Estimación de volumen forestal mediante imágenes de satélite Landsat 8 OLI en bosques templados mixtos

Autores/as

DOI:

https://doi.org/10.33064/iycuaa2020813224

Palabras clave:

índices de vegetación, sensores remotos, Random Forest

Resumen

El objetivo fue estimar el volumen forestal (m3 ha-1) mediante información obtenida del Sistema de Planeación Forestal (SiPlaFor) y datos espectrales de imágenes de satélite del sensor Landsat 8 OLI en el Ejido La Victoria Pueblo Nuevo, Durango, México. Se utilizó la técnica no paramétrica Random Forest para la estimación del volumen forestal. Los resultados mostraron que empleando un modelo con 400 árboles de decisión, la raíz cuadrada del cuadrado medio del error (RMSE) se mantiene estable. La variable predictiva de mayor importancia fue el Índice de Vegetación de Área Foliar Especifica (SLAVI), con una RMSE de 12.99%. El modelo de Random Forest presentó un coeficiente de determinación (R2) de 0.84 y un valor de RMSE de 28.8 m3 ha-1. La información espectral de un sensor de media resolución en combinación con datos de campo es una alternativa viable para estimar volumen forestal en bosques templados mixtos.

Descargas

Los datos de descargas todavía no están disponibles.

Biografía del autor/a

Pedro García-Ramírez, Universidad Juárez del Estado de Durango

Instituto de Silvicultura e Industria de la Madera

Pedro Antonio Domínguez-Calleros, Universidad Juárez del Estado de Durango

Facultad de Ciencias Forestales

José Javier Corral-Rivas, Universidad Juárez del Estado de Durango

Facultad de Ciencias Forestales

Marín Pompa-García, Universidad Juárez del Estado de Durango

Facultad de Ciencias Forestales

Jorge Armando Chávez-Simental, Universidad Juárez del Estado de Durango

Instituto de Silvicultura e Industria de la Madera

Pablito Marcelo López-Serrano, Universidad Juárez del Estado de Durango

Instituto de Silvicultura e Industria de la Madera

Rodrigo Rodríguez- Laguna, Universidad Autónoma del Estado de Hidalgo

Área Académica de Ingeniería Forestal, Instituto de Ciencias Agropecuarias

Jaime Roberto Padilla-Martínez, Universidad Juárez del Estado de Durango

Facultad de Ciencias Forestales

Citas

• Acosta Mireles, M., Pérez Miranda, R., Romero Sánchez, M. E., González Hernández, A., & Martínez Ángel, L. (2017). Estimación de la densidad forestal mediante imágenes Landsat ETM+ en la región sur del Estado de México. Revista Mexicana de Ciencias Forestales, 8(41), 30-55.

• Aquino-Ramírez, M., Velázquez-Martínez, A., Castellanos-Bolaños, J. F., de los Santos-Posadas, H. M., & Etchevers-Barra, J. D. (2015). Partición de la biomasa aérea en tres especies arbóreas tropicales. Agrociencia, 49(3), 299-314.

• Astola, H., Häme, T., Sirro, L., Molinier, M., & Kilpi, J. (2019). Comparison of Sentinel-2 and Landsat 8 imagery for forest variable prediction in boreal region. Remote Sensing of Environment, 223, 257-273. doi: 10.1016/j.rse.2019.01.019

• Atzberger, C., Darvishzadeh, R., Immitzer, M., Schlerf, M., Skidmore, A., & Le Maire, G. (2015). Comparative analysis of different retrieval methods for mapping grassland leaf area index using airborne imaging spectroscopy. International Journal of Applied Earth Observation and Geoinformation, 43, 19-31. doi: 10.1016/j.jag.2015.01.009

• Belgiu, M., & Drâgut, L. (2016). Random forest in remote sensing: A review of applications and future directions. ISPRS Journal of Photogrammetry and Remote Sensing, 114, 24-31. doi: 10.1016/j.isprsjprs.2016.01.011

• Breiman, L. (2001). Random forests. Machine Learning, 45, 5-32. doi: 10.1023/A:1010933404324

• Brizuela, A. B., Aguirre, C. A., & Velasco, I. (2007). Aplicación de métodos de corrección atmosférica de datos Landsat 5 para análisis multitemporal. En A. Grisotto, M. Sacido, & R. Rivas, Teledetección. Hacia un mejor entendimiento de la dinámica global y regional (pp. 207-214). Argentina: Martín.

