Influencia del inventario de campo en el error de muestreo obtenido

Influencia del inventario de campo en
el error de muestreo obtenido en un
inventario con tecnología LiDAR
Sonia Condés1
Alfredo Fernández-Landa2, Francisco Rodríguez3
Dept.
p Economía y Gestión Forestal. Escuela Técnica Superior
p
de
Ingenieros de Montes. Universidad Politécnica de Madrid.
2 Agresta Soc. Coop. y Universidad Politécnica de Madrid
3 Fundación Cesefor.
1
Vitoria a 11 de Junio de 2013
¿POR QUÉ PLANTEAMOS USAR TECNOLOGÍA LIDAR PARA INVENTARIO?
¿
El inventario suele
costar unos 10 €/ha
/ ((FABRA-CRESPO, 2012).)
A este coste, inventariar la superficie
costaría unos 180 M€, o unos 18M€ al
repetir el inventario cada 10 años
forestal de toda España
año si consideramos necesario
Es necesario buscar alternativas: LiDAR (Light Detection And Ranging), que
contribuyen a la evolución de los inventarios forestales, reduciendo su error
(MEANS et al., 2000; NÆSSET, 2004) y disminuyendo su coste (EID et al.,
2004).
EL INVENTARIO LiDAR SUPONE UNA REDUCCIÓN MUY IMPORTANTE DE
COSTES
¿QUÉ APORTA LA TECNOLOGÍA LIDAR AL INVENTARIO?
¿
proporciona información continua de estructura de la vegetación
Perfil de una nube de puntos
I f
Información
ió continua
ti
de
d estructura
t t
de
d la
l vegetación
g t ió
¿EN QUÉ SE DIFERENCIA CON EL INVENTARIO TRADICIONAL?
¿
Los métodos de masa relacionan la
nube de puntos LiDAR con las
variables dasométricas de inventario
forestal.
Los métodos de árbol individual
necesitan información de la forma y
di
dimensiones
i
d la
de
l copa para poder
d
realizar la búsqueda de árboles
¿QUÉ PRETENDEMOS APORTAR CON ESTE TRABAJO?
¿
inventarios forestales realizados con
tecnología LIDAR no existe error de muestreo, sino que el error en la
estimación de las variables es consecuencia del error de los modelos
matemáticos usados para la predicción de las mismas.
Se suele considerar que en los
Estos modelos se basan obligatoriamente en un inventario de
campo en el que se miden variables dasométricas de forma tradicional.
el inventario LIDAR ha de ser considerado como un
muestreo en dos fases con estimador de regresión (doble
muestreo), por lo que es posible calcular el error que se comete en dicho
inventario, al influir sobre el mismo no sólo los modelos matemáticos
utilizados, sino el número y tamaño de las parcelas de campo
En realidad
y la variabilidad
de la zona muestreada
OBJETIVOS
1. Determinar la mejora
(disminución del error) en la estimación de
las principales variables dasométricas
al combinar información
LiDAR junto
j t a la
l toma
t
d datos
de
d t convencional
i
l en parcelas
l de
d campo
2. Estudiar la influencia del tamaño y el número de
parcelas de campo
p
p en el error de muestreo de un inventario
LIDAR con métodos de masa.
ÁREA DE ESTUDIO
El área de estudio seleccionada tiene una superficie de 1.121 ha y corresponde
con el estrato de masas puras de
d repoblación
bl ió de
d P.
P sylvestris
l t i en la
provincia de Soria
INFORMACIÓN DE CAMPO
•
•
•
Diseño: 50 parcelas circulares de 11 m de radio
En cada parcela: diámetro normal de todos y la altura
Para la cubicación: cubiFOR (RODRÍGUEZ y BROTO, 2010)
de cuatro
Mínimo
Media
Desviación
Máximo
N (pies/ha)
105,2
970,7
481,8
1.867,8
G (m2/ha)
2,9
29,6
12,4
57,6
V (m3/ha)
10,3
156,4
84,0
405,2
dg (cm)
15,6
20,2
3,3
34,6
Ho (m)
8,3
12,7
2,8
19,0
INFORMACIÓN LiDAR
•
•
•
•
Fecha: abril de 2010
Sensor: Leica ALS40
Densidad de puntos: 2 primeros retornos por m2
Clasificación: realizada por la empresa proveedora de los datos LiDAR
Diseño del vuelo
PROCESADO DE LA INFORMACIÓN LiDAR
Procesado de la nube de puntos: FUSION (MCGAUGHEY & CARSON, 2003) en todo el
área para 5 tamaños de pixel diferentes.
Se extrajeron estadísticos de elevaciones y fracción de cabida cubierta para todos los
retornos de vegetación por encima de 2 metros sobre el suelo.
