Medición de atributos forestales de especies de coníferas mediante fotogrametría digital con drones
DOI:
https://doi.org/10.19136/era.a12nV.4586Palabras clave:
nube fotogramétrica, métricas, modelos paramétricos, modelos no paramétricos, VANTResumen
La nube de puntos fotogramétrica proporciona información para estimar con precisión variables dendrométricas y dasométricas a nivel de árbol individual. El objetivo del presente estudio fue evaluar el potencial de las nubes de puntos geoespaciales, generadas mediante fotogrametría digital de imágenes aéreas capturadas con un dron de bajo costo, para la estimación de variables dendrométricas y dasométricas en rodales de coníferas. Con datos de altura total (At: m), área basal (AB: m2) y Volumen (Vol: m3) de 80 árboles de coníferas medidas en campo se ajustaron los modelos de regresión lineal (M1), exponencial (M2), M1 con efectos mixtos (M3), M2 con efectos mixtos (M4), redes neuronales artificiales (RNA-M5) y random forest (RF-M6) para estimar la At, AB y Vol en función de métricas de altura (z), de las coníferas medidas, de la nube de puntos fotogramétrica. La eficiencia de las estimaciones se realizó mediante el mayor coeficiente de determinación ajustada (R2adj), la raíz del cuadrado medio del error (RCME), el Criterio de Información de Akaike (AIC) y el Sesgo más bajo. La At fue la mejor estimada con las métricas de la nube de puntos de fotogrametría, se obtuvieron R2adj entre 0.87 y 0.98, RCME de 1.64 y 0.61 m; siendo el M2 el mejor. Para la estimación de la AB y Vol el modelo RF-M6 fue el mejor con un R2 de 0.77 y 0.77 y, RCME de 0.046 y 0.269 respectivamente. La nube de puntos 3D fotogramétrica es una alternativa para estimar variables forestales a nivel de árbol.
Descargas
Referencias
Abuín, JR (2007) Regresión lineal múltiple. IdEyGdM-Ld Estadística, Editor, 32.
Alaminos-Fernández, Antonio F (2023) Árboles de decisión en R con random forest. Universidad de Alicante. Obets Ciencia Abierta. Alicante: Limencop.
Bohlin J, Wallerman J, Olsson H, Fransson JES (2012) Species-specific forest variable estimation using non-parametric modeling of multi-spectral photogrammetric point cloud data. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 39, 387-391.
Breiman L (2001) Random forests. Machine learning, 45(1), 5-32. https://doi.org/10.1023/A:1010933404324
Briechle, M., Heinzel, J., & Koch, B. (2020). UAV-based photogrammetric point clouds for forest structure modeling in steep terrain: A case study from the Bavarian Forest National Park. Remote Sensing, 12(9), 1444. https://doi.org/10.3390/rs12091444
Brito J, Coelho L (2007) Fotogrametría digital. CEP, 22290, 270.
Buill PF, Núñez AM A, Lantada N, Prades VA (2016) Fotogrametría y videogrametría desde UAV para la captura de geoinformación en estudios geológicos. In Topografía y cartografía (Vol. 35, No. 174, pp. 47-53). http://hdl.handle.net/2117/102388
Colohua-Citláhua B, Gómez-Guerrero A, Correa-Díaz A, Vargas-Hernández JJ (2024) Estructura y caracterización de rodales de Pinus hartwegii Lindl. en el Parque Nacional Pico de Orizaba. Revista Mexicana de Ciencias Forestales, 15(83), 28-54. https://doi.org/10.29298/rmcf.v15i83.1433
Cordero MH (2017) El uso de fotogrametría de bajo coste en la creación de nubes de puntos aplicada a la arqueología comercial-the use of lowcost photogrammetry in the creation of point clouds applied to commercial archeology. Revista Otarq: Otras Arqueologías, (1), 311-324.
Di Rienzo JA, Macchiavelli R, Casanoves F (2012) Modelos lineales mixtos. Aplicaciones en InfoStat. Grupo InfoStat, FCA, Universidad Nacional de Córdoba, Argentina http://www. infostat. com. ar.
