• Conseguir la exactitud y precisión geométrica óptima para las fuentes de datos que más dificultades suelen presentar al incorporarse a proyectos de inventario basados en escaneo láser aerotransportado: GNSS de campo e imagen óptica aérea. Estudiar el efecto de dicha optimización en la propia estima de parámetros forestales. Se entiende por exactitud geométrica óptima la mayor posible que se ajuste a la ofrecida por los propios datos ALS, manteniendo los costes a niveles realistas de aplicación práctica.
• Distinguir los parámetros y configuraciones de levantamiento GNSS requeridos para la incorporación de datos tomados bajo copas en proyectos de inventario ALS (Caso a Estudio 3.1.).
o H11: Los receptores de frecuencia doble obtienen mejor exactitud que los receptores de frecuencia simple.
o H12: El tipo de receptor utilizado afecta a la exactitud y precisión.
o H13: La configuración de la red de corrección diferencial utilizada afecta a la exactitud y precisión.
o H14: El tiempo de observación afecta a la exactitud y precisión.
o H15: La exactitud obtenida está relacionada con los valores de precisión observados en los equipos.
o H16: La exactitud obtenida está relacionada con la dilución de la precisión en posicionamiento (PDOP).
o H17: La exactitud obtenida está relacionada con la incorporación de ambas constelaciones GPS y GLONASS, en relación a cada una de ellas por sí sola.
o H18: La exactitud obtenida está relacionada con la capacidad de los receptores para fijar la solución de posicionamiento, basados en la solución la de ambigüedad de fase inicial.
• Estudiar los efectos de las copas sobre los receptores GNSS y buscar la posibilidad de predecir el error GNSS observado u optimizar el tiempo de observación de acuerdo con los variables forestales observadas en el lugar de cada levantamiento (Caso a Estudio 3.2).
o H21: Las variables de inventario forestal tradicional afectan a la exactitud y precisión de los receptores GNSS.
o H22: Los índices de densidad relativa de la masa afectan a la exactitud y precisión de los receptores GNSS.
o H23: La pendiente del terreno en el lugar del levantamiento afecta a la exactitud y precisión de los receptores GNSS.
o H24: Las características de claro y los árboles rodeando inmediatamente el lugar del levantamiento afecta a la exactitud y precisión de los receptores GNSS.
o H25: Tanto la exactitud como la precisión están relacionadas con las características del dosel forestal en el lugar del levantamiento.
25
o H26: Hay diferencias entre mínimos cuadrados ordinarios (OLS) y parciales (PLS) en términos de análisis exploratorio de la exactitud GNSS.
o H27: Hay diferencias entre mínimos cuadrados ordinarios (OLS) y parciales (PLS) en términos de predicción de la exactitud GNSS.
• Comparar la aplicación en zonas de bosque de los métodos disponibles para la integración de datos ALS e imagen aérea. Estudiar los factores que afectan al desplazamiento de copas en ortofotos y analizar si esos mismos factores afectan también a los ALS retroproyectados (Caso a Estudio 3.3).
o H301: Las técnicas de ortofoto verdadera mejoran los resultados obtenidos por las técnicas de ortorectificación tradicional en zonas de bosque.
o H302: La técnica de ALS retroproyectado mejora los resultados obtenidos por las técnicas de ortorectificación tradicional en zonas de bosque.
o H303: La altura del árbol es un factor que afecta a los errores observados en la ortorectificación.
o H304: La pendiente del terreno es un factor que afecta a los errores observados en la ortorectificación.
o H305: El ángulo nadiral es un factor que afecta a los errores observados en la ortorectificación.
o H306: El modelo de abatimiento de las copas de los árboles explica los errores observados en la ortorectificación.
o H307: La densidad de escaneo láser es un factor que afecta a la calidad del modelo digital de superficie, y por tanto los errores observados en la ortofoto verdadera.
o H308: La varianza de modelo de krigeado es un factor que afecta a los errores observados en la ortofoto verdadera.
o H309: El modelo de abatimiento por el límite superior del intervalo de confianza del modelo digital de superficie explica los errores observados en la ortofoto verdadera. o H310: La altura del árbol es un factor que afecta a los errores observados en el ALS
retroproyectado.
o H311: La pendiente del terreno es un factor que afecta a los errores observados en el ALS retroproyectado.
o H312: El ángulo nadiral es un factor que afecta a los errores observados en el ALS retroproyectado.
o H313: Los modelos de abatimiento de las copas de los árboles explica los errores observados en el ALS retroproyectado.
o H314: La densidad de escaneo láser es un factor que afecta a los errores observados en el ALS retroproyectado
o H315: La resolución espacial de las imágenes utilizadas afecta a los errores observados en las técnicas utilizadas.
o H316: La corrección por refracción atmosférica aporta una mejoría en la exactitud obtenida por técnica de ALS retroproyectado.
o H317: La corrección por la curvatura de la Tierra aporta una mejoría en la exactitud obtenida por técnica de ALS retroproyectado.
26
• Estudiar las ventajas de la utilización del método de retroproyección para la fusión de datos de cámara infrarroja y escaneo láser aerotransportado en el propio estudio de la masa forestal. Comparar la mejora obtenida en los modelos de estimación de parámetros forestales al incluir una predictor derivado de la imagen óptica (Caso a Estudio 3.4).
o H401: La adición de la mediana del borde rojo al modelo de predicción mejora los resultados obtenidos en la estima de la densidad de la masa al usar sólo los predictores derivados del ALS.
o H402: La adición de la mediana del borde rojo al modelo de predicción mejora los resultados obtenidos en la estima del índice de densidad relativa de la masa al usar sólo los predictores derivados del ALS.
o H403: La adición de la mediana del borde rojo al modelo de predicción mejora los resultados obtenidos en la estima del diámetro cuadrático medio al usar sólo los predictores derivados del ALS.
o H404: La adición de la mediana del borde rojo al modelo de predicción mejora los resultados obtenidos en la estima del área basimétrica al usar sólo los predictores derivados del ALS.
o H405: La adición de la mediana del borde rojo al modelo de predicción mejora los resultados obtenidos en la estima de la altura dominante de Lorey al usar sólo los predictores derivados del ALS.
o H406: La adición de la mediana del borde rojo al modelo de predicción mejora los resultados obtenidos en la estima del volumen de la masa al usar sólo los predictores derivados del ALS.
o H407: La adición de la mediana del borde rojo al modelo de predicción mejora los resultados obtenidos en la estima del índice estructural de Gini al usar sólo los predictores derivados del ALS.
27