LIDAR FORESTAL Métodos de masa y de árbol individual

Durante el curso los/as alumnos/as aprenderán a:

• Visualizar e interpretar datos LIDAR.
• Utilizar los principales programas de visualización y análisis de datos. LIDAR: FrugoViewer, FUSION, QGIS.
• Estimar variables de datos y dendrométricas y construir modelos predictivos de variables dendrométicas, mediante el programa R y la librería R-Commander.
• Elaborar cartografía temática del terreno y de la vegetación.
• Generar herramientas de planificación y una estimación de las existencias de los productos forestales.
• Generar Modelos Digitales del Terreno y visualizarlos en QGIS.
• Conocer los principales métodos de individualización y segmentación de árboles a partir de modelos digitales de vegetación con FUSION y SAGA.
• Aplicación de LIDAR a las Certificación forestal.
• Utilización del LIDAR para la gestión de bosques como sumideros de CO2.

Durante el curso, en la parte de Métodos de masa , el alumno/a realiza un ejemplo práctico de inventario forestal utilizando datos LIDAR del PNOA mediante el método de masa o ABA (Area Based Approach).

• Preparación: Creación de carpetas de trabajo y descarga de datos LIDAR (formato LAZ) desde CNIG.
• Descompresión: Uso de herramientas como LasTaskTools o LasZip.
• Visualización y filtrado:
  • Revisión de la nube de puntos con FugroViewer y FUSION/LDV.
  • Separación de puntos del suelo mediante el comando Groundfilter en FUSION para crear un Modelo Digital de Elevaciones (MDE), exportable a QGIS.
• Procesamiento de datos:
  • Registro y normalización de datos para parcelas específicas.
  • Cálculo de estadísticas de altura y cobertura (CloudMetrics y GridMetrics) integradas en QGIS.
• Modelado y análisis:
  • Ajuste de modelos de regresión lineal en R-Commander para estimar variables de masa (eg, volumen de madera) y análisis de resultados a nivel de rodal o monte.

Durante la parte de Árbol individual , el alumno/a sigue todos los pasos necesarios para cuantificar valores dendrométricos de cada árbol en una zona de trabajo, utilizando algoritmos en FUSION y SAGA.

• Individualización de árboles:
  • Visualización y análisis de la nube de puntos con FugroViewer y FUSION.
  • Creación de un modelo digital del terreno (compatible con QGIS).
  • Generación de MDS y MDHV.
  • Aplicación de algoritmos de individualización de copas con FUSION y SAGA.
• Recopilación y modelado:
  • Obtención de datos de campo para modelos predictivos de variables dendrométricas.
  • Configuración de modelos de regresión lineal.
• Aplicación y análisis:
  • Predicción de variables dendrométricas en árboles individualizados.
  • Extracción de estadísticos y aplicación de modelos en QGIS.
  • Análisis final de calidad de los resultados.

Los contenidos de este curso, tanto teóricos como prácticos, se imparten a través de vídeos. La gestión del curso se realiza mediante una plataforma de formación online, donde el alumno puede realizar consultas al equipo docente, entregar las actividades de evaluación y descargar los materiales del curso.

Lidar forestal: Métodos de masa.

TEMA 0: Aplicaciones de LIDAR para la Gestión Forestal Sostenible y la Conservación Ambiental

