• Author / Uploaded
• Hebert

• Categories
• Lidar
• Sistema de Posicionamiento Global
• Análisis de regresión
• Naturaleza
• Tecnología (general)

Citation preview

DISEÑO DE LA METODOLOGÍA DE INVENTARIO FORESTAL CON APLICACIÓN LIDAR

INTRODUCCIÓN La Generalitat Valenciana ha desarrollado, en el marco del proyecto PROFORBIOMED, el Proyecto de Ordenación del Monte nº 95 de Utilidad Pública “Sierra Negrete” en el término municipal de Utiel (Valencia), cuyo objetivo principal es el aprovechamiento de biomasa. La ordenación consiste, en la elaboración de un plan de gestión forestal del monte para el aprovechamiento de la biomasa, y en el desarrollo de una novedosa metodología para la obtención del Inventario Forestal, combinando tecnología LIDAR y técnicas convencionales de inventario. El objetivo de combinar tecnología LIDAR con el inventario forestal clásico es mejorar la calidad y la exactitud de los resultados del inventario forestal a nivel de masa. Además, esta metodología permite obtener las variables silvícolas necesarias para la ordenación de forma más económica, puesto que no es necesario realizar tantas parcelas de muestreo como en el inventario convencional.

PROYECTO DE ORDENACIÓN Área de estudio Monte: V095 “Sierra Negrete” Término Municipal: Utiel (Valencia) Comarca: La Plana de Utiel-Requena Titularidad del monte: Ayuntamiento de Utiel Superficie total: 7.576 ha Superficie pública: 6.389 ha

Vegetación arbórea: Pinus halepensis - Quercus ilex - Pinus nigra - Pinus pinaster - Juniperus phoenicia Quercus faginea Metodología: Método de ordenación por rodales Implementación de tecnología LIDAR al inventario forestal Proyección 2013-2022

METODOLOGÍA DEL INVENTARIO FORESTAL El cálculo del Inventario Forestal a nivel de masa a partir de datos LIDAR, requiere de una componente de inventario clásico. Por un lado, se realizan parcelas de muestreo en campo para la obtención de datos de la masa forestal. Por otro lado, se obtienen variables estadísticas a partir de los datos LIDAR. En base a esta información se calculan los modelos de regresión de cada una de las variables del inventario forestal a nivel de parcela. Los modelos relacionan variables directas obtenidas a partir del procesado de datos LIDAR (variables explicativas), con información recogida en campo utilizando las técnicas convencionales de inventario forestal (variables respuesta). Posteriormente, a partir de los datos LIDAR calculados para toda la masa forestal, y empleando los modelos de regresión obtenidos, se calculan las variables del inventario forestal para toda la superficie de estudio.

Proceso: 1. 2. 3. 4. 5. 6. 7.

Cartografía de los estratos de vegetación forestal Inventario forestal clásico Procesamiento de datos LIDAR Obtención de los modelos de regresión Validación de los modelos Cartografía de cada modelo Cálculo de datos por rodal Ortofoto nIR PNOA Cartografía de tipos de masa Cartografía de Especies

Resultado: Inventario Forestal

Datos LIDAR Cartografía de Estados de Desarrollo

Estratificación

Parcelas de Inventario Cálculo de las Regresiones

Algebra de Mapas MODELOS

Análisis Estadístico Ejemplo: de las variables descriptoras y de los Biomasa (t/ha) = 6,49 - 5,69 Elev P95 + 2,26 FCC_2m modelos obtenidos

Ejemplo: Existencias Biomasa (t/ha) Cada píxel de la imagen representa el valor del Volumen Total de Leñas por hectárea

1. Cartografía de los estratos de vegetación forestal El primer paso es la estratificación de la masa forestal, que se realiza a partir de diferentes fuentes de información y permiten elaborar la cartografía de especies y de estados de desarrollo de la masa forestal. En esta fase ya se emplean los datos LIDAR para obtener la fracción de cabida cubierta (FCC) de la masa forestal.