Filippelli SK, Lefsky MA, Rocca ME (2019) Comparison and integration of lidar and photogrammetric point clouds for mapping pre-fire forest structure. Remote Sensing of Environment, 224, 154–166. https://doi.org/10.1016/j.rse.2019.01.029
Gallardo-Salazar JL, Pompa-García M, Aguirre-Salado CA, López-Serrano PM, Meléndez-Soto A (2020) Drones: tecnología con futuro promisorio en la gestión forestal. Revista Mexicana de Ciencias Forestales, 11(61), 27-50. https://doi.org/10.29298/rmcf.v11i61.794
Haykin S (2009) Neural networks and learning machines (3rd ed.). Pearson Education.
Herrero-Huerta M, Gonzalez-Aguilera D, Yang Y (2023) Structural component phenotypic traits from individual maize skeletonization by UAS-based structure-from-motion photogrammetry. Drones, 7(2), 108. https://doi.org/10.3390/drones7020108
Islas-Gutiérrez F, Cruz-Juárez E, Buendía-Rodríguez E, Guerra-De la Cruz V, Pineda-Ojeda T, Flores-Ayala E, Acosta-Mireles M (2024) Ecuación alométrica para estimar biomasa aérea de árboles de Pinus hartwegii Lindl. A partir de datos lidar. Revista Fitotecnia Mexicana, 47(1), 70-79. https://doi.org/10.35196/rfm.2024.1.70
Ivosevic B, Han YG, Kwon O (2017) Calculating coniferous tree coverage using unmanned aerial vehicle photogrammetry. Journal of Ecology and Environment, 41, 1-8. https://doi.org/10.1186/s41610-017-0029-0
Kellner, J. R., Armston, J., Birrer, M., Cushman, K. C., Duncanson, L., Eck, C., & Zgraggen, P. (2019). New opportunities for forest remote sensing through ultra-high-density drone lidar. Surveys in Geophysics, 40, 959–977. https://doi.org/10.1007/s10712-019-09527-1
Lee CKF, Song G, Muller-Landau HC, Wu S, Wright SJ, Cushman KC, Wu J (2023) Cost-effective and accurate monitoring of flowering across multiple tropical tree species over two years with a time series of high-resolution drone imagery and deep learning. ISPRS Journal of Photogrammetry and Remote Sensing, 201, 92-103. https://doi.org/10.1016/j.isprsjprs.2023.05.022
Monárrez-González JC, Márquez-Linares MA, López Hernández JA, Pérez Verdín G, Quiñonez Barraza G, García Cuevas X (2024) Ecuaciones de volumen fustal-total y ahusamiento para especies maderables del ecosistema templado en Puebla, México. Revista Mexicana de Ciencias Forestales, 15(84), 4-28. https://doi.org/10.29298/rmcf.v15i84.1440
Nuijten RJ, Coops NC, Watson C, Theberge D (2021) Monitoring the structure of regenerating vegetation using drone-based digital aerial photogrammetry. Remote Sensing, 13(10), 1942. https://doi.org/10.3390/rs13101942
Ordóñez-Prado C, Valdez-Lazalde JR, Flores-Magdaleno H, Ángeles-Pérez G, de los Santos-Posadas HM, Buendía-Rodríguez E (2024) Implicaciones operativas de la resolución espacial de imágenes de drones en el mapeo de la vegetación para el manejo forestal. Revista Chapingo Serie Ciencias Forestales y del Ambiente, 30(2), 1-18. https://doi.org/10.5154/r.rchscfa.2023.06.040
Ortiz-Reyes AD, Velasco-Bautista E, Correa-Díaz A, Ángeles-Pérez G (2021) Predicción de variables dasométricas mediante modelos lineales mixtos y datos de LiDAR aerotransportado. e-CUCBA, (17), 88-95.
