Estimación de variables del bosque mediante sensores remotos en el estado de Hidalgo.

Abstract

Se analizaron las relaciones existentes entre daos espectrales derivados del sensor SPOT 6, de métricas LiDAR, y de la combinación de datos de estos dos sensores con datos dasométricos medidos en campo para estimar el inventario de las variables dasométricas: área basal (Ab), biomasa total (Bt), cobertura de copa (Cob), volumen (Vol) e índice de área foliar (IAF), mediante tres métodos: (1) modelos de regresión lineal múltiple, (2) muestreo con estimadores de razón y regresión e (3) inventario tradicional en un bosque de Pinus patula bajo manejo en Zacualtipán, Hidalgo, México. La hipótesis nula fue que los datos derivados del sensor LiDAR son mejores que los derivados de SPOT 6 y que la combinación de los dos sensores es ventajosa para la estimación del inventario de las variables dasométricas. Las estimaciones de campo provienen de mediciones realizadas en 157 sitios de 400 m2 distribuidos sistemáticamente bajo un diseño por conglomerados en una superficie de 900 hectáreas. En términos generales las métricas LiDAR presentaron mayor correlación con las variables de campo que las variables espectrales derivadas del sensor SPOT 6. Los modelos construidos solo con métricas LiDAR presentaron coeficientes de determinación (R2) que oscilan de 0.55 a 0.92. Contrariamente, los modelos construidos solo con variables espectrales del sensor SPOT 6 arrojaron valores de R2 de 0.27 a 0.66. Los modelos de regresión ajustados utilizando como variables predictivas a una combinación de métricas LiDAR y variables espectrales resultando en una ganancia mínima en su capacidad predictiva valores de R2 de 0.56 y 0.94. Dentro de los inventarios realizados con métricas LiDAR el estimador de regresión resultó ser la mejor estrategia, con precisiones que oscilan entre 3.16 a 5.65 %. La mejor precisión lograda con variables espectrales se obtuvo también con el estimador de regresión, presentando una precisión de 4.80 a 6.90 %. _______________ ESTIMATION OF VARIABLES OF THE FOREST BY REMOTE SENSORS IN THE STATE OF HIDALGO. ABSTRACT: The objetive of this research was to know the relation between data obtained of SPOT 6 sensor, LIDAR metrics, data combined from these two sensors and data of the field inventory. With this information the inventory of forest variables was estimated: basal area (Ab), total biomass (Bt), canopy cover (Cob), volume (Vol) and leaf area index (LAI), using three methods: (1) multiple linear regression models, (2) sampling with ratio and regression estimators and (3) traditional inventory in a forest of Pinus patula under management in Zacualtipan, Hidalgo, Mexico. The null hypothesis was that data derived from LiDAR sensor are better than derivatives of SPOT 6 and the combination of the two sensors are good for the inventory of dasometric variables. A total of 157 sites with a size of 400 m2 per site, distributed through a systematic sampling under a cluster design on an area of 900 hectares were used. Overall the LiDAR metrics have a higher correlation with the field variables that spectral variables derived from SPOT 6 sensor. The models constructed only with LiDAR metrics showed determination coefficients (R2) ranging from 0.55 to 0.92. Conversely, the models constructed only with spectral variables of SPOT 6 sensor returned values of R2 from 0.27 to 0.66. Adjusted regression models using as variables predictors a combination of metrics LiDAR and spectral variables result in a minimal gain in its predictive capacity; R2 values ranging from 0.56 and 0.94. Among the inventories carried out with LiDAR metrics, regression estimator proved to be the best strategy, with accuracies ranging from 3.16 to 5.65%. The best accuracy in spectral variables was also achieved with the regression estimator with an accuracy of 4.80 to 6.90%.