• Chrysafis, I., Mallinis, G., Gitas, I., & Tsakiri-Strati, M. (2017). Estimating Mediterranean forest parameters using multi seasonal Landsat 8 OLI imagery and an ensemble learning method. Remote Sensing of Environment, 199, 154-166. doi: 10.1016/j.rse.2017.07.018

• Comisión Nacional Forestal. (2021). SiPlaFor. Sistema de Planeación Forestal para bosque templado [Base de datos]. Recuperada de http://siplafor.cnf.gob.mx/siplafor/inicio/

• Congedo, L. (2016). Semi-automatic classification plugin documentation. Release 6.0.1.1 [Complemento de código abierto]. doi: 10.13140/RG.2.2.29474.02242/1

• Coulston, J. W., Moisen, G. G., Wilson, B. T., Finco, M. V., Cohen, W. B., & Brewer, C. K. (2012). Modeling percent tree canopy cover: A pilot study. Photogrammetric Engineering & Remote Sensing, 78(7), 715-727. doi: 10.14358/PERS.78.7.715

• Deering, D. W., & Rouse, J. (1975). Measuring forage production of grazing units from Landsat MSS data. In J. J. Cook, Proceedings of the Tenth International Symposium on Remote Sensing of Environment (pp. 1169-1198). US: Environmental Research Institute of Michigan.

• Donoghue, D. N. M., Watt, P. J., Cox, N. J., Dunford, R. W., Wilson, J., Stables, S., & Smith, S. (2004). An evaluation of the use of satellite data for monitoring early development of young Sitka spruce plantation forest growth. Forestry: An International Journal of Forest Research, 77(5), 383-396. doi: 10.1093/forestry/77.5.383

• Elagouz, M. H., Abou-Shleel, S. M., Belal, A. A., & El-Mohandes, M. A. O. (2020). Detection of land use/cover change in Egyptian Nile Delta using remote sensing. The Egyptian Journal of Remote Sensing and Space Science, 23(1), 57-62. doi: 10.1016/j.ejrs.2018.10.004

• Fokeng, R. M., Forje, W. G., Meli, V. M., & Bodzemo, B. N. (2020). Multitemporal forest cover change detection in the Metchie-Ngoum Protection Forest Reserve, West Region of Cameroon. The Egyptian Journal of Remote Sensing and Space Science, 23(1), 113-124. doi: 10.1016/j.ejrs.2018.12.002

• García de Miranda, E. (2004). Modificaciones al sistema de clasificación climática de Köppen (5a ed., 97 pp.). México, D. F., México: Universidad Nacional Autónoma de México. Recuperado de http://www.publicaciones.igg.unam.mx/index.php/ig/catalog/view/83/82/251-1

• Gemmell, F. M. (1995). Effects of forest cover, terrain, and scale on timber volume estimation with Thematic Mapper data in a rocky mountain site. Remote Sensing of Environment, 51(2), 291-305. doi: 10.1016/0034-4257(94)00056-S

• Gitelson, A. A., & Merzlyak, M. N. (1998). Remote sensing of chlorophyll concentration in higher plant leaves. Advances in Space Research, 22(5), 689-692. doi: 10.1016/S0273-1177(97)01133-2

• Goel, N. S., & Qin, W. (1994). Influences of canopy architecture on relationships between various vegetation indices and LAI and FPAR: A computer simulation. Remote Sensing Reviews, 10(4), 309-347. doi: 10.1080/02757259409532252

• González-Campos, V. P. (2017). Modelado mediante random forests de las emisiones de autobuses urbanos en función de los ciclos cinemáticos (Trabajo de fin de grado, 132 pp.). Universidad Politécnica de Madrid, Madrid.

• González-Elizondo, M. S., González-Elizondo, M., Tena-Flores, J. A., Ruacho-González, L., & López-Enríquez, I. L. (2012). Vegetación de la Sierra Madre Occidental, México: Una síntesis. Acta Botánica Mexicana, 100, 351-403. doi: 10.21829/abm100.2012.40

• Hall, R. J., Skakun, R. S., Arsenault, E. J., & Case, B. S. (2006). Modeling forest stand structure attributes using Landsat ETM+ data: Application to mapping of aboveground biomass and stand volume. Forest Ecology and Management, 225(1-3), 378-390. doi: 10.1016/j.foreco.2006.01.014

• Hernández-Guzmán, R., Ruiz-Luna, A., & González, C. (2019). Assessing and modeling the impact of land use and changes in land cover related to carbon storage in a western basin in Mexico. Remote Sensing Applications: Society and Environment, 13, 318-327. doi: 10.1016/j.rsase.2018.12.005

• Huerta-García, R. E., Ramírez-Serrato, N. L., Yépez-Rincón, F. D., & Lozano-García, D. F. (2018). Precision of remote sensors to estimate aerial biomass parameters: Portable LIDAR and optical sensors. Revista Chapingo Serie Ciencias Forestales y del Ambiente, 24(2), 219-235. doi: 10.5154/r.rchscfa.2017.09.059