Estratos de inventario Para el diseño del inventario forestal se elabora una cartografía de tipos de masa del monte, que las agrupa en estratos homogéneos denominados estratos de inventario. La tipificación de los estratos de inventario se realiza en función de 3 parámetros fundamentalmente: la composición especifíca de la masa (especie/s), la clase natural de edad y la fracción de cabida cubierta (FCC). Estos parámetros se obtienen a partir de diferente cartografía: • Ortofotos, Plan Nacional de Ortofotografía Aérea (PNOA) para el año 2009. • Inventario Forestal Nacional (IFN3), proyecto realizado entre los años 1997 a 2007. • Trabajos de reconstrucción del amojonamiento llevados a cabo por parte del Servicio de apoyo en Topografía y Cartografía de los Servicios Territoriales de Valencia de la Conselleria de Infraestructuras, Territorio y Medio Ambiente, años 2011-2012. • Modelo de la altura de la vegetación (MDV), a partir de los datos LIDAR del Plan Nacional de Ortofotografía Aérea (PNOA) del año 2009. Los modelos digitales A partir de los datos LIDAR se puede generar un gran número de Modelos Digitales del Terreno: • Modelo Digital de Elevaciones (MDE): Se obtiene interpolando los puntos del último retorno que pertenecen al terreno. • Modelo Digital de Superficie (MDS): Se obtiene interpolando los puntos del primer retorno pertenecientes al suelo y a la vegetación baja, media y alta. • Modelo digital de la Vegetación (MDV): Mediante la diferencia de los modelos anteriores podemos obtener un modelo de la altura de la vegetación. MDV = MDS – MDE

A partir del MDV se seleccionan aquellos píxeles con una altura mayor a 2 metros para obtener un mapa de la Fracción de Cabida Cubierta (FCC2M), que se emplea para la obtención de los estratos de inventario.

Modelos Derivados

Nota: en la bibliografía técnica el modelo digital de la vegetación se identifica con las siglas CHM (del inglés, Cannopy High Model).

MDE

Datos LIDAR

Sombras

Orientaciones

Estrato de inventario

MDS

CHM

Pendiente

FCC2M

Superficie (ha)

Superficie (%)

Masa arbolada pura Pinus halepensis estado latizal y fustal

2.315

47

Masa arbolada mixta y con f.c.c mayor del 40%

1.014

21

Masa arbolada mixta y con f.c.c menor del 40%

611

12

Masa arbolada pura de Pinus halepensis , repoblado y monte bravo, f.c.c mayor del 70%

486

10

Masa arbolada pura de Quercus ilex

337

7

Matorral

176

4

4.939

-

TOTAL

Una vez obtenida la cartografía de los estratos, es adecuado realizar el informe selvícola y al mismo tiempo la rodalización. De forma que, al obtener los datos finales del inventario se pueden hacer las modificaciones pertinentes para un mejor ajuste de los rodales de actuación.

2. Inventario forestal clásico Parcelas de muestreo Se emplean parcelas de muestreo en campo en las que se realizan mediciones directas, de parámetros selvícolas y dasométricos, utilizando las técnicas convencionales de inventario forestal. Las parcelas son circulares, de 10 metros de radio, de forma que se optimiza la eficiencia en la operativa del trabajo de campo. La distribución de las parcelas de muestreo sobre el monte sigue una malla regular cuadrangular de 500 metros de lado, que cubre todo el área de estudio. Las parcelas sobre las que se ha realizado el muestreo se eligen al azar, descartando aquellas que son acusadamente poco representativas del monte. Es conveniente que las parcelas no estén en el borde del estrato. En base a las experiencias referenciadas en la bibliografía técnica se aconseja realizar, al menos, 20 parcelas de muestreo por estrato. Otro aspecto relevante a tener en cuenta en el diseño del inventario es que las parcelas estén bien georreferenciadas, para lo cual es necesario el empleo de GPS con precisión submétrica.

Estrato de inventario Masa arbolada pura Pinus halepensis estado latizal y fustal Masa arbolada mixta y con f.c.c mayor del 40% Masa arbolada mixta y con f.c.c menor del 40% Masa arbolada pura de Quercus ilex

TOTAL

Superficie (ha)

Nº parcelas

2.315

60

1.014

42

611

30

337

20

4.277

152

Datos de campo Se considera en todos los casos como árbol inventariable, aquel cuyo diámetro con corteza a la altura normal (1,30 metros) es igual o superior a 7,5 centímetros. Para los pies que cumplen esta condición, en todas las parcelas de muestreo, se toma la medición del diámetro normal y se anota la especie. De entre todos los pies inventariables de cada parcela, atendiendo a un criterio múltiple, se elige una submuestra de dos pies. La elección se hace sobre los pies pertenecientes a alguna de las especies principales, buscando aquellos no dominados, con fuste con un eje axial vertical y haciéndolos coincidir con los más próximos al centro de la parcela en las cuatro direcciones cardinales principales. En estos árboles tipo se mide: • Dos diámetros normales en cruz. • Dos espesores radiales de corteza. • Dos crecimientos radiales correspondientes a los últimos cinco años medidos mediante la barrena Pressler. • La altura total hasta el ápice de la copa con un hipsómetro digital. • Se determina la especie y el parámetro “F” de forma de cubicación del pie en base a la clave establecida en el Tercer Inventario Forestal Nacional. Además, para determinados pies de Pinus halepensis, dentro del grupo de árboles tipo, se determina la edad, mediante la barrena Pressler, en una muestra representativa de individuos pertenecientes a las clases artificiales de edad principales del monte, con el objetivo de establecer la calidad de la estación y evaluar las alternativas de gestión, todo ello a partir del estudio “Tablas de producción para Pinus halepensis Mill” (Montero et al., 2000). Así mismo, se recopila información de cada parcela acerca de la composición específica, clases naturales de edad, estructura vertical, forma principal de la masa, fracción de cabida cubierta, índice de espesura arbórea. También se estudia una subparcela concéntrica, circular, de cinco metros de radio, donde se evalúa el regenerado y la presencia de pies menores. Como parámetros complementarios se recogen datos físicos y bióticos descriptivos de la parcela. Concretamente la pendiente, la orientación, la pedregosidad, la erosión, la cubierta herbácea, la presencia de restos de corta y los daños en la masa si los hubiere.

