Multi-sensor approach for evaluating forest resources in large areas

  1. Esteban Cava, Jesica
Zuzendaria:
  1. Miguel Marchamalo Zuzendaria
  2. Alfredo Fernández Landa Zuzendaria

Defentsa unibertsitatea: Universidad Politécnica de Madrid

Fecha de defensa: 2021(e)ko martxoa-(a)k 12

Epaimahaia:
  1. Felipe Bravo Oviedo Presidentea
  2. Silvia Merino de Miguel Idazkaria
  3. María Flor Álvarez Taboada Kidea
  4. César Pérez Cruzado Kidea
  5. Fernando Montes Pita Kidea

Mota: Tesia

Teseo: 648438 DIALNET

Laburpena

La eficiencia de los inventarios tradicionales ha mejorado gracias a la capacidad de la tecnología LiDAR para predecir con detalle la estructura de la vegetación. Sin embargo, su utilización operativa en los inventarios forestales está condicionada por su baja resolución temporal y su escaso potencial para la diferenciación de especies. Dada la gran disponibilidad de información distintos sensores, la integración de datos LiDAR y multiespectrales representa una oportunidad para mitigar estos problemas. No obstante, a medida que el número de fuentes de información utilizadas en la predicción de atributos forestales aumenta, se requiere de procedimientos que permitan una cuantificación de la incertidumbre de las estimaciones de manera robusta. Esta tesis tiene como objetivo explorar como la integración de información de distintos sensores puede mitigar las limitaciones de los inventarios LiDAR a la vez que se proporcionan estimaciones estadísticamente robustas de acuerdo con el tipo de técnica de inferencia utilizado. En el capítulo 2 y 3 se aborda la baja resolución temporal, mientras que en el 4 el problema de distinción de especies forestales. En todos los capítulos se trabaja con el algoritmo random forests para la calibración de modelos de predicción y clasificación y se integran datos LiDAR y/o multiespectrales. En el capítulo 2 se comparan distintos métodos de inferencia para la estimación del volumen y la biomasa y de sus cambios en dos poblaciones forestales localizadas en La Rioja (España) y Våler (Noruega), respectivamente. Los cambios de volumen y biomasa se analizan mediante métodos directos e indirectos con vuelos multi-temporales LiDAR. Los resultados muestran que la implementación de técnicas de remuestreo bootstrapping permite estimar la incertidumbre de las estimaciones obtenidas mediante inferencia asistida y basada en modelos random forests. En el capítulo 3 se integran series temporales Landsat y datos de una cobertura LiDAR para la reconstrucción de la historia de los tratamientos selvícolas ocurridos entre 2005 y 2016 en el Bosque Modelo de Urbión, un ecosistema forestal Mediterráneo situado entre las provincias de Burgos y Soria (España). En este estudio se analizan, mediante el algoritmo de tendencia BFAST, series temporales de seis índices de vegetación para caracterizar los cambios ocurridos por tratamientos selvícolas de distinta intensidad. Además, se implementan técnicas de fusión de mapas para mejorar la precisión de los cambios detectados. Los resultados evidencian la idoneidad de las series temporales y los datos LiDAR para la detección de cambios drásticos y sutiles en las masas forestales, siendo más precisos cuando los datos LiDAR se adquieren después de que ocurra el cambio. En el capítulo 4 se genera una cartografía de las principales especies forestales de La Rioja (España) a partir de información multiespectral Landsat. Este mapa sirve como base para la selección de parcelas y para la aplicación de modelos específicos de predicción del volumen. En este estudio el uso de técnicas de remuestreo bootstrapping permite propagar la incertidumbre de los modelos de predicción y de clasificación. Los resultados reflejan que no se debe ignorar la incertidumbre de los mapas de clasificación, ya que de hacerlo se da lugar a estimaciones con incertidumbres infraestimadas. El error del mapa tiene mayor peso para las especies forestales menos frecuentes y con una estructura más abierta. Esta tesis demuestra que la integración de los datos LiDAR y multiespectrales mejora la evaluación de los recursos forestales solventando las principales limitaciones de los datos LiDAR. Los resultados contribuyen a generar flujos metodológicos que caracterizan la incertidumbre de las estimaciones obtenidas a partir de modelos no paramétricos y permiten propagar distintos componentes de error, y, por lo tanto, avanzar desde inventarios estáticos a inventarios dinámicos estadísticamente robustos.