• Huete, A. R. (1988). A soil-adjusted vegetation index (SAVI). Remote Sensing of Environment, 25(3), 295-309. doi: 10.1016/0034-4257(88)90106-X

• Huete, A., Didan, K., Miura, T., Rodriguez, E. P., Gao, X., & Ferreira, L. G. (2002). Overview of the radiometric and biophysical performance of the MODIS vegetation indices. Remote Sensing of Environment, 83(1), 195-213. doi: 10.1016/S0034-4257(02) 00096-2

• Instituto Nacional de Estadística y Geografía (INEGI). (2019). Conjunto de datos vectoriales del continuo nacional de efectos climáticos regionales escala 1: 250 000, en formato digital [Mapa]. México. Recuperado de https://www.inegi.org.mx/default.html

• Jensen, J. R. (2005). Introductory digital image processing: A remote sensing perspective (3a ed., 526 pp.). New York: Pearson Prentice Hall.

• Kangabam, R. D., Selvaraj, M., & Govindaraju, M. (2019). Assessment of land use land cover changes in Loktak Lake in Indo-Burma Biodiversity Hotspot using geospatial techniques. The Egyptian Journal of Remote Sensing and Space Science, 22(2), 137-143. doi: 10.1016/j.ejrs.2018.04.005

• Kuhn, M., Wing, J., Weston, S., Williams, A., Keefer, C., Engelhardt, A., … Benesty, M. (2020). Package 'caret'. Classification and regression training. Version 6.0-86 [Documento en pdf]. Recuperado de https://cran.r-project.org/web/packages/caret/caret.pdf

• Kumar, V., Sharma, A., Bhardwaj, R., & Thukral, A. K. (2018). Comparison of different reflectance indices for vegetation analysis using Landsat- TM data. Remote Sensing Applications: Society and Environment, 12, 70-77. doi: 10.1016/j.rsase.2018.10.013

• Liaw, A., & Wiener, M. (2002). Classification and regression by randomForest. R news, 2(3), 18-22. Recuperado de https://cogns.northwestern.edu/cbmg/LiawAndWiener2002.pdf

• __________ (2018). Package “randomForest”. Breiman and Cutler’s random forests for classification and regression. Version 4.6-14 [Documento en pdf]. Recuperado de https://cran.r-project.org/web/packages/randomForest/randomForest.pdf

• López-Sánchez, C. A., García-Ramírez, P., Resl, R., Hernández-Diaz, J. C., López-Serrano, P. M., & Wehenkel, C. (2017). Modelling dasometric attributes of mixed and uneven-aged forests using Landsat-8 OLI spectral data in the Sierra Madre Occidental, Mexico. iForest-Biogeosciences and Forestry, 10(1), 288-295. doi: 10.3832/ifor1891-009

• Martínez Barrón, R. A., Aguirre Calderón, O. A., Vargas Larreta, B., Jiménez Pérez, J., Treviño Garza, E. J., & Yamallel, J. I. (2016). Modelación de biomasa y carbono arbóreo aéreo en bosques del estado de Durango. Revista Mexicana de Ciencias Forestales, 7(35), 91-106.

• Mura, M., Bottalico, F., Giannetti, F., Bertani, R., Giannini, R., Mancini, M., … Chirici, G. (2018). Exploiting the capabilities of the Sentinel-2 multi spectral instrument for predicting growing stock volume in forest ecosystems. International Journal of Applied Earth Observation and Geoinformation, 66, 126-134. doi: 10.1016/j.jag.2017.11.013

• Napolitano, R., Duriavig, M., Altobelli, A., & Feoli, E. (2004). Data integration for leaf area index prediction in function of land cover change. En P. Prastacos, U. Cortés, J.L. Díaz de León, & M. Murillo (Eds.), Series Research on Computing Science: Vol. 11. e-Environment: Progress and Challenge. México, D. F.: Instituto Politécnico Nacional.

• Ogunbadewa, E. Y. (2012). Developing natural resources database with Nigeriasat-1 satellite data and geographical information systems. The Egyptian Journal of Remote Sensing and Space Science, 15(2), 207-214. doi: 10.1016/j.ejrs.2012.04.002

• Ortiz-Reyes, A. D., Valdez-Lazalde, J. R., de los Santos-Posadas, H. M., Ángeles-Pérez, G., Paz-Pellat, F., & Martínez-Trinidad, T. (2015). Inventario y cartografía de variables del bosque con datos derivados de LiDAR: Comparación de métodos. Madera y Bosques, 21(3), 111-128. doi: 10.21829/myb.2015.213461