Cálculo de existencias A partir de las variables medidas en las parcelas de muestreo (diámetro normal, altura, número pies, etc.) y el empleo de tarifas, se obtienen las existencias (variables diferidas) de la masa forestal: biomasa, volumen de madera. La biomasa se calcula con las tarifas propuestas por Gregorio Montero (Montero et al., 2005) y publicadas por el Instituto Nacional de Investigación y Tecnología Agraria y Alimentaria (INIA). Se trata de una tarifa de calidad genérica y aplicable a todo el territorio nacional, que ha sido confeccionada a través de valores modulares de distintos árboles tipo apeados en diferentes ubicaciones geográficas. Para la estimación de biomasa se considera que todas las fracciones maderables y no maderables del árbol son susceptibles de su aprovechamiento integral, exceptuando la raíz. El volumen de madera se determina mediante las tarifas propuestas por el Tercer Inventario Forestal Nacional para la provincia de Valencia (IFN3, 2007). Estas tarifas son genéricas, elaboradas con datos promedio de toda la superficie penínsular. Con el objetivo de ajustar dichas tarifas a la zona de estudio, y puesto que son ecuaciones que correlacionan el diámetro normal con la altura del árbol, se emplean los datos de las alturas de los árboles tipo obtenidas en campo. Con esto, se confeccionan modelos que infieren la altura en función del diámetro normal que proporcionan información adaptada al monte. Además, para la especie principal, Pinus halepensis, se crea una tarifa específica del monte [a], a partir del apeo de 30 árboles tipo y su cubicación comercial por el método de Smalian. De este modo, se mejora la precisión de los resultados frente a la utilización de una tarifa genérica. V (m3) = 0,00005*Øn3 - 0,0001*Øn2 + 0,0065*Øn - 0,0145 [a] 0,90 0,80

y = 0,00005*Øn3 - 0,0006*Øn2 + 0,0152*Øn - 0,0622 R² = 0,9345

0,70 0,60 0,50 0,40 0,30 0,20 0,10 0,00 0,00

5,00

10,00

15,00

20,00

25,00

30,00

35,00

40,00

45,00

3. Procesamiento de datos LIDAR Por un lado, para cada parcela definida en el inventario se calculan las variables derivadas de la distribución de alturas de los datos LIDAR (percentiles, altura media, desviación estándar de alturas, curtosis, etc.). Estas variables estadísticas guardan una relación intuitiva con las variables forestales (Estornell, 2011). Por ejemplo, el percentil 5 se relaciona con el contenido en biomasa, la altura y el volumen del arbolado. Por otro lado, se calculan las variables de las respuestas espectrales de las ortofotografías del proyecto PNOA (por ejemplo, valor mínimo, máximo, medio y desviación estándar de la banda del verde por parcela). Estas variables estadísticas incluyen la banda del infrarrojo cercano, complementando así la información que aportan las variables LIDAR, con el objetivo de mejorar los modelos y los resultados que se obtienen a partir de ellos. El conjunto de estas variables estadísticas conforman el elenco de variables explicativas empleadas para la obtención de los modelos de regresión. La tecnología lidar El término LIDAR, acrónimo en inglés de Light Detection and Ranging, hace referencia a un sistema láser de medición de distancia empleado para la toma de medidas precisas de manera masiva, y cuenta con múltiples aplicaciones tras el post-procesado de la información que genera su uso. El sensor, mediante el cual se realizan las mediciones LIDAR, normalmente se instala en un avión, que efectúa durante el vuelo un movimiento de barrido sobre el terreno, emitiendo pulsos láser y midiendo el tiempo que tardan dichos pulsos en llegar a la superficie. La dirección en la que es emitido cada pulso y el tiempo que tardan éstos en llegar a la superficie y volver al sensor quedan registrados. Al mismo tiempo, un GPS diferencial establece la posición del sensor y el Sistema Inercial de Navegación (IMU) establece, para cada momento, la orientación del sistema de medición. Todo este sistema en funcionamiento permite generar un listado de coordenadas (X,Y,Altitud) de la superficie con unas precisiones en altimetría y planimetría de 15 cm.

