Análisis de posiciones y densidades TLS (Terrestrial Laser Scanning) para optimizar la estimación de parámetros forestales

Abstract

[EN] In the last decades, the feasibility and efficiency of using TLS (Terrestrial Laser Scanning) in forest inventories have been studied. Data acquisition requires defining the scan locations to register the largest proportion of forest parameters in the plot. In this study, 31 location combinations of TLS scanners, from a single scan in the center of the plot to nine scans, were analyzed in 28 plots in a Mediterranean forest. Multiple linear regression models were generated to estimate mean height and aboveground biomass (AGB) from point cloud elevation metrics from each combination of scan locations. Additionally, the accuracy variation of the selected models by randomly reducing the point density was also analyzed. The analysis of the number of TLS scans shows that an increment in the number of scans does not necessarily mean an improvement in the statistical models for either variable. Results show for both variables that the influence of the point density on the accuracy of the regression model is significant when its value drops below one hundredth part of the initial point density

[ES] En las últimas décadas se ha investigado la viabilidad y eficiencia del uso del TLS (Terrestrial Laser Scanning) en la realización de inventarios forestales. La adquisición de las nubes de puntos en campo implica definir los puntos de ubicación del sensor para registrar la mayor proporción de parámetros forestales en la parcela. En este estudio se realizó un análisis de 31 combinaciones de posiciones de escaneo TLS, considerando desde un escaneo simple en el centro de la parcela hasta un escaneo múltiple de 9 escaneos en 28 parcelas de bosque Mediterráneo. Se generaron modelos de regresión lineal múltiple para la obtención de la altura dominante de la parcela y la biomasa aérea total, a partir de las métricas de distribución de alturas de las nubes de puntos en cada combinación. También se analizó la evolución de la precisión de los modelos seleccionados al reducir aleatoriamente la densidad de puntos. En el análisis del número de escaneos TLS se observa que el aumento del número de tomas no implica una mejora en los modelos para ninguna de las dos variables. Por otro lado, el estudio de la reducción de densidad de puntos muestra para ambas variables forestales que la precisión del modelo de regresión no comienza a decrecer significativamente hasta reducir la nube a una centésima parte de la densidad original de puntos.