• Osaku, D., Nakamura, R. Y. M., Pereira, L. A. M, Pisani, R. J., Levada, A. L. M., Cappabianco, F. A. M., … Papa, J. P. (2015). Improving land cover classification through contextual-based optimum-path forest. Information Sciences, 324, 60-87. doi: 10.1016/j.ins.2015.06.020

• Paz Pellat, F., Palacios Sánchez, L. A., Oropeza Mota, J. L., Figueroa Sandoval, B., Martínez Menez, M., Ortiz Solorio, C. A., & Exebio García, A. (2018). Corrector atmosférico en imágenes Landsat. Terra Latinoamericana, 36(4), 309-321. doi: 10.28940/terra.v36i4.232

• Pérez Miranda R., Romero Sánchez, M. E., González Hernández, A., Martínez Angel, L., & Arriola Padilla V. J. (2018). Estimación de atributos forestales mediante teledetección en bosques mixtos de Durango, México. Áreas Naturales Protegidas Scripta, 4(2): 49-70. doi: 10.18242/anpscripta.2018.04.04.02.0003

• R Core Team (s. f.). R: A language and environment for statistical computing. Vienna, Austria: R Foundation for Statistical Computing. Recuperado de https://www.R-project.org/

• Ren, Z., Zheng, H., He, X., Zhang, D., Yu, X., & Shen, G. (2015). Spatial estimation of urban forest structures with Landsat TM data and field measurements. Urban Forestry & Urban Greening, 14(2), 336-344. doi: 10.1016/j.ufug.2015.03.008

• Rondeaux, G., Steven, M., & Baret, F. (1996). Optimization of soiladjusted vegetation indices. Remote Sensing of eEnvironment, 55(2), 95-107. doi: 10.1016/0034-4257(95)00186-7

• Roujean, J. L., & Breon, F. M. (1995). Estimating PAR absorbed by vegetation from bidirectional reflectance measurements. Remote Sensing of Environment, 51(3), 375-384. doi: 10.1016/0034-4257(94)00114-3

• Roy, P. S., & Ravan, S. A. (1996). Biomass estimation using satellite remote sensing data—An investigation on possible approaches for natural forest. Journal of Biosciences, 21(4), 535-561. doi: 10.1007/BF02703218

• Silleos, N. G., Alexandridis, T. K., Gitas, I. Z., & Perakis, K. (2006). Vegetation indices: Advances made in biomass estimation and vegetation monitoring in the last 30 years. Geocarto International, 21(4), 21-28. doi: 10.1080/10106040608542399

• Soria Ruiz, J., & Granados Ramírez, R. (2005). Relación entre los índices de vegetación obtenidos de los sensores AVHRR del satélite NOAA y TM del Landsat. Ciencia ergo-sum, Revista Científica Multidisciplinaria de Prospectiva, 12(2), 167-174.

• Sripada, R. P., Heiniger, R. W., White, J. G., & Meijer, A. D. (2006). Aerial color infrared photography for determining early in-season nitrogen requirements in corn. Agronomy Journal, 98(4), 968-977. doi: 10.2134/agronj2005.0200

• Staben, G., Lucieer, A., & Scarth, P. (2018). Modelling LiDAR derived tree canopy height from Landsat TM, ETM+ and OLI satellite imagery—A machine learning approach. International Journal of Applied Earth Observation and Geoinformation, 73, 666-681. doi: 10.1016/j.jag.2018.08.013

• Torres-Rojas, G., Romero-Sánchez, M. E., Velasco-Bautista, E., & González-Hernández, A. (2016). Estimación de parámetros forestales en bosques de coníferas con técnicas de percepción remota. Revista Mexicana de Ciencias Forestales, 7(36), 7-24.

• Tucker, C. J. (1979). Red and photographic infrared linear combinations for monitoring vegetation. Remote Sensing of Environment, 8(2), 127-150. doi: 10.1016/0034-4257(79)90013-0

• Wilson, B. T., Knight, J. F., & McRoberts, R. E. (2018). Harmonic regression of Landsat time series for modeling attributes from national forest inventory data. ISPRS journal of Photogrammetry and Remote Sensing, 137, 29-46. doi: 10.1016/j.isprsjprs.2018.01.006

• Zha, Y., Gao, J., & Ni, S. (2003). Use of normalized difference builtup index in automatically mapping urban areas from TM imagery. International Journal of Remote Sensing, 24(3), 583-594. doi: 10.1080/01431160304987

• Zhu, X., & Liu, D. (2015). Improving forest aboveground biomass estimation using seasonal Landsat NDVI time-series. ISPRS Journal of Photogrammetry and Remote Sensing, 102, 222-231. doi: 10.1016/j.

isprsjprs.2014.08.014

Descargas

Publicado

2020-11-30 — Actualizado el 2020-11-30

Versiones

Número

Sección

Artículos de Investigación

Categorías