Tesis:
Multi-sensor approach for evaluating forest resources in large areas
- Autor: ESTEBAN CAVA, Jesica
- Título: Multi-sensor approach for evaluating forest resources in large areas
- Fecha: 2020
- Materia: Sin materia definida
- Escuela: E.T.S.I. DE MONTES, FORESTAL Y DEL MEDIO NATURAL
- Departamentos: INGENIERIA Y MORFOLOGIA DEL TERRENO
- Acceso electrónico: https://oa.upm.es/67377/
- Director/a 1º: FERNÁNDEZ LANDA, Alfredo
- Director/a 2º: MARCHAMALO SACRISTÁN, Miguel
- Resumen: La eficiencia de los inventarios tradicionales ha mejorado gracias a la capacidad de la tecnología LiDAR para predecir con detalle la estructura de la vegetación. Sin embargo, su utilización operativa en los inventarios forestales está condicionada por su baja resolución temporal y su escaso potencial para la diferenciación de especies. Dada la gran disponibilidad de información distintos sensores, la integración de datos LiDAR y multiespectrales representa una oportunidad para mitigar estos problemas. No obstante, a medida que el número de fuentes de información utilizadas en la predicción de atributos forestales aumenta, se requiere de procedimientos que permitan una cuantificación de la incertidumbre de las estimaciones de manera robusta. Esta tesis tiene como objetivo explorar como la integración de información de distintos sensores puede mitigar las limitaciones de los inventarios LiDAR a la vez que se proporcionan estimaciones estadísticamente robustas de acuerdo con el tipo de técnica de inferencia utilizado. En el capítulo 2 y 3 se aborda la baja resolución temporal, mientras que en el 4 el problema de distinción de especies forestales. En todos los capítulos se trabaja con el algoritmo random forests para la calibración de modelos de predicción y clasificación y se integran datos LiDAR y/o multiespectrales. En el capítulo 2 se comparan distintos métodos de inferencia para la estimación del volumen y la biomasa y de sus cambios en dos poblaciones forestales localizadas en La Rioja (España) y Våler (Noruega), respectivamente. Los cambios de volumen y biomasa se analizan mediante métodos directos e indirectos con vuelos multi-temporales LiDAR. Los resultados muestran que la implementación de técnicas de remuestreo bootstrapping permite estimar la incertidumbre de las estimaciones obtenidas mediante inferencia asistida y basada en modelos random forests. En el capítulo 3 se integran series temporales Landsat y datos de una cobertura LiDAR para la reconstrucción de la historia de los tratamientos selvícolas ocurridos entre 2005 y 2016 en el Bosque Modelo de Urbión, un ecosistema forestal Mediterráneo situado entre las provincias de Burgos y Soria (España). En este estudio se analizan, mediante el algoritmo de tendencia BFAST, series temporales de seis índices de vegetación para caracterizar los cambios ocurridos por tratamientos selvícolas de distinta intensidad. Además, se implementan técnicas de fusión de mapas para mejorar la precisión de los cambios detectados. Los resultados evidencian la idoneidad de las series temporales y los datos LiDAR para la detección de cambios drásticos y sutiles en las masas forestales, siendo más precisos cuando los datos LiDAR se adquieren después de que ocurra el cambio. En el capítulo 4 se genera una cartografía de las principales especies forestales de La Rioja (España) a partir de información multiespectral Landsat. Este mapa sirve como base para la selección de parcelas y para la aplicación de modelos específicos de predicción del volumen. En este estudio el uso de técnicas de remuestreo bootstrapping permite propagar la incertidumbre de los modelos de predicción y de clasificación. Los resultados reflejan que no se debe ignorar la incertidumbre de los mapas de clasificación, ya que de hacerlo se da lugar a estimaciones con incertidumbres infraestimadas. El error del mapa tiene mayor peso para las especies forestales menos frecuentes y con una estructura más abierta. Esta tesis demuestra que la integración de los datos LiDAR y multiespectrales mejora la evaluación de los recursos forestales solventando las principales limitaciones de los datos LiDAR. Los resultados contribuyen a generar flujos metodológicos que caracterizan la incertidumbre de las estimaciones obtenidas a partir de modelos no paramétricos y permiten propagar distintos componentes de error, y, por lo tanto, avanzar desde inventarios estáticos a inventarios dinámicos estadísticamente robustos. ----------ABSTRACT---------- The efficiencies of traditional forest inventories have improved due to the capacity of LiDAR technology to predict forest structure. However, this operational use of LiDAR for forest inventories is constrained by its coarse temporal resolution and its limited potential for species differentiation. Given the great availability of information from different sensors, integrating LiDAR and multispectral data represents an opportunity to mitigate these problems. Nevertheless, as the number of information sources used to predict forest attributes increases, so does the requirement for procedures that facilitate robust estimation of uncertainty. This thesis aims to explore how the integration of information from multiple sensors can mitigate the limitations associated with LiDAR-assisted inventories while providing statistically robust estimates consistent with the respective inferential frameworks used. Chapters 2 and 3 tackle the coarse temporal resolution problem, while chapter 4 addresses the difficulty of distinguishing among forest species. In all chapters we work with the random forests algorithm for calibrating prediction and classification models and integrating LiDAR and multispectral data. Chapter 2 compares different inferential frameworks for estimating volume and biomass and their changes in two forest populations, one in La Rioja (Spain) and one in Våler (Norway). Volume and biomass changes are analyzed through direct and indirect methods using multi-temporal LiDAR data. The results show that bootstrapping techniques facilitate estimation of the uncertainty of the population estimates when using both design-based model-assisted and model-based inferences with random forests predictions. Chapter 3 integrates Landsat time series and LiDAR data from a single coverage to reconstruct the history of forest treatments that occurred between 2005 and 2016 in the Model Forest Urbión, a Mediterranean forest ecosystem located between the provinces of Burgos and Soria (Spain). In this study time series for six vegetation indices are analyzed with the BFAST trend algorithm as a means for characterizing the changes resulting from harvesting practices of different intensities. Fusion maps techniques are used to improve the change detection accuracy. The results show the suitability of time series and LiDAR data to detect both drastic and subtle forest stand changes, but with greater accuracy when LiDAR data are acquired after the change occurs. In Chapter 4 a map of the main forest species of La Rioja (Spain) is constructed from multispectral Landsat information. This map serves as a basis for the selection of field plots and for application of species-specific volume prediction models. In this study bootstrap techniques are used to propagate the uncertainty from both the classification and prediction models. The results show that the uncertainty in the forest species map must not be ignored, because results in volume estimates whose uncertainties are underestimated. Uncertainty in the forest species map has a greater effect for open forest stands and less representative forest species. This thesis demonstrates that the integration of LiDAR and multiespectral data improves the assessment of forest resources by resolving the main limitations of LiDAR data. The results contribute to methodological frameworks that account for the uncertainty of the estimates obtained from non-parametric models and propagate the different sources of uncertainty, thereby advancing from static inventories to statistically robust dynamic inventories.