Tesis

Instituto Tecnológico y de Estudios Superiores de Monterrey

Campus Monterrey

Escuela de Ingeniería y Ciencias

“Comparación de la precisión de sensores remotos para estimación de
parámetros de biomasa aérea: LIDAR portátil y sensores ópticos”

Tesis presentada por

Roberto Emmanuel Huerta García

sometida a la
Escuela de Ingeniería y Ciencias
como un requisito parcial para obtener el grado académico de

Maestro en Ciencias
en

Sistemas Ambientales

Monterrey Nuevo León, abril 2016

Instituto Tecnológico y de Estudios Superiores de Monterrey

Campus Monterrey

Escuela de Ingeniería y Ciencias

Los miembros del comité aquí citados certificamos que hemos leído la tesis
presentada por Roberto Emmanuel Huerta García y consideramos que es adecuada
en alcance y calidad como un requisito parcial para obtener el grado de Maestro en
Ciencias en Sistemas Ambientales.

____________________________
Dr. Diego Fabián Lozano García

Tecnológico de Monterrey
Escuela de Ingeniería y Ciencias

Asesor Principal

____________________________
Dra. Fabiola D. Yépez Rincón

Universidad Autónoma de Nuevo León
Instituto de Ingeniería Civil
Miembro del comité

____________________________
Dr. Mario G. Manzano Caramillo
Tecnológico de Monterrey
Escuela de Ingeniería y Ciencias
Miembro del comité

________________________________________
Dr. Jorge Welti Chanes
Director de Posgrado

Escuela de Ingeniería y Ciencias

Monterrey Nuevo León, abril 2016

2

Declaración de autoría
Yo, Roberto Emmanuel Huerta García, declaro que esta tesis titulada, ‘Comparación
de la precisión de sensores remotos para estimación de parámetros de biomasa
área: LiDAR portátil y sensores ópticos’, y el trabajo que se presenta en ella es de
mi autoría. Adicionalmente, confirmo que:

 Realice este trabajo en su totalidad durante mi candidatura al grado de
maestro en ciencias en esta universidad.

 He dado crédito a cualquier parte de esta tesis que haya sido previamente
sometida para obtener un grado académico o cualquier otro tipo de titulación
en esta o cualquier otra universidad.

 He dado crédito a cualquier trabajo previamente publicado que se haya
consultado en esta tesis.

 He citado el trabajo consultado de otros autores, y la fuente de donde los
obtuve.

 He dado crédito a todas las fuentes de ayuda utilizadas.
 He dado crédito a las contribuciones de mis coautores, cuando los resultados

corresponden a un trabajo colaborativo.
 Esta tesis es enteramente mía, con excepción de las citas indicadas.

___________________________
Roberto Emmanuel Huerta García

Monterrey Nuevo León, abril 2016

@2016 por Roberto Emmanuel Huerta García
Todos los derechos reservados

3

Dedicatoria

Dedico esta tesis a mis padres Roberto Huerta y Graciela García, ya que, gracias a su
apoyo, mentoría, motivación y amistad he llegado a este punto en la carrera que es la vida.

A Natalia, quien a lo largo de este tiempo ha soportado junto a mí desveladas, largos
periodos de arduo trabajo y me ha apoyado en la mayor medida de lo posible para concluír de
manera satisfactoria esta investigación. A ti que me alegras la vida y me motivas a seguir
adelante disfrutando cada uno de los días de nuestras vidas. Way to go!

Agradecimientos
Extiendo un enorme agradecimiento al Consejo Nacional de Ciencia y Tecnología

(CONACYT), al Instituto Tecnológico y de Estudios Superiores de Monterrey, y, al Laboratorio
de Sistemas de Información Georreferenciada por haberme otorgado el apoyo económico
necesario para realizar mis estudios de Maestría.

Al doctor Fabián Lozáno, por sus valiosas enseñanzas, asesoramiento, soporte y
retroalimentación a lo largo de mi estancia en esta institución y en especial en el Laboratorio
de Sistemas de Información Georreferenciada.

Al doctor Mario Manzano, por su increíble labor como director de maestría, por sus
consejos y ayuda en aspectos curriculares, y, por la transmisión de sus admirables
conocimientos forestales.