Superficie
(m2)
Lado de
pixel (m)
Radio de la
parcela circular
equivalente (m)
Tamaño 1
153,9
12,4
7
Tamaño 2
254,5
16,0
9
Tamaño 3
380,1
19,5
11
Tamaño 4
530,9
23,0
13
Tamaño 5
706,9
26,6
15
APLICACIÓN DEL DOBLE MUESTREO
Modelo matemático: V = a + b•X
Fase 1: cálculo de la variable X en la totalidad de los m pixeles en
los que se ha rasterizado la nube de puntos LiDAR.
Variable X: (P50*LFCC)2, donde P50 es el percentil 50 de las
alturas y LFCC es la fracción de cabida cubierta obtenida en LiDAR
Fase 2:
toma de una submuestra en la que conocemos
X del LiDAR como la variable Y objetivo.
j
Variable Y: Volumen con corteza (V)
tanto la variable
APLICACIÓN DEL DOBLE MUESTREO
Número de
parcelas
de campo
Coeficiente de determinación
Número de píxeles
VARIACIÓN DEL TAMAÑO Y EL NÚMERO DE LAS PARCELAS DE CAMPO
RESULTADOS: modelo ajustado y error relativo
El modelo ajustado con la submuestra de 50
El valor
parcelas de tamaño 3 fue:
medio del volumen y su error relativo fue :
Doble muestreo: 150,0
m3/ha, con un error relativo del 5,1%
Muestreo sistemático: 156,4
,
Con LiDAR
m3//ha con un error relativo del 14,9%
,
Sin LiDAR
RESULTADOS: variación del tamaño del pixel
Tamaño 1
Tamaño 2
Tamaño 3
Tamaño 4
Tamaño 5
Número de datos m
69330
42611
28948
21000
15954
Media X
526125.21
516184.66
507944.17
500683.99
495127.28
Desviación típica X
428730.85
418630.32
410399.14
404233.37
398234.71
a
44 15
44.15
38 70
38.70
41 45
41.45
38 57
38.57
38 89
38.89
b
0.000192
0.000205
0.000214
0.000206
0.000205
R2
0.8205
0.8735
0.8985
0.8688
0.8525
V estimado m3//ha
145 4
145.4
144 6
144.6
150 0
150.0
141 6
141.6
140 2
140.2
Error de muestreo %
6.9
5.9
5.1
6.2
6.6
Tamaño de parcela de campo = tamaño del pixel
coeficiente de determinación es menor, y el error de muestreo
mayor cuanto más se aleja el tamaño del pixel del de la parcela de
mayor,
muestreo de campo.
El
RESULTADOS: variación del número de parcelas
Coeficiente de determinación
Volumen estimado
Los valores del coeficiente de determinación y del volumen calculados
para cada número de parcelas de muestreo, como media de las 100 combinaciones
utilizadas,, p
permanece constante e igual
g
al valor obtenido con el total
de las 50 parcelas de muestreo
La variabilidad de ambos valores es tanto mayor
y
número de parcelas
cuanto menor sea el
RESULTADOS: variación del número de parcelas
Comparación muestreo sistemático y con doble muestreo
e de te la
evidente
a mejora
ejo a
conseguida en el doble
muestreo por regresión, y
por otro queda claro que al
disminuir el número de
parcelas se aumenta el
error de muestreo.
Resulta
RESULTADOS: rango
g de aplicación del modelo
Pixeles con la variable X
fuera del rango de la
variable X en las parcelas
de campo, para 20 parcelas
de campo con R2 0.95
(mejor submuestra)
Pixeles con la variable X
fuera del rango
g
de la
variable X en las parcelas
de campo, para 20 parcelas
de campo con R2 0.84
(
(peor
submuestra)
b
t )
DISCUSIÓN y CONCLUSIONES
errores obtenidos
b id mediante
di
técnicas
é i
d doble muestreo
de
m estreo son siempre muy
m
inferiores a los que se obtendrían con muestreos sistemáticos.
L
Los
E posible
Es
ibl conseguir
i
mejores ajustes con modelos no lineales de regresión
múltiple
E necesario
Es
i mantener la equivalencia entre
t ell tamaño de las parcelas de
campo y el de los píxeles en los que se rasteriza la nube de puntos LiDAR (Magnussen &
Boudewyn, 1998)
La precisión del muestreo está ligada al tamaño
parcelas de muestreo (Zeide, 1980),
de la parcela así como al número de
Los resultados demuestran que en el caso de disminuir el número de parcelas es necesario
asegurarse que éstas cubran completamente el rango de variación de las variables
en la regresión.
uso a priori de la información LiDAR para estratificar el muestreo tiene
un gran potencial (Maltamo
(M lt
ett al.,
l 2011)
El
Agradecimientos
A los técnicos de la sección 3ª de los SSTT de Soria.
Este proyecto ha sido parcialmente financiado por el CDTI a través del proyecto “CLASIFICACIÓN,
CLASIFICACIÓN,
PARAMETRIZACIÓN Y CARTOGRAFÍA DE ESPECIES FORESTALES APLICANDO TECNOLOGÍAS DE
TELEDETECCIÓN”
Contacto
condes@upm.es
afernandez@agresta.orf
paco.rodriguez@cesefor.com