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

Memoria para optar al Título Profesional de Ingeniero en Recursos Naturales RenovablesNo autorizada por el autor para estar disponible el texto completo en líneaEste 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