A la doctora Fabiola Yépez por su inmenso apoyo a lo largo de mi investigación, por sus
enriquecedores consejos y sugerencias en la elaboración de este proyecto, y, por haberme dado
la confianza y oportunidad de formar parte de su equipo de trabajo.

A la M.C. Nelly Rodríguez por su compañerismo, amistad e increíble e inagotable
colaboración en las fases experimentales y trabajo en campo.

A la M.C. Patricia Vela por resolver cada una de mis dudas sobre temas especializados
en Sistemas de Información Geográfica.

A los profesores de la Maestría en Sistemas Ambientales, los cuales, a través de sus
conocimientos me ayudaron a desarrollar nuevas y diferentes formas de ver el mundo desde
los aspectos ecológicos, económicos y sociales.

A mis compañeros y amigos de la maestría, quienes me hicieron pasar ratos muy
amenos, y, disfrutar al ciento por ciento la carrera gracias a la gran camaradería y apoyo
incondicional que nos brindábamos unos a otros.

A mis conocidos, familiares y amigos que me motivaron a seguir adelante con este
proyecto.

V

“Comparación de la precisión de sensores remotos para estimación de parámetros
de biomasa aérea: LiDAR portátil y sensores ópticos”

por

Roberto Emmanuel Huerta García

RESUMEN
Los cambios degenerativos en los ecosistemas forestales han generado un aumento de
interés en el buen manejo de los mismos. Las variables de estimación de biomasa aérea
son de gran importancia ya que a partir de estos parámetros se puede calcular el
carbono almacenado y evaluar los efectos de la deforestación, degradación,
restauración o conservación de bosques. La obtención de parámetros forestales
mediante el método tradicional forestal en áreas de muy grande extensión consume
mucho tiempo y resulta muy laboriosa. La necesidad de alternativas de obtención de
parámetros forestales de manera más rápida y eficiente ha llevado al uso de nuevas
tecnologías. En el presente estudio se muestrearon 26 árboles del género Quercus,
localizados en el Camus Monterrey del Instituto Tecnológico y de Estudios Superiores
de Monterrey. Se obtuvieron los datos del diámetro a la altura del pecho (DAP), altura
total (HA) y diámetro de copa (DC) por medio de seis metodologías, (1) la tradicional
forestal y cinco con uso de sensores remotos: (2) LiDAR portátil, (3)
fotorreconstrucción a color (RGB) al nivel del suelo, (4) fotorreconstrucción infrarroja
(IR) a nivel del suelo, (5) fotorreconstrucción RGB desde vehículo aéreo no tripulado
(VANT) y (6) fotorreconstrucción IR desde VANT. A partir los datos obtenidos se estimó
la biomasa aérea para cada uno de los métodos empleados y se realizaron
comparaciones entre cada método contra el tradicional forestal para determinar su
precisión. Los resultados obtenidos mostraron que los datos del LiDAR portátil ofrecen
información más certera para la estimación de biomasa aérea que el resto de los
métodos, al obtener una R2 de 94.53 %, seguido por la fotorreconstrucción RGB a nivel
del suelo con R2 = 82.48; demostrando que existe un gran potencial para el uso de estas
técnicas en la obtención de parámetros forestales en proyectos de gran escala.

Palabras clave: Parámetros de inventario forestal, LiDAR portátil, fotorreconstrucción
3D, VANT, biomasa aérea

VI

ÍNDICE

RESUMEN....................................................................................................................................................................... VI
ÍNDICE............................................................................................................................................................................VII
ÍNDICE DE FIGURAS .................................................................................................................................................. IX
ÍNDICE DE TABLAS.................................................................................................................................................... XI
1 INTRODUCCIÓN................................................................................................................................................ 12
2 ANTECEDENTES............................................................................................................................................... 14

