Caracterización de la madurez forestal utilizando LiDAR

Autores/as

DOI:

https://doi.org/10.17398/3101-7177.2.145

Palabras clave:

madurez forestal, airborne laser scanning, métricas estructurales, conservación forestal

Resumen

Los bosques maduros tienen un papel crucial en la mitigación del cambio climático, el ciclo del agua, la conservación de la biodiversidad y la provisión de servicios ecosistémicos. Esto está relacionado con la mayor complejidad estructural y diversidad funcional asociada a la madurez del bosque. Por lo tanto, la madurez forestal debe considerarse una característica clave para desarrollar políticas de conservación y gestión forestal; sin embargo, su definición y cuantificación siguen siendo complejas. En este estudio proponemos la caracterización de la madurez del bosque usando métricas estructurales derivadas de LiDAR, algoritmos de clasificación no supervisada y segmentación por formaciones forestales. Para ello, se calcularon diversas métricas estructurales relacionadas con la estructura 3D del bosque. La clasificación se aplicó, por separado, a las formaciones forestales naturales con mayor extensión en la región de Cantabria: hayedos, robledales, melojares y encinares. El número de componentes principales necesarios para explicar el 80 % de la varianza y las métricas más relevantes en su diferenciación varió entre formaciones. No obstante, hubo un patrón consistente para todas ellas, donde el primer componente principal estuvo asociado a métricas relacionadas con mayores alturas de copa, mientras que el segundo componente se relacionaba más con la heterogeneidad y complejidad vertical. La interpretación de las clases de madurez obtenidas se llevó a cabo
combinando la interpretación de las distribuciones de cada una de las métricas estructurales y fotointerpretación, encontrándose diferentes patrones entre formaciones. Los resultados muestran que la metodología propuesta es capaz de discriminar de forma robusta grupos de madurez forestal y presenta un elevado potencial para su aplicación en planificación y gestión forestal y territorial.

Descargas

Los datos de descarga aún no están disponibles.

Referencias

Atkins, J. W., Costanza, J., Dahlin, K. M., Dannenberg, M. P., Elmore, A. J., Fitzpatrick, M. C., Hakkenberg, C. R., Hardiman, B. S., Kamoske, A., LaRue, E. A., Silva, C. A., Stovall, A. E. L., & Tielens, E. K. (2023). Scale dependency of lidar-derived forest structural diversity. Methods in Ecology and Evolution, 14(2), 708–723. https://doi.org/10.1111/2041-210X.14040

Belmar, O., Barquín, J., Álvarez-Martínez, J. M., Peñas, F. J., & Del Jesus, M. (2018). The role of forest maturity in extreme hydrological events. Ecohydrology, 11(4), 1–12. https://doi.org/10.1002/eco.1947

Chazdon, R. L., Brancalion, P. H. S., Laestadius, L., Bennett-Curry, A., Buckingham, K., Kumar, C., Moll-Rocek, J., Vieira, I. C. G., & Wilson, S. J. (2016). When is a forest a forest? Forest concepts and definitions in the era of forest and landscape restoration. Ambio, 45(5), 538–550. https://doi.org/10.1007/s13280-016-0772-y

de Assis Barros, L., & Elkin, C. (2021). An index for tracking old-growth value in disturbance-prone forest landscapes. Ecological Indicators, 121. https://doi.org/10.1016/j.ecolind.2020.107175

Frey, S. J. K., Hadley, A. S., Johnson, S. L., Schulze, M., Jones, J. A., & Betts, M. G. (2016). Spatial models reveal the microclimatic buffering capacity of old-growth forests. Science Advances, 2(4). https://doi.org/10.1126/sciadv.1501392

Fuhr, M., Lalechère, E., Monnet, J. M., & Bergès, L. (2022). Detecting overmature forests with airborne laser scanning (ALS). Remote Sensing in Ecology and Conservation, 8(5), 731–743. https://doi.org/10.1002/rse2.274

Martin, M., Cerrejón, C., & Valeria, O. (2021). Complementary airborne LiDAR and satellite indices are reliable predictors of disturbance-induced structural diversity in mixed old-growth forest landscapes. Remote Sensing of Environment, 267. https://doi.org/10.1016/j.rse.2021.112746

Roussel, J. R., Auty, D., Coops, N. C., Tompalski, P., Goodbody, T. R. H., Meador, A. S., Bourdon, J. F., de Boissieu, F., & Achim, A. (2020). lidR: An R package for analysis of Airborne Laser Scanning (ALS) data. In Remote Sensing of Environment (Vol. 251). Elsevier Inc. https://doi.org/10.1016/j.rse.2020.112061

van Ewijk, K. Y., Treitz, P. M., & Scott, N. A. (2011). Characterizing Forest Succession using LiDAR derived metrics. Photogrammetric Engineering & Remote Sensing, 77(3), 261–269.

Watson, J. E. M., Evans, T., Venter, O., Williams, B., Tulloch, A., Stewart, C., Thompson, I., Ray, J. C., Murray, K., Salazar, A., McAlpine, C., Potapov, P., Walston, J., Robinson, J. G., Painter, M., Wilkie, D., Filardi, C., Laurance, W. F., Houghton, R. A., … Lindenmayer, D. (2018). The exceptional value of intact forest ecosystems. Nature Ecology and Evolution, 2(4), 599–610. https://doi.org/10.1038/s41559-018-0490-x

Descargas

Publicado

2026-06-03

Cómo citar

Caracterización de la madurez forestal utilizando LiDAR. (2026). Congresos UEx, Actas De Congresos, 2. https://doi.org/10.17398/3101-7177.2.145