Colegio Oficial de Ingenieros Técnicos Agrícolas de Centro

LIDAR FORESTAL: Métodos de masa
El curso LIDAR FORESTAL: Métodos de masa aplicado al medio forestal permite al alumno realizar un inventario forestal completo mediante la tecnología LIDAR por el procedimiento de métodos de masa.
El conocimiento de la tecnología LIDAR en el medio forestal se hace imprescindible en la actualidad para los profesionales del sector forestal, pues permite recabar un gran volumen de datos con menor esfuerzo que los sistemas tradicionales de inventarios medioambientales. Saber interpretar y conjugar los datos LIDAR con las distintas variables ambientales es fundamental para el gestor a la hora de tomar decisiones sobre la planificación de cualquier hábitat a estudiar.
LIDAR FORESTAL: Árbol individual
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: 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.
Conocimientos previos necesarios:
Para la realización del curso LIDAR FORESTAL: Árbol Individual. Este curso está diseñado principalmente para profesionales con conocimientos básicos en tecnología LIDAR aplicada al inventario forestal utilizando métodos de masa. Se recomienda tener una comprensión fundamental del software FUSION-LDV para el procesamiento de datos LiDAR, habilidades básicas en la creación de modelos lineales usando R-commander, y un nivel intermedio en el manejo del sistema de información geográfica QGIS para la aplicación práctica de los resultados. Aunque no es imprescindible, es beneficioso poseer un entendimiento de los métodos principales de inventario forestal y familiaridad con las variables más frecuentemente evaluadas en este ámbito.

Softwares:

• FUSION
• QGIS: Software libre.
• FugroViewer: Software gratuíto.
• R: Software libre
• LAStask Tools

TEMARIO: MÉTODOS DE MASA

TEMA 01 | INTRODUCCIÓN A LA TECNOLOGÍA LIDAR

1. Software empleado
FugroViewer | FUSION | QGIS | R y R-commander.
2. Equipo necesario e instalación.
3. Interfaz
FugroViewer | FUSION | QGIS | R y R-commander.
4. La tecnología LiDAR
Sensores activos frente a sensores pasivos | LiDAR terrestre y LiDAR aerotransportado | Funcionamiento del LiDAR aerotransportado | Componentes básicos de un sistema LiDAR aerotransportado | Comportamiento del pulso LiDAR | Características de los datos LiDAR | Pre-tratamiento de datos LiDAR | Obtención de Modelos Digitales del Terreno (MDT) a partir de datos LiDAR: MDE, MDS y MDHV | LiDAR vs fotogrametría.
Ejercicios tutorizados: E01. Descarga, visualización, clasificación de la nube de puntos y generación de Modelos Digitales del Terreno: MDE y MDHV
Prácticas de evaluación tutorizadas: P01. Cuestionario_Introducción a la tecnología LiDAR | P02. Visualización de datos.
TEMA 02 | LIDAR Y SECTOR FORESTAL
1. Inventario forestal con Tecnología LiDAR.
2. Inventario Forestal con Métodos de Masa
Toma de datos en campo | Cálculo de estadísticos a partir de la nube de puntos del LiDAR.
Ejercicios tutorizados: E01. Cortar y normalizar datos LiDAR | E02. Extracción de los estadísticos de parcelas de campo | E03. Estadísticos de vegetación continuos y visualización de estadísticos en QGIS.
Prácticas de evaluación tutorizadas: P03. Cuestionario_LiDAR y sector forestal | P04. Parcelas de campo | P05. Estadísticos de parcelas de campo | P06. Estadísticos de vegetación continuos.
TEMA 03 | ESTIMACIÓN DE VARIABLES FORESTALES. MÉTODOS DE MASA
1. Introducción
Muestreo aleatorio | Normalidad de las variables | Correlación lineal entre variables | Modelos por regresión lineal | Relaciones no lineales entre variables.
2. El sotfware R y su paquete R-Commander
Introducción a R y Rcommander | Ajuste de modelos lineales simples en R-Commander | Ajuste y diagnosis de modelos de regresión múltiple con R-Commander.
Ejercicios tutorizados: E01. Análisis descriptivo de variables y ajuste de modelos lineales.
Prácticas de evaluación tutorizadas: P07. Cuestionario_Estimación de variables forestales | P08. Selección de variables.
TEMA 04 | RESULTADOS FINALES
1. El programa QGIS.
Descarga e instalación
2. Añadir información LiDAR a QGIS
Cargar el archivo de texto (.csv) | Creación de cuadrícula vectorial con datos LiDAR en QGIS | Incorporar los modelos en QGIS | Cálculo de errores.
Ejercicios tutorizados: E01. Integración en QGIS.
Prácticas de evaluación tutorizadas: P09. Cuestionario_Resultados finales | P10. Integración en QGIS.