Los datos LIDAR El Plan Nacional de Ortofotografía Aérea (PNOA) tiene como objetivo la obtención de una cobertura ortofotográfica a nivel nacional basada en unas especificaciones técnicas comunes y consensuadas entre los distintos organismos implicados. En la última campaña se realizó paralelamente un vuelo LIDAR de una densidad media de 0.5 puntos/m2, densidad suficiente para su aplicación en la gestión de los ecosistemas forestales. El empleo de datos LIDAR del PNOA disminuye enormemente los costes de procesamiento ya que no es necesario hacer un vuelo específico, ni un preprocesamiento de los datos. Los datos LIDAR, además de las coordenadas planimétricas de cada punto y su altitud, incluyen otros datos como la intensidad, número de retorno y clasificación, que también se emplean en el cálculo del inventario forestal. El dato de la clasificación asigna a cada punto un valor en función de que dicho punto pertenezca a: suelo, vegetación (baja, media o alta), edificio, etc. Los datos LIDAR que se han empleado para el proyecto pertenecen al Plan Nacional de Ortofotografía Aérea (PNOA) del año 2009.

4. Obtención de los modelos de regresión Los datos del inventario forestal referidos a existencias de biomasa, volumen de madera, número de pies, área basimétrica, diámetro medio, diámetro dominante, altura media y altura dominante, se calculan mediante modelos de regresión que relacionan cada una de estas variables (variables respuesta), con las variables estadísticas calculadas a partir de los datos LIDAR (variables explicativas). Regresiones lineales múltiples El procedimiento de regresión lineal permite utilizar más de una variable independiente. En todos los casos analizados se utiliza la técnica estadística de regresión múltiple. De acuerdo con este modelo o ecuación [b], la variable respuesta o dependiente (Y) se interpreta como una combinación lineal de un conjunto de K variables explicativas o independientes (Xk), cada una de las cuales va acompañada de un coeficiente (ßk), que indica el peso relativo de esa variable en la ecuación. La ecuación incluye, además, una constante (ß0) y un componente aleatorio o residuos (є). Éste último recoge todo lo que las variables independientes no son capaces de explicar, es decir, son las diferencias entre los valores observados y los pronosticados. Y = β0 X1 + β1 X2+ β2 X3 + … + βk Xk + є Parámetro

[b]

