Apliación de imágenes de satélites y datos lidar en la modelización de recursos forestales

Resumen

El sector forestal tiene un papel relevante en la transición hacia una economía innovadora y eficiente en el consumo de sus recursos. Conocer la disponibilidad espacial de los recursos forestales y su evolución temporal es crítico en la gestión forestal, tanto de los recursos maderables como de los no maderables. El uso de información procedente de sensores remotos se está convirtiendo en una opción cada vez más rigurosa y asequible para el desarrollo de esta tarea. Así, el conocimiento que estas herramientas proporcionan sobre el estado de desarrollo de las masas forestales y la disponibilidad de sus recursos permite hacer frente a los diferentes escenarios futuros que plantea el actual contexto de cambio global. Esta tesis caracteriza y evalúa diferentes recursos forestales mediante la combinación de información continua procedente de imágenes de satélite y datos LiDAR, con diferentes niveles de resolución espacial y espectral. Estos datos, apoyados en trabajo de campo, han sido calibrados y validados, demostrando un gran potencial. Discriminar diferentes especies y tipos de masa, tanto a nivel de árbol individual como de objeto, son objetivos alcanzables mediante el uso adecuado de estas herramientas, disminuyendo la dependencia histórica del trabajo de campo e integrando el cambio de escala en los inventarios tradicionales. Esta tesis desarrolla herramientas robustas capaces de evaluar recursos forestales a gran escala mediante modelos mixtos lineales y técnicas de modelización basadas en aprendizaje automático. El capítulo 2 combina datos LiDAR de baja densidad e imágenes Plèiades para discriminar entre Pinus pinaster Ait. y Pinus pinea L. a nivel de árbol individual en bosques mixtos Mediterráneos. La predicción de los productos forestales no maderables derivados de estas dos especies es particularmente importante debido a la considerable diferencia en cuanto a la gestión y producción de cada uno de ellos. El modelo combinado con ambas fuentes de información aporta la mayor precisión, del 83.3% y 63% en las masas puras y mixtas, respectivamente. Esta aproximación es fácilmente aplicable a grandes áreas, aportando valor añadido a los productos forestales y ofreciendo una herramienta útil para los gestores. El capítulo 3 compara cuatro metodologías de modelización de aprendizaje automático diferentes: RF, SVML, SVMR y ANN (Random Forest, Linear Support Vector Machine, Radial Support Vector Machine y Artificial Neural Networks) para la clasificación de las distintas tipologías de masas forestales presentes en los bosques de cobertura completa de monteverde Canario mediante información multitemporal procedente de sensores remotos. Los modelos comparados presentan una precisión entorno al 90%, con resultados muy similares, lo que hace que ninguno de ellos se postule como claramente superior a los demás, a pesar de que pequeñas diferencias entre ellos pueden ser importantes cuando se aplican a grandes superficies. El capítulo 4 evalúa la severidad post-incendio mediante la calibración del índice espectral RdNBR (Relative Differenced Normalized Burn Ratio) con variables medidas en 28 grandes incendios repartidos por tres países del sur de Europa. El índice proporciona la capacidad de evaluar, a través de variables que reflejan la intensidad (altura de quemado en la corteza) y la severidad (pérdida de arbolado y matorral), el impacto inducido por el fuego sobre los sistemas forestales. Este puede ser traducido en estimaciones de pérdida de biomasa cuando los modelos predictivos, con un 67% de fidelidad, son aplicados sobre superficies grandes y heterogéneas. La variación en la respuesta de la vegetación tras el incendio se refleja en la importancia del tiempo transcurrido entre el incendio y su evaluación en la formulación de los modelos. Los modelos mixtos reflejan la existencia de variaciones importantes entre los incendios debido a contextos específicos que modifican estas relaciones, y, el uso de BRT (Boosted Regression Trees) muestra que las relaciones entre las medidas de severidad y la respuesta espectral no tienen que ser necesariamente lineales.