TEMA 05 | OTRAS APLICACIONES LIDAR

LIDAR FORESTAL: Métodos de masa

Modalidad: Online (vídeos y tutorías)
Fechas: 1 de julio – 30 de septiembre
Límite inscripción: 30 de junio

Carga lectiva
Horas de vídeo: 30h
Dedicación estimada: 85h
Postformación: 180 días

PARTE PRÁCTICA

METODOS DE MASA
Durante el curso el alumno realiza un ejemplo real de inventario forestal apoyado en datos LiDAR del PNOA aplicando el método de masa también conocido como ABA (Area Based Approach) por sus siglas en inglés:

Primeros pasos para la creación de un inventario: Preparación de las carpetas de trabajo y descarga de datos LiDAR del PNOA en formato LAZ desde la página del Centro de descargas del CNIG.
Descompresión de datos LAZ a LAS: Descomprimir los archivos con el software LasTaskTools del CNIG o con la herramienta libre LasZip del paquete LasTools.
Visualización y evaluación inicial de datos: Evaluación manual de la nube de puntos mediante visualización de datos con FugroViewer y FUSION/LDV. Realizar perfiles longitudinales, visualizaciones 3D, mostrar datos por clasificación, recortes circulares…
Primeros pasos con el procesador de datos LiDAR de FUSION: Aplicación del comando Groundfilter para filtrar la nube de puntos separando aquellos puntos pertenecientes al suelo de todos los demás y creación a partir del filtrado anterior de un MDE (Modelo Digital de Elevaciones) con la herramienta de interpolación GridSurfaceCreate.
Transformación del MDE a formato visualizable en un SIG: Conversión mediante DTM2ASCII del archivo MDE.dtm a un archivo MDE.asc para poder integrar el resultado del Modelo Digital en QGIS.
Recorte y normalización de datos LiDAR pertenecientes a la superficie de las parcelas de campo: Recorte de los datos LiDAR coincidentes con el área de las parcelas mediante el comando ClipData normalizando las alturas de los puntos por transformación de alturas ortométricas en alturas sobre el suelo utilizando para ello el MDE.
Cálculo de estadísticos de los recortes de las parcelas con el comando CloudMetrics: Extracción de estadísticos de altura de vegetación y estadísticos de cobertura de los datos LiDAR pertenecientes a cada una de las parcelas de campo o submuestras normalizadas recortadas en el apartado anterior.
Cálculo de estadísticos continuos para toda la superficie de trabajo con el algoritmo GridMetrics de FUSION: Computar, previa normalización con el MDE, los mismos estadísticos de altura de vegetación y de cobertura para cada una de las celdas de una malla (Grid) superpuesta sobre toda nuestra superficie de inventario.
Integrar la malla de estadísticos continuos en QGIS: Incorporar la cuadrícula de estadísticos en el sistema de información geográfica QGIS.
Modelización de variables dasométricas o de masa (VCC, Ab, Ho, Dg…): Ajustar modelos de regresión lineal con la librería R-Commander de R utilizando datos tomados en campo como variables dependientes y los estadísticos LiDAR calculados para la superficie de cada una de las parcelas como variables explicativas.
Aplicar los modelos ajustados en la malla de estadísticos continuos integrada en QGIS: Calcular para cada celda del GRID las variables de masa a partir de los modelos obtenidos utilizando la calculadora de campos.
Calcular variables de masa para nuestras superficies objetivo: Calcular promedios para las variables dasométricas a nivel de rodal, cantón o monte y discutir los resultados.

TEMARIO: ÁRBOL INDIVIDUAL

TEMA 01 | INTRODUCCIÓN
1. Software empleado
FugroViewer | FUSION | QGIS y SAGA | R y R-commander | Equipo necesario e instalación | Interfaz.
TEMA 02 | INVENTARIO LIDAR. ÁRBOL INDIVIDUAL
1. Principios de la individualización de árboles
Introducción | Individualización y la estructura de la vegetación.
2. Métodos de individualización de árboles
El modelo digital de superficies | Individualización con FUSION | Individualización con QGIS-SAGA.
3. Trabajo de campo
Parcelas de campo | Levantamiento del centro de la parcela | Coordenadas de los árboles.
Ejercicios tutorizados: E01. Visualización de datos LIDAR y generación de MDT y MDS | E02. Individualización con FUSION | E03. Individualización por delineación de cuentas | E04. Individualización por recrecimiento de regiones | E05. Individualización por recrecimiento de regiones.
Prácticas de evaluación tutorizadas: P01. Cuestionario. Inventario LiDAR | P02. Individualización de árboles.
TEMA 03 | ESTIMACIÓN DE VARIABLES FORESTALES. ÁRBOL INDIVIDUAL
1. Preparación de los datos estadísticos
Coordenadas de los árboles individuales | Búsqueda de árboles en QGIS | Obtención de los estadísticos.
2. Estadísticos de la nube de puntos
Medidas de tendencia central | Medidas de dispersión | Estadísticos de la nube de puntos y su relación forestal.
3. La regresión lineal
Introducción | Muestreo aleatorio | Normalidad | Correlación | La regresión lineal | Relaciones no lineales entre variables.
4. 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.
5. 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.
6. Ajuste y diagnosis de modelos de regresión múltiple con R-Commander
Homocedasticidad | Normalidad | Linealidad | Observaciones atípicas | Colinealidad | Análisis gráfico.
Ejercicios tutorizados: E01. Ajuste y diagnosis de Modelos.
Prácticas de evaluación tutorizadas: P03. Cuestionario. Estimación de variables forestales | P04. Ajuste de modelos.
TEMA 04 | RESULTADOS FINALES
1. 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.
2. Variables de masa a partir de árboles individuales
Densidades de arbolado.
3. Calidad del inventario de árbol individual
Errores en la delineación de copas | Errores en los datos LiDAR | Errores en los modelos.
Ejercicios tutorizados: E01. Resultados finales.
Prácticas de evaluación tutorizadas: P05. Cuestionario. Resultados finales | P06. Resultados finales.

LIDAR FORESTAL: Árbol individual

Modalidad: Online (vídeos y tutorías)
Fechas: 1 de octubre – 22 de noviembre
Límite inscripción: 30 de septiembre
Horas de vídeo: 15h
Dedicación estimada: 50h
Postformación: 180 días

PARTE PRÁCTICA

ARBOL INDIVIDUAL
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.