAR. Trees, 21(3), 295-310. http://dx.doi.org/10.1007/s00468-0060119-6
  • Ediriweera, S., Pathirana, S., Danaher, T., Nichols, D. 2014. LiDAR remote sensing of structural properties of subtropical rainforest and eucalypt forest in complex terrain in North-eastern Australia. Journal of Tropical Forest Science, 26(3), 397-408
  • Estornell, J., Ruiz, L.A., Velázquez-Martí, B., Hermosilla, T. 2011. Analysis of the factors affecting LiDAR DTM accuracy in a steep shrub area. International Journal of Digital Earth, 4(6), 521538. http://dx.doi.org/10.1080/17538947.2010.533 201
  • García, M., Riaño, D., Chuvieco, E., Danson, F.M. 2010. Estimating biomass carbon stocks for a Mediterranean forest in central Spain using LiDAR height and intensity data. Remote Sensing of Environment, 114(4), 816-830. http://dx.doi. org/10.1016/j.rse.2009.11.021
  • Gonçalves-Seco, L., González-Ferreiro, E., DiéguezAranda, U., Fraga-Bugallo, B., Crecente, R., Miranda, D. 2011. Assessing the attributes of highdensity Eucalyptus globulus stands using airborne laser scanner data. International Journal of Remote Sensing, 32(24), 9821-9841. http://dx.doi.org/10.10 80/01431161.2011.593583
  • González-Ferreiro, E., Diéguez-Aranda, U., BarreiroFernández, L., Buján, S., Barbosa, M., Suárez, J.C., Bye, I.J., Miranda, D. 2013. A mixed pixeland region-based approach for using airborne laser scanning data for individual tree crown delineation in Pinus radiata D. Don plantations. International Journal of Remote Sensing, 34(21), 7671-7690. http://dx.doi.org/10.1080/01431161.2013.823523
  • González-Ferreiro, E., Diéguez-Aranda, U., CrecenteCampo, F., Barreiro-Fernández, L., Miranda, D., Castedo-Dorado, F. 2014. Modelling canopy fuel variables for Pinus radiata D. Don in NW Spain with low-density LiDAR data. International journal of wildland fire, 23(3), 350-362. http://dx.doi. org/10.1071/WF13054 González-Ferreiro, E., Diéguez-Aranda, U., Miranda, D. 2012. Estimation of stand variables in Pinus radiata D. Don plantations using different LiDAR pulse densities. Forestry, 85(2), 281-292. http:// dx.doi.org/10.1093/forestry/cps002
  • González-Olabarria, J.-R., Rodríguez, F., FernándezLanda, A., Mola-Yudego, B. 2012. Mapping fire risk in the Model Forest of Urbión (Spain) based on airborne LiDAR measurements. Forest Ecology and Management, 282, 149-156. http://dx.doi. org/10.1016/j.foreco.2012.06.056
  • Görgens, E.B. 2015. LiDAR technology applied to vegetation quantification and qualification. Doctoral Thesis. Universidade de São Paulo
  • Guerra-Hernández, J., González-Ferreiro, E., JuradoVarela, A., Tomé, M. 2015. Uso de LiDAR aerotransportado para la estimación de variables forestales de un bosque Mediterráneo en el suroeste de España (Extremadura). In: Teledetección: Humedales y Espacios Protegidos. XVI Congreso de la Asociación Española de Teledetección. Sevilla, Spain, 21-23 October. pp 379-382.
  • Hall, S.A., Burke, I.C., Box, D.O., Kaufmann, M.R., Stoker, J.M. 2005. Estimating stand structure using discrete-return lidar: an example from low density, fire prone ponderosa pine forests. Forest Ecology and Management, 208(1), 189-209. http://dx.doi. org/10.1016/j.foreco.2004.12.001
  • Järnstedt, J., Pekkarinen, A., Tuominen, S., Ginzler, C., Holopainen, M., Viitala, R. 2012. Forest variable estimation using a high-resolution digital surface model. ISPRS Journal of Photogrammetry and Remote Sensing, 74, 78-84. http://dx.doi. org/10.1016/j.isprsjprs.2012.08.006
  • Jensen, J.L.R., Humes, K.S., Conner, T., Williams, C.J., DeGroot, J. 2006. Estimation of biophysical characteristics for highly variable mixed-conifer stands using small-footprint lidar. Canadian Journal of Forest Research, 36(5), 1129-1138. http://dx.doi. org/10.1139/x06-007
  • Lindberg, E., Hollaus, M. 2012. Comparison of methods for estimation of stem volume, stem number and basal area from airborne laser scanning data in a hemi-boreal forest. Remote Sensing, 4(4), 10041023. http://dx.doi.org/10.3390/rs4041004
  • Maltamo, M., Næsset, E., Vauhkonen, J. 2014. Forestry applications of airborne laser scanning. Dordrecht: Springer. http://dx.doi.org/10.1007/978-94-0178663-8
  • McGaughey, R. 2014. FUSION/LDV: software for LIDAR Data Analysis and Visualization. In: US Department of Agriculture, F.S., Pacific Northwest Research Station, Seattle, USA. 123 pp. (Ed.).
