Estimar la biomasa vegetal con precisión es fundamental para conocer el funcionamiento de los ecosistemas, entender los procesos de fijación de carbono atmosférico y evaluar los beneficios ambientales que genera el arbolado.

Para ello, se pueden aplicar ecuaciones alométricas que permiten calcular la biomasa de las diferentes fracciones del arbolado a partir de diferentes variables, habitualmente la altura del árbol y/o el diámetro del tronco a la altura del pecho (DAP) (Montero et al. 2005). Sin embargo, esta metodología presenta diversas limitaciones ya que las variables de entrada deben medirse mediante un proceso de muestreo lento, costoso que además tiene un carácter muy local.

El uso de la Teledetección es una alternativa con un gran potencial, ya que permite obtener información de la vegetación de ámbitos espaciales muy extensos de manera sistemática y poco costosa (García et al., 2010). En este sentido, los instrumentos de teledetección LiDAR (Light Detection And Ranging) han demostrado una enorme capacidad para adquirir información tridimensional que permita definir la estructura vegetal con precisión (Cuasante & García, 2009 y Montealegre et al., 2015) y estimar la biomasa y el contenido de carbono del arbolado (Condés & Riaño, 2005 y Montealegre et al., 2015).

Sin embargo, para estimar la biomasa a partir de datos LiDAR se necesitan ciertos datos de campo, ya que el proceso de estimación se basa en un análisis estadístico que relaciona los datos LiDAR y la biomasa de una muestra del arbolado (muestra_1), calculada a partir de datos de campo. Esta relación se lleva a cabo a través de un modelo de regresión que posteriormente perimirá estimar la biomasa de otro conjunto del arbolado (muestra_2), como variable dependiente. De todos modos, aunque las medidas de campo siguen siendo la base de las estimaciones (Asner & Mascaro, 2014), el uso de datos LiDAR permite trabajar a escala espaciales mucho mayores y reducir enormemente los costes del trabajo de campo, por mencionar solo dos ventajas de esta metodología.

Metodología

Para la estimación de biomasa a partir de datos LiDAR es necesario:

• Calcular la biomasa a partir de la información de campo mediante métodos alométricos y paralelamente, obtener los estadísticos de la nube de puntos capturada mediante sensores LiDAR. Todo ello referido a la muestra_1
• Construir el modelo de regresión mediante un análisis de la relación entre ambos conjuntos de datos: la biomasa calculada y los estadísticos LiDAR de esa muestra (Silva et al, 2017)
• Aplicar el modelo de regresión sobre los estadísticos LiDAR de la muestra_2

Cálculo de la biomasa observada y obtención de los estadísticos LiDAR

El cálculo de la biomasa observada se puede realizar a partir de ecuaciones alométricas como las definidas por Montero et al. (2005), que relacionan el diámetro a la altura del pecho (DAP) con las diferentes fracciones de biomasa del arbolado para ciertas especies.

En lo que respecta a las nubes de puntos se pueden obtener los datos LiDAR del PNOA (Plan Nacional de Ortofotografía Aérea) a través del Centro de Descarga del CNIG. La información se ofrece en formato LAZ en teselas de 2x2 km, utilizando el sistema de referencia ETRS89 y la proyección UTM. Para obtener los estadísticos de los datos LiDAR se pueden utilizar las herramientas LAStools y FUSION LDV (McGaughey, 2009). A continuación se describen, a modo de propuesta, algunos de los pasos más relevantes a realizar para procesar los datos LiDAR:

• Transformar del formato LAZ a LAS utilizando la función laszip de LAStools
• Unir las teselas de nubes de puntos de la zona de estudio utilizando el comando MergeData de FUSION LDV
• Filtrar los datos para eliminar el ruido eliminando los valores atípicos y extraer los retornos clasificados como vegetación y como suelo (clases 2 y 5 para los datos LiDAR-PNOA) utilizando FilterData de FUSION LDV
• Crear un Modelo Digital de Superficie (MDS) en formato ráster con los puntos clasificados como suelo (clase 2) a través de la herramienta GroundSurfaceCreate de FUSION LDV
• Normalizar para referir las alturas de la nube de puntos al MDS y obtener la altura sobre el suelo a través de la herramienta ClipData de FUSION LDV (aplicando los twiches /dtm y /heigth)
• Obtener los estadísticos de la nube de puntos LiDAR aplicando el comando CloudMetrics de FUSION LDV

