Generación y comparación de modelos de estimación de biomasa aérea forestal usando sensores activos, pasivos y variables topográficas

Abstract

Este estudio tiene como objetivo principal el generar y comparar modelos de estimación de biomasa aérea forestal utilizando los sensores pasivos LANDSAT ETM+ y ASTER GDEM, datos LiDAR e información de inventarios forestales del predio experimental Pantanillos, Región del Maule. De la imagen LANDSAT se utilizó la respuesta espectral además de obtener índices de vegetación y la transformación “Tasselep Cap”. A partir del ASTER GDEM se obtuvo información topográfica incluyendo pendiente, orientación y curvatura del terreno. Con los puntos LiDAR se calculó el Modelo Digital de Terreno (MDT), el Modelo Digital de Superficie (MDS) y el Modelo Digital de Copas (MDC). Para comparar el potencial de las fuentes de información en la estimación de biomasa aérea se establecieron tres modelos: el primero (M1) incluye como predictores las variables extraídas desde LANDSAT ETM+ y ASTER GDEM, mientras que el segundo (M2) reemplaza este último por el MDT de alta resolución LiDAR. Un tercer modelo (M3) incluye variables LANDSAT y los tres modelos digitales obtenidos a partir de LiDAR. Además de comparar los ajustes y errores de cada modelo propuesto se consideró el costo monetario de la adquisición y procesamiento de datos. Los modelos de estimación se realizaron a través del algoritmo basado en árboles de clasificación y regresión “Random Forest” el cual además entrega la importancia de todos los predictores en la estimación, información que fue utilizada para la selección de las mejores variables en cada modelo. Se realizaron estimaciones a nivel predial y estratificado por especie dominante (Pinus radiata, Eucalyptus globulus y renoval de Nothofagus glauca). A nivel predial los mejores resultados fueron los obtenidos por M3 con selección de variables (Pseudo R2 57.23% y RMSE 41.44 ton/ha), mientras que entre M1 y M2 no se observan grandes diferencias (Pseudo R2 de 37.63% y 39.79%, respectivamente). Los modelos de estimación por tipo de vegetación difieren en gran medida en cuanto a los ajustes obtenidos y a las variables seleccionadas. Tanto para pino como para renoval de hualo se obtienen mejores resultados con M3 (Pseudo R2 77.22% y 30.95%, respectivamente), mientras que en eucalipto los tres modelos propuestos presentas resultados similares, no sobrepasando un Pseudo R2 de 37.92%. En general, los modelos que incluyen variables LiDAR obtienen mejores ajustes, pero se debe considerar además el costo económico asociado que para el caso de M3 alcanza los 26313.87 USD, costo muy elevado en comparación a M1 que tiene un valor de 1306.43 USD.

The primary objective of this study is the development and comparison of statistical models to estimate aboveground forest biomass (AGB). The models were built based on data originating from the two passive optical remote sensing sensors LANDSAT ETM+ and ASTER GDEM in combination with LiDAR data and information gathered during forest inventories as conducted in the experimental test site Pantanillos, Región del Maule. Original reflectances, as well as vegetation indices and the “Tasseled Cap” transformation of the LANDSAT image were used as potential variables for the models. From the ASTER GDEM product topographic information including slope, curvature and aspect of the terrain were used. From the LiDAR point cloud a Digital Terrain Model (DTM), a Digital Surface Model (DSM) and a Canopy Height Model (CHM) were calculated and used as input variables. To compare the potential of the different information sources of remote sensing data to estimate AGB three different models were created. The first model (M1) uses variables as derived from LANDSAT ETM+ and ASTER GDEM, while in case of the second model (M2) the ASTER GDEM is replaced by the high resolution LiDAR DSM. In the third model (M3) the LANDSAT based variables were combined with the three high resolution digital height models derived from LiDAR data. Besides the comparison of the performance of the three models, monetary aspects of data acquisition and data processing have also been considered in the study. To realize the biomass estimation models the “Random Forest” algorithm for classification and regression trees was applied. “Random Forest” also introduces a measure of importance for each of the variables used in the model which allows for the selection of the best variables. Within the study general biomass models for the full test site as well as biomass models for areas, which were stratified based on the dominating tree species (Pinus radiata, Eucalyptus globulus and second growth natural forest of Nothofagus glauca) were tested. For the general models best results were obtained with M3 and selected variables (Pseudo R² of 57.23%, RMSE of 41.44 ton/ha), while for M1 and M2 no notable difference could be found (Pseudo R² of 37.63% and 39.79% respectively). The results of the stratified models showed large differences in model performance and selected variables. For both pine and second growth nothofagus areas better results were obtained with LiDAR based variables (Pseudo R² of 77.22% and 30.95% respectively). In case of eucalypt the three examined models all produced similar results, which were not surpassing a Pseudo R² of 37.92%. In general it can be concluded that model M3 which included LiDAR variables produced most accurate models, however, also the notably higher costs which reached a total of 26313.87 USD compared to the costs of 1306.43 USD as valid for M1 have to be considered.