2.1 Situación forestal actual ............................................................................................................................. 14
2.2 Parámetros de estimación de biomasa forestal................................................................................ 14
2.3 LiDAR.................................................................................................................................................................. 22
2.4 Fotogrametría................................................................................................................................................. 30
2.5 Vehículos aéreos no tripulados ............................................................................................................... 36
3 IMPORTANCIA E HIPÓTESIS....................................................................................................................... 39
3.1 Importancia del estudio.............................................................................................................................. 39
3.2 Hipótesis ........................................................................................................................................................... 39
4 OBJETIVOS .......................................................................................................................................................... 40
4.1 Objetivo general............................................................................................................................................. 40
4.2 Objetivos específicos.................................................................................................................................... 40
5 MATERIAL Y MÉTODOS ................................................................................................................................ 41
5.1 Diagrama de flujo metodológico ............................................................................................................. 41
5.2 Área de estudio............................................................................................................................................... 42
5.3 Método forestal tradicional....................................................................................................................... 44
5.4 LiDAR portátil ................................................................................................................................................. 44
5.5 Sensores de imagen...................................................................................................................................... 47
5.6 Fotorreconstrucción 3D.............................................................................................................................. 54
5.7 Georreferenciación ....................................................................................................................................... 55
5.8 Clasificación..................................................................................................................................................... 56
5.9 Reducción de ruido....................................................................................................................................... 57
5.10 Obtención de parámetros forestales .................................................................................................. 58
5.11 Comparación de mediciones.................................................................................................................. 61

VII

6 RESULTADOS..................................................................................................................................................... 62
6.1 Levantamiento de datos y postproceso ............................................................................................... 62
6.2 Obtención de parámetros forestales de sensores remotos.......................................................... 68
6.3 Determinación de ecuaciones alométricas para cálculo de biomasa aérea .......................... 69
6.4 Cálculo de biomasa aérea........................................................................................................................... 70
6.5 Comparación de métodos .......................................................................................................................... 70

7 DISCUSIÓN.......................................................................................................................................................... 74
7.1 Diseño de levantamiento y limitantes de los sensores .................................................................. 74
7.2 Resolución de cámaras fotográficas ...................................................................................................... 76
7.3 Software de fotorreconstrucción............................................................................................................ 77
7.4 Precisión de georreferencia ...................................................................................................................... 77
7.5 Clasificación..................................................................................................................................................... 77
7.6 Obtención de parámetros para cálculo de biomasa aérea ........................................................... 78
7.7 Estimación de DAP a partir de datos de VANT.................................................................................. 78
7.8 Cálculo de biomasa aérea........................................................................................................................... 78
7.9 Comparación de métodos .......................................................................................................................... 79

8 CONCLUSIONES ................................................................................................................................................ 81
9 RECOMENDACIONES...................................................................................................................................... 82
10 BIBLIOGRAFÍA.............................................................................................................................................. 83
11 ANEXOS ........................................................................................................................................................... 90

Anexo 1................................................................................................................................................................. 90
Anexo 2................................................................................................................................................................. 95

VIII

ÍNDICE DE FIGURAS
Figura 1 Parámetros dasonómicos cuantitativos. a) Altura total, b) DAP y c) diámetro de copa (US
Forest Service Remote Sensing Application Center)....................................................................................... 15
Figura 2 Hipsómetros basados en principios trigonométricos: a) Nivel Abney, b) Altímetro Haga, c)
Altímetro Blume-Leiss y d) Clinómetro Suunto ............................................................................................... 16
Figura 3 Medición de la altura de un árbol inclinado (Hush, et al, 1970) ................................................. 17
Figura 4 Diferentes casos para medición de altura total (h) con respecto a la vho (Romahn y
Ramírez, 2010)............................................................................................................................................................. 18
Figura 5 Errores potenciales en mediciones de altura de árboles (AWF, 2010). .................................... 19
Figura 6 Telémetro láser Forestry Pro y ejemplo de medición inmediata en pantallas externa e
interna (Nikon) ............................................................................................................................................................. 19
Figura 7 Medición adecuada del DAP de acuerdo a: a) ubicación del árbol en pendientes, b)
costillas o contrafuertes y c) protuberancias en el DAP (FAO, 2004)........................................................ 20
Figura 8 Medición de diámetro normal en a) árboles con fuste ondulado, b) árboles inclinados en
terrenos planos, c) árboles inclinados en pendiente y c) árboles con bifurcaciones. (Romahn y
Ramírez, 2010) ............................................................................................................................................................. 21
Figura 9 Principios de la configuración del sistema LiDAR (Weitkamp, 2005) .................................... 23
Figura 10 Pulsaciones LiDAR grabando múltiples retornos de diversas superficies de la copa del
árbol (Lillesand et al, 2008). .................................................................................................................................... 23
Figura 11 Componentes del sistema de escaneo de LiDAR aéreo (Lillesand et al, 2008)................... 24
Figura 12 Lillesand, Kiefer & Chimpan 2008.................................................................................................... 26
Figura 13 LiDAR Terrestre. (Bauwens et al, 2014) ......................................................................................... 27
Figura 14 Dispositivos LiDAR portátil. Bosse, Zlot & Flick (2012), faro.com..................................... 29
Figura 15 Triangulación mediante la técnica de structure from motion (www.theia-sfm.org) .......... 32
Figura 16 Acumulación en histogramas de orientación de acuerdo a gradientes de imágenes (Lowe,
2004)................................................................................................................................................................................ 33
Figura 17 Diferencias entre cámara fotográfica de haluro de plata y cámara digital (Nakamura,
2005)................................................................................................................................................................................ 34
Figura 18 Espectro electromagnético.................................................................................................................... 36
Figura 19 Proceso metodológico para extracción y comparación de parámetros forestales a través de
sensores remotos.......................................................................................................................................................... 41
Figura 20 Localización geográfica de zona de estudio dentro del estado de Nuevo León, área
metropolitana de Monterrey e ITESM Campus Monterrey. Elaboración propia .................................... 42
Figura 21 Sobreposición de muestras. En color rojo el área de estudio (35 x 100 m) y en color
amarillo muestras circulares de radio de 11.28 m (INFyS) .......................................................................... 43
Figura 22 LiDAR portátil ZEB1. a) ZEB1 junto a unidad de almacenamiento de datos b) inicio de
recorrido, c) y d) funcionamiento del ZEB1 en movimiento......................................................................... 45
Figura 23 Trayectoria de recorrido en a) fase 1 norte, b) fase 2 sur. El color rojo indica el inicio del
muestreo, mientras que el azul, el final de este.................................................................................................. 46
Figura 24 Nikon Coolpix P520 usada para captura de fotografía a color, b) y c) fotografías de
construcción de set a color........................................................................................................................................ 48

