|
Resumen:
|
[ES] Se ha obtenido un método de estimación de la biomasa rápido, fiable y replicable en cualquier estructura forestal basado en un reducido y sencillo inventario forestal, imágenes de satélite de alta resolución espacial ...[+]
[ES] Se ha obtenido un método de estimación de la biomasa rápido, fiable y replicable en cualquier estructura forestal basado en un reducido y sencillo inventario forestal, imágenes de satélite de alta resolución espacial y resolución espectral en los rangos del visible y del infrarrojo cercano y medio y un vínculo entre las variables dependientes e independientes por medio de métodos de regresión por procesos gaussianos.
Se han comparado los métodos utilizados para la estimación de la biomasa y se ha constatado tanto que no existe un método estandarizado como que la obtención de los datos de campo, la realización de los inventarios y el cálculo de la biomasa como verdad-terreno y variable dependiente no siempre recibe la importancia que necesita y, por tanto, los resultados no siempre son comparables. Se ha introducido también el uso de las ecuaciones alométricas de biomasa, que describen la relación del diámetro y de la altura con la biomasa, tanto de cada fracción arbórea como del total de cada pie y se han ensayado también otros métodos de adquisición de datos de campo para confrontarlos con esta metodología, aunque finalmente se ha determinado que la sencillez, rapidez y bajo coste de estos métodos deben ser incorporados a un protocolo único de obtención de la biomasa para que todos los análisis puedan ser homogéneos y comparables. Para conseguir la definición de un método replicable en diversas condiciones y estructuras forestales, se han seleccionado áreas de interés en montes jóvenes y maduros en condiciones de clima mediterráneo Csa y Csb según la clasificación de Köppen-Geiger. Sobre estas zonas se han experimentado diferentes métodos de estimación de la biomasa.
Para sobrepasar los límites del aprendizaje clásico por métodos paramétricos, se ha ensayado el uso de métodos no paramétricos mediante procesos gaussianos, utilizando el término proceso para referirse a una colección de variables aleatorias que se pueden definir a través de una densidad de probabilidad como una gaussiana. Al existir esta densidad de probabilidad no es necesario ajustar al mismo tiempo un gran número de parámetros, lo que restringe la capacidad de modelar con flexibilidad los coeficientes de las variables.
Este método de aprendizaje automático es capaz de explicar un alto porcentaje de la variabilidad de la biomasa en un monte con distintas clases de estructura por edad siempre que la entrada de datos se halle segmentada, es decir, que se clasifique no sólo por los valores de biomasa sino por las condiciones de cobertura y tipo de formación recogidas en el inventario.
Al haberse validado el método con dos sensores diferentes se ha podido aplicar este mismo método en dos fechas separadas varios años para evaluar el crecimiento de las masas forestales según haya mediado un tipo de gestión forestal o su ausencia. Se han podido determinar diferencias estadísticamente significativas en el crecimiento a pesar de que la distribución de valores de reflectividad para cada fecha no las tiene.
Se ha evaluado la capacidad de este método en áreas donde las diferencias estructurales, de edad y de biomasa no son tan marcadas como en las masas adultas. En un regenerado post-incendio se han podido determinar las zonas de más densidad con el mismo método y sin segmentación de clases.
Este trabajo se ha enfocado en la obtención de un método replicable que pueda ser de fácil aplicación incluso por técnicos sin formación avanzada y con la intención de ser una herramienta cotidiana para la gestión forestal. Para poder ser implementado en condiciones reales de uso por administraciones y empresas se ha utilizado un lenguaje de programación de libre acceso. El programa se ha configurado para que el usuario realice el mínimo procesado posible y se obtengan automáticamente los mapas de biomasa de la zona deseada.
[-]
[CAT] S'ha obtingut un mètode d'estimació de la biomassa ràpid, fiable i *replicable en qualsevol estructura forestal basat en un reduït i senzill inventari forestal, imatges de satèl·lit d'alta resolució espacial i resolució ...[+]
[CAT] S'ha obtingut un mètode d'estimació de la biomassa ràpid, fiable i *replicable en qualsevol estructura forestal basat en un reduït i senzill inventari forestal, imatges de satèl·lit d'alta resolució espacial i resolució espectral en els rangs del visible i de l'infraroig pròxim i mitjà i un vincle entre les variables dependents i independents per mitjà de mètodes de regressió per processos gaussians.
S'han comparat els mètodes utilitzats per a l'estimació de la biomassa i s'ha constatat tant que no existeix un mètode estandarditzat com que l'obtenció de les dades de camp, la realització dels inventaris i el càlcul de la biomassa com a veritat-terreny i variable dependent no sempre rep la importància que necessita i, per tant, els resultats no sempre són comparables. S'ha introduït també l'ús de les equacions alométriques de biomassa, que descriuen la relació del diàmetre i de l'altura amb la biomassa, tant de cada fracció arbòria com del total de cada peu i s'han assajat també altres mètodes d'adquisició de dades de camp per a confrontar-los amb aquesta metodologia, encara que finalment s'ha determinat que la senzillesa, rapidesa i baix cost d'aquests mètodes han de ser incorporats a un protocol únic d'obtenció de la biomassa perquè totes les anàlisis puguen ser homogenis i comparables. Per a aconseguir la definició d'un mètode replicable en diverses condicions i estructures forestals, s'han seleccionat àrees d'interés en boscos joves i madures en condicions de clima mediterrani Csa i Csb segons la classificació de Köppen-Geiger. Sobre aquestes zones s'han experimentat diferents mètodes d'estimació de la biomassa.