1. Integración de la sostenibilidad en la interpretación de datos LIDAR.

2. Gestión del Riesgo y Reducción de Desastres.

3. Planificación y seguimiento de proyectos de reforestación.

4. Uso de LIDAR en la certificación forestal y auditorías.

5. Los bosques como sumideros del CO2.

TEMA 1: Introducción a la tecnología LIDAR              

1. La tecnología LIDAR

1.1. Sensores activos frente a sensores pasivos          

1.2. LIDAR terrestre y LIDAR aerotransportado             

1.3. Funcionamiento del LIDAR aerotransportado      

1.4. Componentes básicos de un sistema LIDAR aerotransportado 

1.5. Comportamiento del pulso LIDAR             

1.6. Características de los datos LIDAR            

1.7. Pretratamiento de datos LIDAR.  

1.8. Obtención de Modelos Digitales del Terreno (MDT) a partir de datos LIDAR: MDE, MDS y MDHV              

1.9. LIDAR vs fotogrametría    

TEMA 2. LIDAR y sector forestal         

1. Inventario forestal con Tecnología LIDAR

2. Inventario Forestal según Métodos de Masa

2.1. Toma de datos en campo

2.2. Cálculo de estadísticas a partir de la nube de puntos del LIDAR

TEMA 3. Estimación de los modelos de transición de las parcelas de campo

1. Introducción

1.1. Muestreo aleatorio             

1.2. Normalidad de las variables         

1.3. Correlación lineal entre variables.

1.4. Modelos de regresión lineal         

1.5. Relaciones no lineales entre variables.    

2. El software R y su paquete R-Commander

2.1. Introducción a R y Rcommander 

2.2. Ajuste de modelos lineales simples en R-Commander   

2.3. Ajuste y diagnóstico de modelos de regresión múltiple con R-Commander

TEMA 4: Estimación de las variables dasométricas en el monte   

1. Estimación de las variables dasométricas del monte

1.1. Creación de cuadrícula vectorial de recintos en QGIS.

1.2. Estimación de los estadistas descriptivos de la nube de puntos LIDAR en los recintos del monte.     

2.3. Incorporar los modelos lineales en QGIS.

2. Cálculo de los errores de la estimación.

Lidar forestal: Árbol individual.

TEMA 01 | Inventario LIDAR. Árbol Individual

1. Inventario Forestal con Tecnología LIDAR.

2. Inventario Forestal con Métodos de árbol individual.

3. Individualización de árboles.

3.1. Introducción.

3.2. Individualización y la estructura de la vegetación.

4. Métodos de individualización de árboles.

4.1. El modelo digital de superficies.

4.2. CanopyMaxima: individualización con FUSION.

4.3. Individualización con QGIS y SAGA.

TEMA 02 | Estimación de variables forestales para árbol individual

1. Trabajo de campo.

1.1. Parcelas de campo.

1.2. Levantamiento del centro de la parcela.

1.3. Coordenadas de los árboles.

1.4. Ubicación de árboles en QGIS.

1.5. Obtención de los estadísticos de la nube de puntos en los árboles.

TEMA 03 | Modelos de transición de las variables dendrometricas

1. La Regresión Lineal.

1.1. Muestreo aleatorio.

1.2. Normalidad.

1.3. Correlación.

1.4. La regresión lineal.

1.5. Relaciones no lineales entre variables.

2. El sotfware R y su paquete R-Commander.

2.1. R y Rcommander.

2.2. Nuevo conjunto de datos.

2.3. Cargar conjunto de datos.

2.4. Importar datos.

2.5. Estadística descriptiva en R-Commander.

2.6. Correlación entre variables con R-Commander.

3. Ajuste de modelos lineales simples en R-Commander.

3.1. Homocedasticidad de los errores.

3.2. Normalidad de los errores.

3.3. Relación lineal y ausencia de colinealidad.

3.4. Ausencia de observaciones atípicas.

4. Ajuste y diagnosis de modelos de regresión múltiple con R-Commander.

4.1. Homocedasticidad.

4.2. Normalidad.

4.3. Linealidad.

4.4. Observaciones atípicas.

4.5. Colinealidad.

4.6. Análisis gráfico.

TEMA 04 | Resultados finales

1. Incorporación de modelos de transición.

1.1. Corte de la nube de puntos según las copas.

1.2. Estadísticos de cada árbol.

1.3. Importación y unión de los estadísticos en QGIS.

1.4. Aplicación de modelos.

2. Calidad del inventario de árbol individual.

2.1. Errores en la delineación de copas.

2.2. Errores en los datos LIDAR.