IX

Figura 25 Recorrido de toma de fotografías a color a nivel del suelo alrededor de la escena en a)
fase 1 norte y b) fase 2 sur. Las líneas negras y cuadros azules representan la posición donde fue
tomada cada fotografía. ............................................................................................................................................. 49
Figura 26 En a) se muestra la cámara GoPro utilizada para la toma de los sets fotográficos, b) y c)
muestran la cámara en uso en campo .................................................................................................................... 50
Figura 27 Transmitancia de lente NDVI InfraBlu22 respecto a su longitud de onda............................ 51
Figura 28 Conexión de GoPro a teléfono inteligente para visualización de fotografías IR en campo
(Fotografia Fabiola Yépez). ..................................................................................................................................... 51
Figura 29 Arreglo de sets de fotografías IR a nivel del suelo, a) fase 1 norte y b) fase 2 sur. Las
líneas negras y cuadros azules representan la posición donde fue tomada cada fotografía ................. 52
Figura 30 VANT DJI Phantom 2 con respectivos componentes para mando automático a distancia:
control remoto, antena Bluetooth de 2.4 GHz y estabilizador de orientación.......................................... 53
Figura 31 Interfaz de software Ground Station 4.0.11 y plan de vuelo...................................................... 54
Figura 32 Izquierda: Esfera del diámetro correspondiente a una escala con puntos en posiciones
XYZ. Derecha: Una misma nube de puntos con diferente geometría a diferentes escalas (Brodu y
Langue, 2012)............................................................................................................................................................... 56
Figura 33 Valores extremos presentes en nubes de puntos............................................................................ 57
Figura 34 Localización geográfica de árboles esquematizadas de acuerdo a fase de obtención....... 62
Figura 35 Nube de puntos generadas a partir del LiDAR portátil. .............................................................. 64
Figura 36 Nubes de puntos generadas de fotografías a nivel de suelo. a) color, b) infrarrojo............ 65
Figura 37 Nubes de puntos generadas a partir de fotografías desde VANT. a) color, b) infrarrojo . 66
Figura 38 Puntos de control. a) GPS diferencial registrando datos de posición. B) Punto de control
en nube de puntos del ZEB1. ................................................................................................................................... 66
Figura 39 Clasificador CANUPO. a) Separabilidad de clases, b) estadísticas de clasificación ......... 67
Figura 40 Ejemplo de clasificación de nube de puntos del ZEB1. El verde representa la cobertura
vegetal y el marrón claro los puntos del suelo. .................................................................................................. 67
Figura 41 Clasificación, a) Error presente en nubes de puntos clasificadas, b) Reducción de fuentes
de ruido........................................................................................................................................................................... 68
Figura 42 Ajuste de T de biomasa aérea entre MTF y LiDAR portátil...................................................... 71
Figura 43 Ajuste de T de biomasa aérea entre MTF y Reconstrucción RGB a nivel del suelo.......... 72
Figura 44 Ajuste de T de biomasa aérea entre MTF y Fotorreconstrucción IR a nivel del suelo...... 72
Figura 45 Ajuste de T de biomasa aérea entre MTF y Fotorreconstrucción RGB desde VANT....... 73
Figura 46 Ajuste de T de biomasa aérea entre MTF y Fotorreconstrucción IR desde VANT............ 73
Figura 47. Huecos presentes entre ramas y hojas.............................................................................................. 79

