Mapeo de la biomasa aérea de los bosques mediante datos de sensores remotos y R. José Luis Hernández Stefanoni
de la distribución espacial de la biomasa tiene que ver con el procesamiento de las imágenes de satélite. Aquí el objetivo es generar variables derivadas de los datos de percepción remota, que se relacionen con la biomasa aérea del bosque y que puedan ser utilizadas en la construcción de modelos para predecir la biomasa.
Los valores de reflectancia y los índices de vegetación derivados de imágenes ópticas de satélites han sido utilizados para estimar la biomasa en los bosques (Foody et al., 2003). Diversos estudios muestran que se pueden obtener estimaciones de la biomasa, tanto para bosques templados, como tropicales, a escalas espaciales locales, regionales y globales (Saatchi et al., 2011; Cartus et al., 2014; Rodríguez-Veiga et al., 2019; Hernández-Stefanoni et al., 2020). Sin embargo, una limitación importante de las imágenes ópticas es que los índices de vegetación como el NDVI (“Normalized Difference Vegetation Index”) tienden a saturarse en áreas con vegetación densa (Lu et al., 2012). Una manera de solucionar este problema es a través del uso de imágenes de alta resolución (resolución <10 m, tales como RapidEye, Quickbird e Iconos, entre otras). Este tipo de imágenes ofrece información más detallada de la estructura de la vegetación en comparación con imágenes de resolución media y alta (resolución >10 m como Spot, Sentinel 2, Landsat, etc.) y, a su vez, permite discriminar entre el dosel del bosque y las aperturas en este, así como distinguir el espacio entre árboles y otros atributos de la vegetación, lo que posibilita el uso de texturas de las imágenes para la estimación de la biomasa (Ploton et al., 2017).
Los datos del radar de apertura sintética (SAR, por sus siglas en inglés) también se han utilizado con éxito para mapear la biomasa (Hernández-Stefanoni et al., 2020). Los instrumentos SAR de longitud de onda moderada de 15 a 30 cm pueden penetrar el dosel del bosque interactuando con tallos y ramas, donde se almacena la mayor parte de la biomasa (Joshi et al., 2017). Por lo tanto, la intensidad de la señal de retrodispersión del radar se relaciona con la biomasa del bosque; sin embargo, las relaciones entre la intensidad de la retrodispersión del radar y la biomasa también pueden saturarse (Joshi et al., 2017). Por otro lado, los bosques exhiben una heterogeneidad a escala de paisaje, provocada por los cambios en el uso de la tierra, lo cual genera un mosaico de parches de bosques de diferentes edades. Estas variaciones en la estructura de la vegetación pueden caracterizarse usando la textura de las imágenes SAR de resolución media (resolución de 25 m) y con ello superar o minimizar los problemas de saturación (Huang et al., 2019; Zhao et al., 2016; Thapa et al., 2015).
Por último, un enfoque muy eficaz para estimar la biomasa del bosque es mediante el uso de datos LiDAR (Light Detection and Ranging). LiDAR es un sensor activo que puede adquirir directamente la estructura vertical de la vegetación, debido a que tiene la capacidad de penetrar el dosel del bosque (Lefsky et al., 2001). En consecuencia, LiDAR puede proporcionar una vista tridimensional de la estructura del bosque en una nube de puntos, lo que permite estimar la biomasa con mayor precisión que las imágenes ópticas (Lefsky et al., 2001; Hernández-Stefanoni et al., 2014). LiDAR permite obtener estimaciones muy precisas de diferentes atributos de la vegetación (altura, área basal y biomasa) usando métricas de altura y densidad de puntos (Hernández-Stefanoni et al., 2014).
La tercera etapa tiene que ver con la construcción de modelos de predicción de la biomasa. Estos modelos se desarrollan pensando en relacionar la variable dependiente (es decir, la biomasa aérea) con una serie de variables independientes (derivadas de datos de las imágenes de satélite). Para ello, se pueden utilizar modelos de regresión lineal simple o múltiple; sin embargo, la biomasa suele estar relacionada de forma no lineal con las variables derivadas de las imágenes de satélite, de modo que también se han utilizado modelos no lineales. Por otra parte, como las relaciones entre la biomasa y las variables independientes son a menudo muy complejas, se han utilizado asimismo algoritmos no paramétricos para estimar la biomasa, entre los que se incluyen el vecino más cercano (K-NN), redes neuronales artificiales (ANN), bosque aleatorio (Random Forest), máquinas de soporte de vectores (SVM), entre otros. Un aspecto importante durante la construcción de los modelos de predicción de la biomasa consiste en evaluar la confiabilidad de los modelos y la precisión de las estimaciones de la biomasa. Para ello se requiere una evaluación de la precisión de la predicción de la biomasa a través de un proceso de validación.
En la última etapa, se utilizan los modelos de predicción construidos junto con las variables predictoras derivadas de las imágenes de satélite, para obtener la distribución espacial de la biomasa aérea estimada en el área de estudio. Los mapas con la distribución espacial de la biomasa se construyen al aplicar el modelo de predicción al conjunto de capas que representan las variables de las imágenes.
Figura 1. Etapas para la estimación de la distribución espacial de la biomasa aérea de los bosques usando percepción remota
Конец ознакомительного фрагмента.
Текст предоставлен ООО «ЛитРес».
Прочитайте эту книгу целиком, купив полную легальную версию на ЛитРес.
Безопасно оплатить книгу можно банковской картой Visa, MasterCard, Maestro, со счета мобильного телефона, с платежного терминала, в салоне МТС или Связной, через PayPal, WebMoney, Яндекс.Деньги, QIWI Кошелек, бонусными картами или другим удобным Вам способом.