  • Means, J., Acker S., Fitt, B., Renslow, M., Emerson, L., Hendrix, C. 2000. Predicting forest stand characteristics with airborne scanning LiDAR. Photogrammetric Engineering and Remote Sensing, 66(11), 1367-1371.
  • Montaghi, A., Corona, P., Dalponte, M., Gianelle, D., Chirici, G., Olsson, H. 2013. Airborne laser scanning of forest resources: an overview of research in Italy as a commentary case study. International Journal of Applied Earth Observation and Geoinformation, 23(1), 288-300. http://dx.doi.org/10.1016/j. jag.2012.10.002
  • Montagnoli, A., Fusco, S., Terzaghi, M., Kirschbaum, A., Pflugmacher, D., Cohen, W. B., Chiatante, D. 2015. Estimating forest aboveground biomass by low density lidar data in mixed broad-leaved forests in the Italian Pre-Alps. Forest Ecosystems, 2(1), 1-9. http://dx.doi.org/10.1186/s40663-015-0035-6
  • Nakai, T., Sumida, A., Kodama, Y., Hara, T., Ohta, T. 2010. A comparison between various definitions of forest stand height and aerodynamic canopy height. Agricultural and forest meteorology, 150(9), 1225-1233. http://dx.doi.org/10.1016/j. agrformet.2010.05.005
  • Næsset, E. 2002. Predicting forest stand characteristics with airborne scanning laser using a practical twostage procedure and field data. Remote Sensing of Environment, 80(1), 88-99. http://dx.doi. org/10.1016/S0034-4257(01)00290-5
  • Næsset, E., Gobakken, T. 2008. Estimation of aboveand below-ground biomass across regions of the boreal forest zone using airborne laser. Remote Sensing of Environment, 112(6), 3079-3090. http:// dx.doi.org/10.1016/j.rse.2008.03.004
  • Næsset, E., 2011. Estimating above-ground biomass in young forests with airborne laser scanning. International Journal of Remote Sensing, 32(2), 473501. http://dx.doi.org/10.1080/01431160903474970
  • Nyström, M., Holmgren, J., Olsson, H. 2012. Prediction of tree biomass in the forest–tundra ecotone using airborne laser scanning. Remote Sensing of Environment, 123, 271-279. http://dx.doi. org/10.1016/j.rse.2012.03.008
  • Raber, G.T., Jensen, J.R., Schill, S.R., Schuckman, K. 2002. Creation of digital terrain models using an adaptive lidar vegetation point removal process. Photogrammetric engineering and remote sensing, 68(12), 1307-1314. R Core Team. 2014.
  • R: A language and environment for statistical computing. Vienna: R Foundation for Statistical Computing.
  • Ruiz, L.A., Hermosilla, T., Mauro, F., Godino, M. 2014. Analysis of the Influence of Plot Size and LiDAR Density on Forest Structure Attribute Estimates. Forests, 5(5), 936-951. http://dx.doi.org/10.3390/ f5050936 SAS Institute Inc. 2004.
  • SAS Institute Inc. 2004. SAS/STAT® 9.1 User’s Guide. SAS Institute Inc, Cary, NC.
  • Stephens, P.R., Watt, P.J., Loubser, D., Haywood, A., Kimberley, M.O. 2007. Estimation of carbon stocks in New Zealand planted forests using airborne scanning LiDAR. In: Proceedings ISPRS Workshop on Laser Scanning 2007 and SilviLaser 2007, Espoo, Finland, 12-14 September, pp. 389-394.
  • Treitz, P., Lim, K., Woods, M., Pitt, D., Nesbitt, D., Etheridge, D. 2012. LiDAR Sampling Density for Forest Resource Inventories in Ontario, Canada. Remote Sensing, 4(4), 830-848. http://dx.doi. org/10.3390/rs4040830
  • Valbuena, R., Mauro, F., Arjonilla, F.J., Manzanera, J.A. 2011. Comparing airborne laser scanning-imagery fusion methods based on geometric accuracy in forested areas. Remote Sensing of Environment, 115(8), 1942-1954. http://dx.doi.org/10.1016/j. rse.2011.03.017
  • Van Leeuwen, M., Nieuwenhuis, M. 2010. Retrieval of forest structural parameters using LiDAR remote sensing. European Journal of Forest Research, 129(4), 749-770. http://dx.doi.org/10.1007/s10342010-0381-4
Fonte de datos: Dialnet