X

ÍNDICE DE TABLAS
Tabla 1 Especificaciones de LiDAR portátil .................................................................................................... 44
Tabla 2 Especificaciones de cámara fotográfica ........................................................................................... 47
Tabla 3 Especificaciones de cámara usada para sets IR, RGB e IR aéreos ......................................... 50
Tabla 4 Especificaciones de VANT usado para sets RGB e IR aéreos................................................... 53
Tabla 5 Ecuacioes alométricas para Quercuss spp. en norte de México............................................. 60
Tabla 6 Relación con claves del Arboretum 2010 y mediciones de MTF. .......................................... 63
Tabla 7 Número de puntos en fotorreconstrucciones y error cuadrático medio (RMS) ............. 65
Tabla 8 Comparación de biomasa aérea obtenida a través de MTF para determinación de
ecuación alométrica para género Quercus...................................................................................................... 69
Tabla 9 Ecuaciones alométricas para estimación de biomasa aérea en Quercus polymorpha y
Quercus spp. ................................................................................................................................................................ 70
Tabla 10 Biomasa aérea y carbono obtenidos por método tradicional forestal ............................. 70

XI

1 INTRODUCCIÓN

La situación de los ecosistemas forestales se ha visto afectada en gran medida a
partir de la Revolución Verde, aproximadamente hace 70 años; justo después de la
segunda guerra mundial. Desde entonces se observó un incremento masivo en la
producción de alimentos, generando una mayor necesidad de conversión de tierras
forestales a zonas agrícolas. Al degradar los bosques se pierde consigo una gran y
valiosa cantidad de servicios ambientales que naturalmente proveen a la biósfera, entre
ellos se cuentan, la captación y filtración de agua de lluvia, mitigación de efectos del
cambio climático, generación de oxígeno y asimilación de contaminantes, conservación
de biodiversidad, fijación de suelo, regulación de microclimas, refugio de fauna
silvestre, entre otros.

La pérdida y el deterioro de los servicios ecositémicos que nos brindan los
bosques ha tenido consecuencias a nivel global, afectando sobre todo a las zonas más
vulnerables como aquellas de escasos recurso. No obstante, incluso en las ciudades se
aprecian efectos de tal pérdida, principalmente a través de variabilidad climática.

Es por lo anterior, que se ha incrementado el interés por la gestión sustentable,
a través del buen manejo de los ecosistemas forestales, para lo cual se ha recurrido al
uso de inventarios forestales. A través de estos se puede estimar la biomasa aérea y el
carbono almacenado, y a su vez, detectar efectos de deforestación, degradación,
restauración y conservación, de tal forma que esta información ayude a la adecuada
toma de decisiones respecto a las acciones o políticas que se deban de llevar a cabo para
mitigar y adaptarnos a estos cambios.

La obtención de los parámetros de estimación de biomasa se ha llevado a cabo
de manera tradicional a través de la toma de datos in situ mediante la medición manual
de características distintivas de la fisionomía de los árboles como el diámetro a la altura
del pecho, la altura total y el diámetro de la copa.

Con el avance de la tecnología y los nuevos conocimientos en áreas como la
percepción remota y los sistemas de información geográfica, se ha tratado de
complementar la obtención de estos parámetros mediante técnicas de captura de datos
digitales con el propósito de hacer más accesible la toma y el manejo de esta
información.

Es por esto que en este trabajo se busca evaluar la precisión del uso de la
tecnología LiDAR portátil y técnicas de fotorreconstrucción para la generación de nubes

12

de puntos a partir de las cuales se puedan extraer de manera eficiente y certera
parámetros de estimación de biomasa aérea contenida en un bosque urbano.