Per a sobrepassar els límits de l'aprenentatge clàssic per mètodes paramètrics, s'ha assajat l'ús de mètodes no paramètrics mitjançant processos gaussians, utilitzant el terme processe per a referir-se a una col·lecció de variables aleatòries que es poden definir a través d'una densitat de probabilitat com una gaussiana. En existir aquesta densitat de probabilitat no és necessari ajustar al mateix temps un gran nombre de paràmetres, la qual cosa restringeix la capacitat de modelar amb flexibilitat els coeficients de les variables.
Aquest mètode d'aprenentatge automàtic és capaç d'explicar un alt percentatge de la variabilitat de la biomassa en un bosc amb diferents classes d'estructura per edat sempre que l'entrada de dades es trobe segmentada, és a dir, que es classifique no sols pels valors de biomassa sinó per les condicions de cobertura i tipus de formació recollides en l'inventari.
En haver-se validat el mètode amb dos sensors diferents s'ha pogut aplicar aquest mateix mètode en dues dates separades diversos anys per a avaluar el creixement de les masses forestals segons haja mediat un tipus de gestió forestal o la seua absència. S'han pogut determinar diferències estadísticament significatives en el creixement a pesar que la distribució de valors de reflectivitat per a cada data no les té.
S'ha avaluat la capacitat d'aquest mètode en àrees on les diferències estructurals, d'edat i de biomassa no són tan marcades com en les masses adultes. En un regenerat post-incendie s'han pogut determinar les zones de més densitat amb el mateix mètode i sense segmentació de classes.
Aquest treball s'ha enfocat en l'obtenció d'un mètode replicable que puga ser de fàcil aplicació fins i tot per tècnics sense formació avançada i amb la intenció de ser una eina quotidiana per a la gestió forestal. Per a poder ser implementat en condicions reals d'ús per administracions i empreses s'ha utilitzat un llenguatge de programació de lliure accés. El programa s'ha configurat perquè l'usuari realitze el mínim processament possible i s'obtinguen automàticament els mapes de biomassa de la zona desitjada.
[-]
[EN] A fast, reliable and replicable biomass estimation method has been obtained for any forest structure based on a reduced and simple forest inventory, satellite images of high spatial resolution and spectral resolution ...[+]
[EN] A fast, reliable and replicable biomass estimation method has been obtained for any forest structure based on a reduced and simple forest inventory, satellite images of high spatial resolution and spectral resolution in the visible and near and mid-infrared ranges, and a link between the dependent and independent variables by means of Gaussian process regression methods.
The methods used for biomass estimation have been compared and it has been found that there is no standardized method and that the collection of field data, the making of inventories and the calculation of biomass as ground-truth and dependent variable are not always given the importance they need and, therefore, the results are not always comparable. It has been introduced introduced the use of allometric biomass equations, which describe the relationship of diameter and height with biomass, both of each tree fraction and of the total of each stand, and we have also tested other methods of field data acquisition to compare them with this methodology, although we have finally determined that the simplicity, speed and low cost of these methods should be incorporated into a single protocol for obtaining biomass so that all the analyses can be homogeneous and comparable. To achieve the definition of a replicable method in different conditions and forest structures, areas of interest have been selected in young and mature forests in Mediterranean climate conditions Csa and Csb according to the Köppen-Geiger classification. Different biomass estimation methods have been experimented on these areas.
In order to overcome the limits of classical learning by parametric methods, the use of non-parametric methods using Gaussian processes has been tested, using the term process to refer to a collection of random variables that can be defined through a probability density as a Gaussian. Since this probability density exists, it is not necessary to fit a large number of parameters at the same time, which restricts the ability to flexibly model the coefficients of the variables.
This machine learning method is able to explain a high percentage of the biomass variability in a forest with different age structure classes as long as the data input is segmented, i.e. classified not only by biomass values but also by the cover conditions and type of formation collected in the inventory.
As the method has been validated with two different sensors, it has been possible to apply the same method on two separate dates several years apart to evaluate the growth of forest stands according to the type of forest management or its absence. Statistically significant differences in growth could be determined despite the fact that the distribution of reflectivity values for each date does not have them.
The capacity of this method has been evaluated in areas where structural, age and biomass differences are not as marked as in adult stands. In a post-fire regeneration it has been possible to determine the most dense areas with the same method and without class segmentation.
This work has focused on obtaining a replicable method that can be easily applied even by technicians without advanced training and with the intention of being a daily tool for forest management. In order to be implemented in real conditions of use by administrations and companies, a freely available programming language has been used. The program has been configured so that the user performs as little processing as possible and automatically obtains the biomass maps of the desired area.
[-]
|