Ota T, Ogawa M, Mizoue N, Fukumoto K, Yoshida S (2017) Forest structure estimation from a UAV-based photogrammetric point cloud in managed temperate coniferous forests. Forests, 8(9), 343. https://doi.org/10.3390/f8090343
Paneque-Gálvez J, McCall MK, Napoletano BM, Wich SA, Koh LP (2014) Small drones for community-based forest monitoring: An assessment of their feasibility and potential in tropical areas. Forests, 5(6), 1481-1507. https://doi.org/10.3390/f5061481
Puliti, S., Ørka, H. O., Gobakken, T., & Næsset, E. (2015). Inventory of small forest areas using an unmanned aerial system. Remote Sensing, 7(8), 9632–9654. https://doi.org/10.3390/rs70809632
Quiñonez-Barraza, G, Pompa-García M, Vivar-Vivar ED, Gallardo-Salazar JL, Hernández FJ, Rodríguez-Flores FD J, Hernández-Díaz J C (2023) Modeling biometrie attributes from tree height using unmanned aerial vehicles (UAV) in natural forest stands. Ingeniería e Investigación, 43(2), 1. https://doi.org/10.15446/ing.investig.98945
R Core Team. (2024). R: A language and environment for statistical computing. R Foundation for Statistical Computing. https://www.R-project.org/
Reyes-Zurita N, Rodríguez-Ortiz G, Enríquez-del Valle JR, Jiménez-Colmenares CL, Rincón-Ramírez JA (2022) Estimación de variables dasométricas en rodales bajo manejo forestal con vehículos aéreos no tripulados. FIGEMPA: Investigación y Desarrollo, 13(1), 22-31. https://doi.org/10.29166/revfig.v13i1.3299
Roussel JR, Auty D, Coops NC, Tompalski P, Goodbody TR, Meador AS, Achim A (2020) lidR: An R package for analysis of Airborne Laser Scanning (ALS) data. Remote Sensing of Environment, 251, 112061. https://doi.org/10.1016/j.rse.2020.112061
Scher CL, Griffoul E, Cannon CH. (2019) Drone-based photogrammetry for the construction of high-resolution models of individual trees. Trees, 33, 1385-1397. https://doi.org/10.1007/s00468-019-01866-x
Vega-Puga MG, Romo-León JR, Castellanos AE, Castillo-Gámez RA, Garatuza-Payán J (2024) Use of unmanned aerial vehicles for estimating carbon storage in subtropical shrubland aboveground biomass. Revista Chapingo Serie Ciencias Forestales y del Ambiente, 30(2). https://doi.org/10.5154/r.rchscfa.2023.06.043
Wallace, L., Lucieer, A., Malenovský, Z., Turner, D., & Vopěnka, P. (2016). Assessment of forest structure using two UAV techniques: A comparison of airborne laser scanning and structure from motion (SfM) point clouds. Forest Ecology and Management, 361, 1–9. https://doi.org/10.1016/j.foreco.2015.11.021
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2025 Ecosistemas y Recursos Agropecuarios
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
1. Política propuesta para revistas de acceso abierto
Los autores/as que publiquen en esta revista aceptan las siguientes condiciones:
1. Los autores/as conservan los derechos de autor y ceden a la revista el derecho de la primera publicación, con el trabajo registrado con la Licencia CC BY-NC-ND 4.0 Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 Internacional de Creative Commons, que permite a terceros utilizar lo publicado siempre que mencionen la autoría del trabajo y a la primera publicación en esta revista.
2. Los autores/as pueden realizar otros acuerdos contractuales independientes y adicionales para la distribución no exclusiva de la versión del artículo publicado en esta revista (p. ej., incluirlo en un repositorio institucional o publicarlo en un libro) siempre que indiquen claramente que el trabajo se publicó por primera vez en esta revista.
3. Se permite y recomienda a los autores/as a publicar su trabajo en Internet (por ejemplo en páginas institucionales o personales) antes y durante el proceso de revisión y publicación, ya que puede conducir a intercambios productivos y a una mayor y más rápida difusión del trabajo publicado (vea The Effect of Open Access).
This work is licensed under CC BY-NC-ND 4.0 
