Los resultados de este trabajo indican que los datos LIDAR pueden ser usados para hacer estimaciones con elevada precisión de las variables forestales volumen, biomasa total aérea y área basimétrica. Se comprueba la existencia de una buena correlación entre la distribución de alturas medida por el sensor y las variables forestales medidas en las parcelas de campo. Los resultados obtenidos, por los procedimientos de ajuste de modelos por regresión lineal y validación cruzada, muestran que los modelos poseen una elevada precisión en las predicciones obtenidas en el total del área de estudio, obteniéndose unos valores en los coeficientes de determinación de 0,899 para el volumen, 0,885 para la biomasa total aérea, 0,880 para el área basimétrica y 0,527 para la densidad de pies.
En consecuencia, los modelos de regresión lineal calculados en el presente trabajo, son de aplicación al área de estudio, con unos valores de R2 de 0,899, 0,880 y 0,527 para el volumen, área basimétrica y número de pies por hectárea respectivamente. Estos valores son muy similares, excepto el relativo a densidad, a los resultados obtenidos por Naesset (2002) en un bosque de Pinus sylvestris L. noruego, en el que obtuvo unos coeficientes de determinación de 0,910, 0,860 y 0,840 para volumen, área basimétrica y densidad respectivamente. Para la biomasa el R2 obtenido en este trabajo es de 0,873 siendo de 0,885 para la variable transformada, que resulta ser también muy similar al obtenido por Andersen (2005) cuyo coeficiente de determinación fue de 0,860 para la variable transformada. Estos últimos, siendo similares a los obtenidos en este estudio, han sido aceptados por el U.S. Forest Service como modelos de aplicación en la zona Pacífico-Noroeste (Estados de Oregón y Washington). Además han sido implementados en la extensión Canopy Fuel Estimator del programa informático FUSION. Si se comparan entre sí los modelos obtenidos, se comprueba que la precisión con que se estiman las variables volumen,
área basimétrica y biomasa son netamente mejores que la que se obtiene para la estimación de la densidad. Este hecho ya se ha observado en varias ocasiones en los estudios previos citados. Esto se puede deber a que los pies de menor tamaño, que pueden pasar desapercibidos en la nube de puntos, tienen una elevada influencia en el número de pies por hectárea y sin embargo, debido a su pequeño tamaño, apenas aportan área basimétrica, volumen o biomasa.
Comparando las variables independientes finalmente incluidas en los modelos desarrollados en el presente estudio con las obtenidas por Naesset (2002) y Andersen (2005) se observa la presencia en casi todos de percentiles muy altos y bajos, la estimación de la fracción de cabida cubierta a través de LIDAR (PoF) y coeficientes de asimetría y variación.
Tabla 9. Variables dependiente e independientes obtenidas en los modelos Andersen (2004), Naesset (2002) y el presente estudio.
TRABAJO VARIABLE
DEPENDIENTE VARIABLES INDEPENDIENTES
Andersen B p25 p90 PoF Nasset V p80 hmax PoF G p80 hmax PoF N p0L CV p50 Presente estudio B p30 p95 Skew. PoF
V Media Skew. SD PoF
G Media Moda p30 Skew.
N p70 p80 Mediana p95 Skew. CV PoF
Donde:
B: Biomasa (Kg/ha) px: Percentil x de las alturas V: Volumen (m3/ha) p0L: Percentil 0 de últimos ecos G: Área basimétrica (m2/ha) Skew.: Coeficiente de asimetría N: Densidad (pies/ha) CV: Coeficiente de variación PoF: Porcentaje de primeros retornos SD: Desviación típica
Existen diversas posibles vías de introducción de errores, que explicarían las diferencias entre las estimaciones y las observaciones. En primer lugar, y al contrario que la medición del área basimétrica, el volumen observado en las parcelas no ha sido evaluado de forma directa (apeo de pies y medición exhaustiva), sino que se han aplicado las supertarifas de cubicación del Inventario Forestal Nacional particularizadas para la provincia de Cuenca. En segundo lugar y de igual modo, la biomasa total aérea se ha calculado aplicando las ecuaciones desarrolladas por el equipo de Montero de Burgos, recogidas en la Monografía 13 (forestal) del INIA. En tercer lugar, la correspondencia geográfica de las parcelas reales (campo) con las parcelas digitales (LIDAR) no es absolutamente segura. Pueden existir desplazamientos, que aún siendo de poca magnitud, provocan una diferencia de la distribución de alturas entre ambas ubicaciones y, ya que los modelos predictores están basados en dicha distribución de alturas, una ubicación inexacta provocará errores en la creación de los modelos y en futuras predicciones.