13

2 ANTECEDENTES

2.1 Situación forestal actual

La degradación forestal causada en gran parte por alarmantes tasas de
deforestación FAO, (2011), ha contribuido con una serie de problemas ambientales
locales como la erosión del suelo y el agotamiento de los acuíferos, afectando
adversamente algunas comunidades forestales (Chomitz, 2007). Además, la
deforestación y la degradación en países en vías de desarrollo, son una de las
principales causas del cambio climático, indiscutiblemente el problema ambiental más
serio a nivel global; contribuyendo con un quinto a un cuarto del total de emisiones
antropogénicas de gases de efecto invernadero (Houghton, 2004; IPCC, 2007). Como
resultado, las políticas dirigidas a la reducción de emisiones por la deforestación y
degradación han atraído considerablemente la atención. Para el cumplimiento de estas
políticas es importante que las iniciativas sean efectivas y eficientes, para lo cual
requieren de objetivas y rigurosas evaluaciones. Es por esta razón que esta razón que
ha cobrado fuerza el interés por la cuantificación de los recursos forestales ya que estos
fungen como sumideros de carbono y proporcionan servicios ecosistémicos que ayudan
a regular el sistema natural.

2.2 Parámetros de estimación de biomasa forestal

Los recursos forestales alcanzan grandes extensiones de terreno, involucrando
gran cantidad de superficies, particularidad que convierte en una difícil tarea su
cuantificación dado el elevado costo involucrado. En este sentido, muchas disciplinas
entre ella la forestal han recurrido a la teoría de muestreo la cual sustenta un conjunto
de esquemas destinados a estimar parámetros de la población completa sobre la base
de visitar una porción o muestra de la población.

Los datos que se obtienen en el muestreo de campo corresponden a la ubicación
geográfica de los sitios de muestreo, datos ecológicos, diversidad de especies, variables
dasonómicas en los estratos arbóreo, arbustivo y herbáceo, además de información
sobre las condiciones del sitio.

Las variables dasonómicas son de alto interés para estudios forestales ya que
son de utilidad para la estimación de la biomasa aérea o biomasa sobre el suelo, es decir,
toda la biomasa viva por encima del suelo, incluyendo tronco, tocón, ramas, corteza,
semillas y hojas (IPCC, 2003; FRA, 2005). La biomasa aérea es de amplia importancia
en la cuantificación de recursos forestales pues a través de esta se puede estimar el
carbono capturado y almacenado.

14

Los parámetros dasonómicos cualitativos incluyen información de género y
especie, nombre común, condición y tipo de daño en los casos que se presente daño
aparente. Dentro de los principales parámetros dasonómicos cuantitativos se
encuentran la altura total, la cual corresponde a la altura medida desde la base de la
planta hasta la punta de la copa, incluyendo ramas muertas; el diámetro a la altura del
pecho (DAP) o diámetro normal, el cual se obtiene mediante la medición del perímetro
del árbol con corteza a una altura de 1.3 m del suelo; el diámetro de copa, el cual se
refiere a la medición de la proyección vertical de la copa (Fig. 1).

A través de estos parámetros se cuantifican diferentes variables de los
ecosistemas forestales de cierta área de tal forma que la información recabada sienta
las bases para evaluar diferentes tasas como la dinámica del cambio de la vegetación,
deforestación y sus causas, estimaciones de combustibles forestales, además de generar
información útil para dar valor a servicios y productos ecosistémicos que proveen los
bosques, como el secuestro y almacenamiento del CO2, además de complementar
estudios de captación y filtración del agua, fijación del suelo, asimilación de
contaminantes, provisión de refugio a fauna silvestre, belleza escénica, entre otros.