Modelo

R2

Media

RMS

RMS%

ESTRATO 1 : Masa pura Pinus halepensis latizal-fustal BIOMASA

B (t/ha) = 6,49 + 1,01 FCC - 30,6 NVDImin

0,82

47

9,79

20,83

VOLUMEN

V (m3/ha) = 3,26 + 30,9 g1 - 51,2 NVDImin

0,81

81,84

17,98

21,97

ÁREA BASIMÉTRICA

G (m2/ha) = 2,11 + 0,364 FCC - 9,81 NVDImin

0,81

16,04

3,16

19,7

DENSIDAD

D (pies/ha) = 633 - 9,44 Intensidad+ 806 NVDIm

0,54

496,41

175,43

35,34

DIÁMETRO MEDIO

dg (cm) =- 7,52 + 0,327 STD_Ir - 0,652 g2+ 0,240 Int Mean + 0,0650 Transparencia

0,67

20,7

3,2

15,46

DIÁMETRO DOMINANTE

do (cm) = 2,77 - 0,499 g2 + 1,43 P90 + 0,382 Gd

0,73

26,58

3,61

13,58

ALTURA MEDIA

Hg (m) = 0,62 - 0,209 g2 + 0,0460 Intensidad+ 0,106 Gd + 0,333 P90

0,74

8,42

0,89

10,57

ALTURA DOMINANTE

Ho (m) = 5,28 + 0,102 IRd- 0,238 g2

0,73

9,43

1,05

10,68

ESTRATO 2 : Masa mixta fracción de cabida cubierta mayor del 40% BIOMASA

B (t/ha) = 6,49 - 5,69 P95 + 2,26 FCC

0,79

48,45

15,8

32,61

VOLUMEN

V (m3/ha) = - 21,3 + 31,2 Hd - 14,0 P50

0,85

56,01

14,95

26,69

ÁREA BASIMÉTRICA

G (m2/ha) = 1,14 + 4,57 Hd - 11,8 NVDImin

0,79

11,31

2,78

24,57

DENSIDAD

D (pies/ha) = 1036 + 9,24 Return2 - 18,9 Gd

0,57

493,13

152,87

31

DIÁMETRO MEDIO

dg (cm) = 16,2 + 4,34 Hd - 12,1 NVDImin

0,79

17,83

3,21

18

DIÁMETRO DOMINANTE

do (cm) = 4,43 + 6,89 Hd - 2,15 P50 + 0,185 Gmin

0,87

23,68

3,42

14,44

ALTURA MEDIA

Hg (m) = 4,72 + 0,0502 Transparencia + 0,0574 Gmin

0,79

7,21

1,02

14,14

ALTURA DOMINANTE

Ho (m) = 5,40 + 0,384 Cv - 0,486 P60 + 0,0649 Gmin

0,86

52,88

1,01

1,91

Frente al elevado número de posibles variables explicativas, el conjunto de datos LIDAR y de las respuestas espectrales de las bandas que componen las ortofotografías del PNOA, para decidir qué variables han de formar parte de cada regresión se recurre a un software estadístico que permite escoger los mejores conjuntos de variables para cada modelo. Parámetro

Modelo

R

2

Media

RMS

RMS%

49,58

16,51

33,3 31,85

ESTRATO 3 : Masa mixta fracción de cabida cubierta menor del 40% BIOMASA

B (t/ha) = - 54,1 + 50,1 P50 + 24,1 Hd + 0,929 Int Mean 3

0,89

VOLUMEN

V (m /ha) = - 23,2 + 13,6 P95 + 29,7 NVDImin

0,88

41

13,06

ÁREA BASIMÉTRICA

G (m2/ha) = 16,5 + 2,50 P95 - 0,0855 Gmax

0,9

9,55

2,56

26,8

DENSIDAD

D (pies/ha) = 1170 + 11,3 FCC - 4,47 Gmax

0,64

399,5

135,63

33,95

DIÁMETRO MEDIO

dg (cm) = 2,64 + 1,75 hmax

0,67

14,19

3,8

26,77

DIÁMETRO DOMINANTE

do (cm) = - 7,98 + 3,01 P95 + 0,0747 IRm

0,79

17,78

4,15

23,34

ALTURA MEDIA

Hg (m) = 1,87 + 0,621 hmax

0,57

5,96

1,69

28,36

ALTURA DOMINANTE

Ho (m) = - 2,81 + 0,816 hmax + 0,0288 IRm

0,66

6,86

1,78

25,93

ESTRATO 4 : Masa pura Quercus ilex BIOMASA

B (t/ha) = - 98,7 + 32,7 Cv + 0,721 IRm - 1,59 Gmir

0,85

61,02

20,43

33,48

VOLUMEN

V (m3/ha) = - 1,27 + 8,69 Cv+ 16,9 NVDImin

0,79

17,55

6,06

34,53

ÁREA BASIMÉTRICA

G (m2/ha) = - 5,91 + 10,9 AAD + 5,68 NVDImin

0,83

7,2

2,01

27,91

DENSIDAD

D (pies/ha) = - 661 + 342 P80 + 500 NVDImin + 12,3 Gd

0,74

560,25

175,19

31,27

DIÁMETRO MEDIO

dg (cm) = 2,33 + 2,43 P95

0,68

11,54

1,16

10,05

DIÁMETRO DOMINANTE

do (cm) = 6,56 + 2,60 P95 - 0,610 g2

0,82

14,04

1,75

12,46

ALTURA MEDIA

Hg (m) = 2,81 + 0,725 P95 - 0,187 g2

0,7

4,86

0,7

14,39

ALTURA DOMINANTE

Ho (m) = 0,39 + 0,739 P95 - 0,279 g2 + 31,5 NVDIstd

0,83

5,52

0,62

11,23

El procedimiento “stepwise” El software empleado para la obtención de los modelos de regresión emplea el método denominado “stepwise” o “regresión paso a paso”. Este procedimiento empieza introduciendo todas las posibles variables de la ecuación, a partir de las cuales el programa escoge en primer lugar la variable explicativa con una mayor correlación con la variable respuesta. Se calculan, posteriormente, las correlaciones parciales entre el resto de las variables independientes y la variable respuesta; la segunda variable seleccionada es la que tiene la mayor correlación parcial con la variable respuesta, se procede de este modo sucesivamente hasta completar el número de variables que se ha definido, escogiendo las variables con una mayor correlación y a la vez eliminando las introducidas, si ya no son estadísticamente significativas al introducir nuevas variables.

5. Validación de los modelos Tras el análisis, se verifica la validez estadística de cada modelo, garantizando que cumplen con los principios que confirman las hipótesis básicas sobre la distribución de la variable respuesta, la distribución de los errores del modelo y la relación entre las variables que intervienen en él. •

Principio de independencia, los residuos son independientes entre sí, es decir, los residuos constituyen una variable aleatoria.

