Colegio Oficial de Ingenieros Técnicos Agrícolas de Centro

El curso LIDAR FORESTAL: Árbol Individual permite al alumno realizar un inventario forestal completo mediante la tecnología LIDAR por el procedimiento de Árbol Individual.
Este tipo de inventarios nos permiten conocer, con una precisión muy alta, las características dendrométricas de árboles individuales o de grupos de éstos. Así, podemos determinar la cubicación comercial de cada árbol, su cantidad de biomasa o el CO fijado, siempre que encontremos una relación adecuada para ello.
Los métodos de Árbol Individual, proporcionan al gestor y propietario del monte una excelente herramienta para determinar los aprovechamientos y ajustar al máximo los recursos.
Este curso es una continuación del curso LIDAR FORESTAL I: Métodos de masa, se recomienda al alumno que tenga los siguientes conocimientos previamente a la realización del curso:
Conocimiento de Sistemas de Información Geográfica, en especial el manejo de QGIS.
Conocimiento de tratamientos de datos LiDAR con FUSION.
Conocimientos de ajuste de modelos estadísticos. Deseable el manejo de R-Commander.

Softwares:

• FUSION
• QGIS
• FugroViewer

Modalidad: Online (clases online y tutorías)
Fechas: 18 de abril – 19 de mayo
Límite inscripción: 17 de abril

CARGA LECTIVA
Clases online en directo: 15h (*)
Tutorías: 20h
Dedicación estimada: 50h
Postformación: 60 días

TEMARIO

TEMA 01 | INTRODUCCIÓN
Software empleado.
FrugoViewer | FUSION | QGIS y SAGA | R y R-commander | Equipo necesario e instalación | Interfaz

TEMA 02 | LA LIBRERÍA GDAL. CREACIÓN DE MAPAS BASE.
Principios de la individualización de árboles.
Introducción | Individualización y la estructura de la vegetación
Métodos de individualización de árboles.
El modelo digital de superficies | Individualización con FUSION | Individualización con QGIS-SAGA
Trabajo de campo.
Parcelas de campo | Levantamiento del centro de la parcela | Coordenadas de los árboles

TEMA 03 | ESTIMACIÓN DE VARIABLES FORESTALES. ÁRBOL INDIVIDUAL
Preparación de los datos estadísticos.
Coordenadas de los árboles individuales | Búsqueda de árboles en QGIS | Obtención de los estadísticos
Estadísticos de la nube de puntos.
Medidas de tendencia central | Medidas de dispersión | Estadísticos de la nube de puntos y su relación forestal
La regresión lineal.
Introducción | Muestreo aleatorio | Normalidad | Correlación | La regresión lineal | Relaciones no lineales entre variables
El sotfware R y su paquete R-Commander.
R y Rcommander | Nuevo conjunto de datos | Cargar conjunto de datos | Importar datos | Estadística descriptiva en R-Commander | Correlación entre variables con R-Commander
Ajuste de modelos lineales simples en R-Commander.
Homocedasticidad de los errores | Normalidad de los errores | Relación lineal y ausencia de colinealidad | Ausencia de observaciones atípicas
Ajuste y diagnosis de modelos de regresión múltiple con R-Commander.
Homocedasticidad | Normalidad | Linealidad | Observaciones atípicas | Colinealidad | Análisis gráfico

TEMA 04 | RESULTADOS FINALES
Incorporación de modelos estadísticos.
Corte de la nube de puntos según las copas | Estadísticos de cada árbol | Importación y unión de los estadísticos en QGIS | Aplicación de modelos
Variables de masa a partir de árboles individuales.
Densidades de arbolado
Calidad del inventario de árbol individual.
Errores en la delineación de copas | Errores en los datos LiDAR | Errores en los modelos.

PARTE PRÁCTICA

Durante el curso el alumno realiza todos los pasos necesarios para obtener una cuantificación de valores dendrométricos de cada uno de los árboles de un monte o zona de trabajo:

• En los primeros pasos aprenderemos el manejo de diversos algoritmos implementados en FUSION y SAGA para la individualización y segmentación de árboles individuales a partir de un modelo digital de alturas de vegetación generado mediante una nube de puntos LiDAR, para ello veremos:
• Análisis y visualización de la nube de puntos LiDAR con Fugroviewer y FUSION.
• Flujo de trabajo inicial con FUSION.
• Análisis de la densidad de la nube de puntos LiDAR (comando Catalog).
• Creación de un modelo digital del terreno disponible para QGIS a partir de una nube de puntos clasificada (comando GridSurfaceCreate y DTM2ASCII).
• Extracción de Modelos Digitales de Superficies MDS y Modelos Digitales de Altura de Vegetación MDHV (comando CanopyModel).
• Flujo de trabajo para la individualización de copas utilizando diversas metodologías:
• Individualización con FUSION (CanopyMaxima) y visualización en LDV.
• Individualización con SAGA desde QGIS (algoritmos Watershed y Simple Region Growing)
• Visualización de resultados en QGIS
• En una segunda fase procederemos a recoger los datos necesarios para poder configurar modelos lineales predictivos de variables dendrométricas. Para ello necesitaremos datos de campo que actuaran como variables dependientes y estadísticos extraídos de la nube de punto LiDAR que actúen como variables explicativas:
• Breve explicación de la toma de datos en campo. Particularidades de un inventario LiDAR con método de árbol individual.
• Importación a QGIS de la base de datos de campo.
• Flujo de trabajo FUSION para la obtención de estadísticos LiDAR de los árboles muestra (Comandos PolyclipData, ClipData y Cloudmetrics).
• A partir de este momento estamos en disposición de construir modelos de regresión:
• Configuración de la base de datos estadística de tipo Lineal, Exponencial y Potencial.
• Importación de datos a R-commander y ajuste de modelos estadísticos de regresión lineal para las variables dendrométricas medidas en campo.
• Finalmente, con los modelos ajustados, podemos realizar predicciones sobre todos y cada uno de los árboles individualizados al principio del curso:
• Nueva configuración del comando CloudMetrics de FUSION para la extracción de estadísticos de todos árboles del monte o región de trabajo.
• Implementación de resultados en QGIS y unión con las copas delineadas.
• Estimación de variables dendrométricas desde la calculadora de campos de QGIS utilizando los modelos predictivos.
• Análisis de la calidad de resultados del inventario.