Figura 1 Parámetros dasonómicos cuantitativos. a) Altura total, b) DAP y c) diámetro de copa (US
Forest Service Remote Sensing Application Center)

15

2.2.1 Altura total
La altura total se puede medir de forma directa o indirecta. En el método directo

se obtiene a través de cintas métricas o pértigas graduadas, en casos necesarios
(árboles muy grandes) se requiere escalar el árbol y posteriormente realizar la
medición; otro método directo usado para obtener este parámetro con alto grado de
precisión es mediante el derribo del árbol y posterior segmentación y medición de sus
trozas. Cuando los métodos directos resultan imprácticos debido al daño que
ocasionarían en el árbol o no son aplicables debido a la necesidad de tener el árbol en
pie para posteriores remuestreos, la medición se efectúa de forma remota, mediante los
métodos indirectos, principalmente con del uso de instrumentos para la medición de
altura llamados hipsómetros, los cuales basan su funcionamiento en principios
trigonométricos. Los hipsómetros más comúnmente usados en el área forestal son el
Nivel Abney, el Altímetro Haga, el Altímetro Blume-Leiss y el Clinómetro Suunto (Fig 2).

Figura 2 Hipsómetros basados en principios trigonométricos: a) Nivel Abney, b) Altímetro Haga,
c) Altímetro Blume-Leiss y d) Clinómetro Suunto

Dentro de las consideraciones especiales que se deben tener en cuenta a la hora
de realizar la medición de la altura por medio de hipsómetros se encuentran: la
distancia a la cual se toma la medición, siendo en general la distancia óptima de visión
para cualquier hipsómetro en una pendiente o superficie plana aproximadamente
similar a la distancia a ser medida, es decir, a la estimación visual de la altura del árbol
(Hush et al, 1970); la posición del observador con respecto a la inclinación del árbol, ya
que con todos los hipsómetros se hace la asunción de que se observa un árbol vertical,
por lo cual surge una sobrestimación al momento de muestrear árboles que se
encuentren inclinados hacia el observador y una subestimación en árboles inclinados
hacia el lado contrario al observador, para minimizar este error las mediciones deben
ser tomadas de tal forma que la inclinación del árbol se encuentre hacía el lado derecho
o izquierdo del observador registrando la altura desde la punta del árbol al suelo de ese

16

mismo punto en línea recta y multiplicándolo por la secante del ángulo de inclinación
(sec Ф) como se muestra en la (Fig 3); además se debe de considerar la visual
horizontal de observador (vho), dado que existen tres casos diferentes dependiendo de
la posición del observador y la pendiente entre él y el árbol a medir, estos son que la
vho se encuentre entre la punta del árbol y la base del árbol, por arriba de la punta del
árbol y por debajo de la base del árbol.

Figura 3 Medición de la altura de un árbol inclinado (Hush, et al, 1970)
En el primer caso (Fig. 4, inciso a), donde la vho se encuentra entre la punta del
árbol y la base del árbol, el observador (O) mediante el uso de un hipsómetro determina
los ángulos de inclinación (α y β) de las visuales a la punta (OA) y a la base del árbol
(OB), de tal forma que teniendo la distancia entre el observador y el árbol bajo estudio
(OC) se pueden calcular AC y BC despejando la fórmula de la tangente de los dos
triángulos rectos (OAC, OBC) de la siguiente forma:

= ∗ α y = ∗ β,
por lo cual se puede obtener la altura total (h) mediante la suma de AC Y BC u obtenerla
de manera condensada a través de:

= ∗ ( α + β)
En el segundo caso (Fig. 4, inciso b), la vho pasa por arriba de la punta del árbol,
de tal forma que para calcular la altura se debe de evitar la sobreestimación restando
AC a CB, obteniendo la altura total (h) mediante la fórmula:

= ∗ ( β − α)

17

Figura 4 Diferentes casos para medición de altura total (h) con respecto a la vho (Romahn y
Ramírez, 2010)

El tercer caso (Fig. 4, inciso c), se da en árboles ubicados sobre una pendiente,
como es frecuente en zonas forestales. Aquí la vho pasa por debajo de la base del árbol
por lo tanto la altura total (h) corresponde a restar la distancia que el observador se
encuentra por debajo de la base del árbol, es decir CB de la altura total obtenida (AC),
de tal forma que la altura total se obtiene mediante la fórmula:

= ∗ ( α − β)
A pesar de todas las consideraciones que se toman para la correcta medición de
la altura total, se presentan ciertos casos donde la forma y dimensiones de la copa,
además de condiciones de una cobertura vegetal densa, no permiten una correcta
visibilidad de su parte más alta por lo cual generan errores (Fig. 5) al verse limitada la
precisión en la interacción del observador, el instrumento y las condiciones del sitio a
muestrear (Bruce, 1975).