•

Principio de homocedasticidad, para cada valor de la varianza independiente, la varianza de los residuos es constante.

•

Principio de normalidad de los residuos, los residuos se distribuyen normalmente con media cero.

•

Principio de no-colinealidad, no existe relación lineal exacta entre ninguna de las variables independientes.

Como medida de la bondad del ajuste realizado en cada modelo de regresión se utiliza el coeficiente “R2”. Además, para cada una de las regresiones, se calcula el error medio cuadrático.

6. Cartografía de cada modelo Una vez determinados y validados los modelos de regresión de cada una de las variables descriptivas (biomasa, volumen de madera, número de pies, área basimétrica, diámetro medio, diámetro dominante, altura media y altura dominante) se procede a su cálculo para toda la superficie. Para ello, se calcula cada uno de los valores estadísticos obtenidos de los datos LIDAR (variables explicativas) para cada uno de los pixeles incluidos en la zona de estudio. De esta forma, se obtiene un fichero raster por cada una de las variables estadísticas. Posteriormente, se obtienen las coberturas de cada una de las variables del inventario (variables respuesta), aplicando el modelo de regresión que corresponde a cada estrato. La resolución de pixel para el cálculo de los modelos sobre toda la superficie debe ser similar a la superficie de las parcelas de campo, ya que el ajuste de los modelos de regresión se ha realizado a partir de la relación existente entre los datos de las parcelas de campo y los datos LIDAR obtenidos para dicha parcela.

En este caso, la superficie de las parcelas de campo es de 314 m2 y la resolución de pixel para el cálculo de los modelos es de 324 m2 (18 metros de lado), por lo que la aplicación de los modelos obtenidos a toda la superficie se ajusta correctamente.

Variables forestales que se pueden obtener a partir de los datos LIDAR • • • • • • • •

Altura de los árboles Mapas de distribución de altura Área basimétrica Altura media del rodal Volumen Altura dominante Biomasa Cobertura o FCC

• • • • •

Diámetro medio aritmético Número de pies Diámetro medio cuadrático CO2 retenido en la Biomasa Índice de Área Foliar (LAI)

Área Basimétrica (m2/ha)

Densidad de Pies (N/ha)

Diámetro Medio (cm)

Diámetro Dominante (cm)

Biomasa (t/ha)

Altura Dominante (m)

Volumen Total de Leñas (m3/ha)

Altura Media (m)

7. Cálculo de datos por rodal A partir de las coberturas calculadas en el apartado anterior, se calculan los datos del inventario forestal para cada uno de los rodales de actuación mediante medias ponderadas con la superficie que ocupan. Aplicando esta metodología se mejora la precisión en la extrapolación de los resultados del inventario forestal en las unidades dasocráticas.

CONCLUSIONES Y RESULTADOS El diseño del inventario forestal mediante la combinación de tecnología LIDAR e inventario forestal convencional aporta un mejor ajuste de las variables silvícolas que han de obtenerse del inventario, así como una mayor fiabilidad, ya que se obtienen datos continuos en superficie. Por otro lado, la aplicación de esta metodología reduce el número de parcelas de muestreo a realizar, lo que implica una reducción de los costes de los trabajos de campo, que se estiman en 3-4 euros/hectárea. Esta reducción es efectiva si se dispone de forma gratuita de los datos LIDAR del PNOA, como es en este caso. Los principales resultados que se obtienen a partir de las variables calculadas en el inventario forestal son la distribución de especies, los crecimientos anuales, la altura de los árboles, el cálculo de existencias, entre otros. En base a estos parámetros se estima que el monte de Sierra Negrete tiene una posibilidad total de aprovechamiento de 4.465 toneladas al año, peso expresado a humedad normal (12% de humedad relativa), de las cuales, 1.936 toneladas corresponden a producto maderable, y 2.529 toneladas a producto no maderable. En base a los resultados del inventario forestal, se elabora el proyecto de ordenación del Monte nº 95 de Utilidad Pública Sierra Negrete, ubicado en el término municipal de Utiel (Valencia), que contiene, además del inventario, la planificación del monte donde se especifican los aprovechamientos forestales a realizar en cada rodal de actuación.