Modelo de regresión

Una vez calculada la biomasa como variable dependiente y las variables LiDAR como variables independientes, se crearía el modelo de regresión utilizando, por ejemplo, el programa RStudio. Para ello, es necesario seleccionar los estadísticos la nube de puntos LiDAR que ofrezcan más información del arbolado, para lo cual se pueden considerar diferentes métodos. En este sentido cabría destacar la importancia de la elección de la forma funcional del modelo de regresión, las posibilidades que ofrecen las transformaciones logarítmicas de las variables y la relevancia del Criterio de Información de Akaike (AIC) a la hora de construir el modelo (Anderson & Burnham, 2002). A la hora de seleccionar las variables es interesante que se incluyan variables relacionadas con la altura del dosel así como los percentiles, ya que permiten caracterizar la dispersión, variabilidad y distribución de las alturas de los puntos asociados al arbolado (Montealegre et al. 2015). También, es fundamental llevar a cabo una validación del modelo de regresión. Por último, se aplicaría el modelo de regresión considerando los datos LiDAR de la muestra_2.

Conclusiones

Los datos LiDAR ofrecen buenos resultados para realizar estimaciones de la biomasa del arbolado con precisión, aunque se deben considerar diferentes limitaciones, entre las que cabría destacar:

• La densidad de puntos de los datos LiDAR conlleva ciertas limitaciones a la hora de estimar la biomasa, debido a que una baja cantidad de puntos por unidad de superficie determina la calidad y cantidad de información con la que se trabaja. Sin embargo, es importante tener en cuenta que se espera que en el futuro aumente la densidad espacial de la información de los datos LiDAR
• El ruido de los datos, producido en parte por la clasificación errónea de ciertos puntos LiDAR, genera desviaciones en la estimación de biomasa, aunque el proceso de filtrado permita corregir algunos de estos errores. En este sentido, la elevada heterogeneidad de alturas en las zonas urbanas densas limita las aplicaciones de datos LiDAR en estos ámbitos
• Aplicar ecuaciones de alométricas que no son específicas para las especies arbóreas conlleva limitaciones a la hora de estimar la biomasa
• La estructura del arbolado puede estar influida de manera determinante por factores antrópicos que dificultan su modelización, sobre todo en ámbitos urbanos

Por último, cabría destacar que la disponibilidad de datos LiDAR para todo el territorio español aporta una nueva perspectiva a los inventarios de arbolado urbano al ofrecer de manera sistemática y precisa información tridimensional del territorio. Además, dada la existencia de ecuaciones alométricas ya desarrolladas queda patente el potencial de esta tecnología para disminuir los costes de los inventarios de campo y cuantificar los beneficios ecosistémicos asociados a la biomasa. 

Bibliografía

Anderson, Dr. & Burnham, K.P (2002). Model selection and multimodel inference: a practical information-theoretic approach. 2nd edn. Sprinter-Velag, New York.

Asner, G. P. & Mascaro J. (2014). Mapping tropical forest carbón: Calibrating plot estimates to a simple LiDAR metric. Remote Sensing of Environment 140, 614-624.

Cuasante, C. D. & García G. C. (2009). Estimación de recursos forestales con tecnología LiDAR aerotransportada: Aplicación práctica en varios montes de la Provincia de Burgos. 5º Congreso Forestal Español. RED.: 5CFE01-544

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, 816-830. 

McGaughey, R. J. (2018). FUSION/LDV: Software for LiDAR Data Analysis and Visualization. FUSION Version 3.80. USDA. [Consulta 20/01/2020]

Montealegre, A.L., Lamelas, M.T., de la Riva, J., García-Martín, A., Escribano, F. (2015). Estimación de variables dasométricas en masas de Pinus halepensis Mill. Mediante datos LiDAR-PNOA y trabajo de campo. XVI Congreso de la Asociación Española de Teledetección.

Montero, G., Ruiz-Peinado, R., Muñoz, M. (2005). Producción de Biomasa y fijación de CO2 por los bosques españoles. Monografías INIA: Serie Forestal nº13. Instituto Nacional de Investigación y Tecnología Agraria y Alimentaria. Ministerio de Educación y Ciencia. Madrid.

Silva, C.A., Hudak, A. T., Vierling, L.A., Klauberg, C., García, M., Ferraz, A., Keller, M., Eitel, J. and Saatchi, S. (2017). Impacts of Airborne Lidar Pulse Density on Estimating Biomass Stocks
and Changes in a Selectively Logged Tropical Forest. Remote Sensing, 9, 1068.