La metodología empleada, en la que generalmente se hace necesaria una transformación logarítmica, posibilita la estimación de las cuatro variables mencionadas en áreas de superficie igual a la de las parcelas de inventario, así como el cálculo del intervalo de confianza de esas predicciones. Sin embargo, aunque se puede estimar cualquiera de las cuatro variables a nivel de monte, el cálculo directo del intervalo de confianza para la estimación es complejo y plantea importantes cuestiones relacionadas con la correlación espacial de los errores y falta de linealidad en los modelos predictores. Este mismo problema se presenta en los trabajos que se exponen a continuación. Los estudios son: estimación del volumen maderable de masas forestales, altura media de la masa, altura dominante, diámetro medio, densidad de pies y área basimétrica, partiendo de datos del sensor láser (Naesset, 2002), siguiendo una metodología muy similar a la aquí propuesta, es decir modelos multiplicativos, elección de variables paso a paso (stepwise regression), cálculo de coeficientes por validación cruzada y transformación logarítmica de las variables, tanto dependientes como independientes. Estimación de parámetros de combustible forestal a partir de datos LIDAR (Andersen et al., 2005), cuya metodología también sigue la misma estructura con elección de variables por stepwise regression, cálculo de coeficientes por validación cruzada y transformación cuadrática de variables. Estimación de la densidad de copas y biomasa foliar en base a datos LIDAR (Riaño et al., 2004), para este estudio incluyeron metodologías cluster, es decir, segmentación o estratificación de datos automática, obteniendo resultados muy buenos para la estimación de biomasa foliar, cuyo R2 es de 0,95. Estimación de la biomasa individual
de Pinus taeda L. basada en datos del obtenidos del láser e imágenes
multiespectráles (Popescu, 2007), para la elaboración de sus modelos predictores también recurren a una transformación logarítmica de las variables y obtienen un R2 para la estimación de biomasa de 0,88. Estimación del contenido en carbono partiendo de la estimación de la biomasa utilizando los datos de altura proporcionados por un sensor LIDAR combinados con los datos de intensidad de los retornos (García et al., 2010), el trabajo se realizó en Guadalajara y para el Pinus nigra desarrollan modelos predictivos por diversas vías, obteniendo coeficientes de correlación entre 0,73 y 0,91 para la estimación de biomasa. Estos estudios se limitan a presentar los modelos de regresión lineal acompañados del R2, sin desarrollar una metodología para la estimación de errores de datos agregados. Para solventar este problema de cálculo de error en la estimación agregada se podría plantear la estimación como un caso de inventario por regresión, si bien en este caso es esencial que exista linealidad. Por otro lado, siguiendo las recomendaciones de McRoberts, se podría recurrir al método Boot- strap (McRoberts, 2010).
Con la adquisición de nuevos datos LIDAR, año tras año, se podrá hacer una estimación de la evolución del monte en términos de crecimiento, pudiendo estimar los crecimientos corriente y continuo. En el futuro, la adquisición de datos LIDAR será fácil, ya que está prevista su distribución a través de los mismos servidores del PNOA. Estos datos serán de menor densidad, por lo que habrá que ajustar modelos en base a esos datos, pero los mecanismos de elaboración de los algoritmos predictores podrían ser los expuestos en este trabajo. Con una cobertura completa del territorio Nacional, sería factible la estimación de las variables tratadas aquí, así como de otras que guarden buena relación con la altura de las masas, esto facilitaría los futuros inventarios de masas forestales, sin restricción de tamaño, como el IFN. Además el PNOA está pensado para ser periódicamente actualizado (cada dos años), de modo que podría ser una fuente de datos de fácil acceso para hacer estudios de crecimiento basados en datos LIDAR.
Por otra parte, la metodología desarrollada demuestra el potencial que posee la aplicación de estas modernas tecnologías en la gestión de espacios naturales, en concreto la de masas forestales.