GLOSARIO Altura dominante: no hay un criterio uniforme para este concepto. La definición más ampliamente utilizada en España es la de Assman, que considera la altura correspondiente al árbol cuya sección normal es la media de los 100 más gruesos en una hectárea. Área basimétrica: Es la superficie, expresada normalmente en metros cuadrados, de la sección transversal del diámetro normal de un árbol o de todos los árboles por hectárea de una masa. Barrena de Pressler: Taladro que permite obtener muestras de un árbol para poder analizarlas y calcular el crecimiento y la edad del mismo por medio de los anillos de crecimiento. Calidad de estación: Capacidad productiva de un lugar frente a una determinada especie forestal. Clase natural de edad: definen el arbolado en función de su estado de desarrollo. La denominación y límites de las clases naturales de edad son las siguientes (González Vázquez, 1938): •

diseminado, se refiere a las plántulas recién germinadas y a plantas ya lignificadas hasta que alcanzan una altura del orden de 25 cm (pueden ser 50 cm). Es la fase de instalación de la nueva masa durante la cual su esfuerzo se aplica a desarrollar el sistema radical y a superar la competencia de herbáceas y matorrales de pequeña talla.

•

repoblado, que caracteriza a los pies que han superado la edad de diseminado hasta que se inicia la tangencia de copas entre ellos, es decir, la competencia dentro del estrato arbóreo se empieza a manifestar. También se fija el límite superior al repoblado cuando se alcanza la altura normal (1,30 m).

•

monte bravo, es la clase de edad comprendida entre el inicio de la tangencia de copas (o, en su caso, cuando se alcanza 1,30 m de altura) y el inicio de la poda natural, o muerte espontánea de las ramas de la parte inferior del fuste a causa de la reducción de la iluminación. En esta fase la competencia entre pies arbóreos coetáneos se intensifica.

•

latizal, es la clase natural que se inicia con la poda natural y termina cuando el diámetro alcanza 20 cm. En esta edad la competición entre los pies arbóreos se acentúa. Se distinguen dos etapas: bajo latizal o vardascal cuando el diámetro es inferior a 10 cm; y alto latizal para pies comprendidos entre 10 y 20 cm.

•

fustal, última clase natural de edad que se aplica cuando el diámetro normal medio supera los 20 cm. Se divide en: fustal bajo o joven, para diámetros de 20 a 35 cm; fustal medio para diámetros de 35 a 50 cm; y fustal alto o viejo para diámetros superiores a 50 cm.

Crecimiento radial: aumento de las dimensiones del árbol en diámetro como consecuencia del paso del tiempo. Cubicar: medir un volumen. Dasometría: Es la ciencia que se ocupa de la medición de los árboles, de la determinación del volumen de los bosques y de los crecimientos de los árboles y bosques.

Diámetro medio aritmético de una masa o rodal es la media ponderada obtenida de la correspondiente distribución diamétrica. Diámetro medio cuadrático de una masa o rodal es el que corresponde al árbol de área basímetrica media. Diámetro normal: Diámetro del árbol a la altura de 1,30 m Estación: Efecto de la acción conjunta de los factores ecológicos abióticos (factores climáticos, edáficos y fisiográficos) en un territorio concreto. Fracción de cabida cubierta (FCC): Indica la superficie media en % que se halla cubierta por la proyección vertical de las copas de todos los pies de la masa. Se expresa en tanto por ciento o en tanto por uno. Georreferenciación: Se refiere al posicionamiento con el que se define la localización de un objeto espacial (representado mediante punto, vector, área, volumen) en un sistema de coordenadas y datum determinado. Este proceso es utilizado frecuentemente en los Sistemas de Información Geográfica (SIG). GPS: Las siglas GPS se corresponden con “Global Positioning System” que significa Sistema de Posicionamiento Global. El GPS es un Sistema Global de Navegación por Satélite (GNSS) el cual permite determinar en todo el mundo la posición de una persona, un vehículo o una nave, con una precisión de hasta centímetros. Hipsómetro: Es un instrumento de medición utilizado para determinar la altitud sobre el nivel del mar de un lugar. Índice de Área Foliar (LAI): expresa la superficie de hojas presentes en una masa por unidad de superficie territorial, y se expresa habitualmente en m2/m2. Inventario Forestal: Es el conjunto de técnicas y principios que se emplean para calcular las existencias de madera y leñas, así como para realizar un estudio pormenorizado del medio económico y humano, el medio natural, el medio forestal y las infraestructuras del monte. Método de Smalian: fórmula para la cubicación de árboles apeados. Esta fórmula dice que el volumen del árbol es igual al producto de la media aritmética o semisuma de las secciones extremas del tronco por su longitud. Modelo Digital del Terreno: Un Modelo Digital de Terreno (MDT) es una estructura numérica de datos que representa la distribución espacial de una variable cuantitativa y continua. Ortofotografía aérea: es una presentación fotográfica de una zona de la superficie terrestre, obtenida a partir de un conjunto de imágenes aéreas (tomadas desde un avión o satélite) que han sido corregidas digitalmente para representar una proyección ortogonal sin efectos de perspectiva, y en la que, por lo tanto, es posible realizar mediciones precisas. Posibilidad: es la cuantificación de los productos directos que un monte ha producido o debe producir y se expresa en unidades de producto, en este caso sin descuidar la condición de persistencia y estabilidad de la masa. Selvicultura es el modo de aplicar el conocimiento de la estructura, crecimiento, reproducción y formas de agrupación de los vegetales que pueblan los montes, de forma que se obtenga de ellos una producción continua de bienes y servicios necesarios para la sociedad.

BIBLIOGRAFÍA BIBLIOGRAFÍA ERIK NÆSSET, 1997. Determination of mean tree height of forest stands using airborne laser scanner data. ISPRS Journal of Photogrammetry & Remote Sensing 52. ESTORNELL J, 2011. Tesis doctoral. Análisis de los factores que influyen en la precisión de un MDE y estimación de parámetros forestales en zonas arbustivas de montaña mediante datos LIDAR. Valencia. INVENTARIO FORESTAL NACIONAL III (IFN3), 2007. Tercer inventario forestal nacional en las provincias de Alicante, Castellón y Valencia. Madrid: Ministerio de Medio Ambiente, Medio Rural y Marino de España. No publicado. GARCÍA, R., SUÁREZ, J.C., AND PATENAUDE, G., 2007. Delineation of individual tree crowns and stand parameters using LiDAR in the Scottish woodlands. The European Information Society. Leading the Way with Geo-information. Series: Lecture Notes in Geoinformation and Cartography. Fabrikant, Sara Irina; Wachowicz, Monica (Eds.) 2007, XVII, 486 p. ISBN: 978-3-540-72384-4. GONZÁLEZ VÁZQUEZ, E., 1938. Selvicultura, Libro Primero. Fundamentos naturales de la Selvicultura. Los bosques ibéricos. Instituto Forestal de Investigaciones y Experiencias. Valencia. JACOB L. STRUNK, STEPHEN E. REUTEBUCH, JEFFREY R. FOSTER, 2008. LIDAR inventory and monitoring of a complex forest – ASPRS. Annual Conference. MCGAUGHEY, ROBERT J., 2007. Fusion manual, version 2.80. USDA Forest Service [Disponible en: www.fs.fed.us/ eng/rsac/fusion/]. MONTERO ET AL., 2000. Tablas de producción para Pinus halepensis Mill. Cuad. Soc. Esp. Cien. For. 10: 183-188(2000). MONTERO G.; RUIZ-PEINADO R. y MUÑOZ M, 2005. Producción de biomasa y fijación de CO2 por los bosques españoles. Instituto Nacional de Investigación y Tecnología Agraria y Alimentaria. Ministerio de Educación y Ciencia. Madrid. SORIN C. POPESCU, RANDOLPH H. WYNNE, AND ROSS F. NELSON, 2003. Measuring individual tree crown diameter with lidar and assessing its influence on estimating forest volume and biomass Remote Sensing, Vol. 29, No. 5, pp. 564–577.

EL PROYECTO PROFORBIOMED PROFORBIOMED “Promoción de la biomasa forestal residual en la cuenca mediterránea”, es un proyecto estratégico a nivel europeo enmarcado en el PROGRAMA MED 2007-2013 (número de proyecto: 1S-MED10-009) y tiene como objetivo establecer una estrategia común para el fomento de la biomasa forestal como energía renovable y el establecimiento de un mercado estratégico de la biomasa a medio-largo plazo. La Generalitat Valenciana a través del Servicio de Ordenación y Gestión Forestal, de la Dirección General de Medio Natural perteneciente a la Conselleria de Infraestructuras, Territorio y Medio Ambiente, participa como socio en el proyecto estratégico PROFORBIOMED.

LIDER DEL PROYECTO Dirección General de Medio Ambiente. Conserjería de Presidencia. Región de Murcia. Roque Pérez [email protected] +34 968.228.845 SOCIO DE LA GENERALITAT VALENCIANA Dirección General del Medio Natural. Conselleria de Infraestructuras, Territorio y Medio Ambiente. Comunitat Valenciana. Pilar Ara [email protected] +34 961.208.632

REPORTAJE FOTOGRÁFICO

Esta publicación está cofinanciada con fondos FEDER dentro del proyecto PROFORBIOMED, “Promoción de la biomasa forestal residual en la cuenca mediterránea” No. Ref. (1S-MED 10-009)

Para más información: http://www.proforbiomed.eu/ Junio 2014 La responsabilidad exclusiva del contenido de esta publicación corresponde a sus autores. No refleja necesariamente la opinión de las Comunidades Europeas o Programa MED. La Comisión Europea no es responsable del uso que pueda hacerse de la información aquí contenida.