18

Figura 5 Errores potenciales en mediciones de altura de árboles (AWF, 2010).
Además de los hipsómetros, se usan telémetros (Fig. 6), instrumentos
electrónicos que funcionan bajo el mismo principio trigonométrico, para calcular
instantáneamente las distancias mediante la medición que tarda en viajar un impuso
infrarrojo desde el telémetro al objetivo y su retorno (Orozco, 2004).

Figura 6 Telémetro láser Forestry Pro y ejemplo de medición inmediata en pantallas externa e
interna (Nikon)

2.2.2 Diámetro a la altura del pecho (DAP)
La medición del diámetro es de especial relevancia en estudios forestales ya que

es una de las dimensiones de medida directa a partir de las cuales se puede calcular el
área de la sección transversal, el área de superficie y el volumen del árbol, así como
estimar otros parámetros de inventario forestal como el diámetro de copa (Naranjo et
al, 2003).

Los instrumentos más utilizados para medir el diámetro a la altura del pecho de
manera directa son la forcípula, cinta métrica y la cinta diamétrica. En el caso de las
forcípulas constan de un brazo fijo y un brazo móvil el cual se recorre para cubrir la

19

totalidad del árbol y obtener la medición del diámetro. A través de la cinta métrica se
puede medir de forma indirecta el DAP al dividir el valor obtenido en unidades métricas
entre el valor de π (3.1415…), a su vez se puede contar con una cinta en unidades de π,
llamada cinta diamétrica, a través de la cual se obtiene de forma directa el DAP.

Se deben de tomar en cuenta ciertas consideraciones en la toma del DAP. En
terrenos con pronunciada pendiente se debe realizar la medición por el lado superior
de la pendiente; además, en algunos géneros de árboles se presentan dificultades al
realizar la medición ya que el fuste puede presentar deformaciones o protuberancias
tanto en su base, formando costillas o contrafuertes, como a la altura del DAP. En el
primer caso se recurre a la normalización del diámetro para lo cual se realiza la
medición un metro arriba del punto, donde el fuste ya es regular. En caso de que la
deformidad o protuberancia se encuentre a la altura del DAP se realiza la medición de
dos puntos equidistantes superior e inferior al punto ubicado a 1.3 m, donde el fuste
sea regular y se obtiene el promedio aritmético de los dos puntos obtenidos para evitar
una sobreestimación (Fig. 7).

Figura 7 Medición adecuada del DAP de acuerdo a: a) ubicación del árbol en pendientes, b)
costillas o contrafuertes y c) protuberancias en el DAP (FAO, 2004)

Existen cuatro situaciones más en las cuales se puede dificultar la medición del
DAP, estas son en árboles con fuste ondulado, árboles inclinados en terrenos planos o
inclinados y árboles que presenten bifurcaciones. En el primer caso el DAP se ubica a la
distancia de 1.3 m a partir del centro de la base hacia el centro del fuste, y se realiza la
medición perpendicular a la línea de medición de 1.3 m. En caso de un árbol inclinado
en terreno plano la distancia de 1.3 m se mide a partir de la base del árbol por el lado
del ángulo agudo y el diámetro deberá medirse perpendicular al eje del fuste. En el
tercer caso, donde un árbol inclinado se encuentra presente en un terreno con
pendiente la distancia de 1.3m se mide en la parte superior de la pendiente y el
diámetro medido deberá ser perpendicular al eje del fuste. Por último, cuando el árbol
presenta bifurcación pueden presentarse dos escenarios, ya sea en donde la bifurcación
sea superior a 1.3 m, en el cual se realiza la medición en la forma que se ha indicado
considerándose un solo árbol o bien si la bifurcación es inferior a 1.3 m se mide los

20

diámetros de los brazos de manera perpendicular al eje de ellos y se considera tantos
árboles como brazos tenga antes de la altura de 1.3 m (Fig. 8).

Figura 8 Medición de diámetro normal en a) árboles con fuste ondulado, b) árboles inclinados en
terrenos planos, c) árboles inclinados en pendiente y c) árboles con bifurcaciones. (Romahn y
Ramírez, 2010)

2.2.3 Diámetro de la copa
Es de utilidad para obtener relaciones con el DAP (Gering y May, 1995; Hemery

et al, 2005) y por lo tanto para estimar el volumen del árbol. La determinación de este
parámetro puede resultar difícil debido a la irregularidad del contorno de la copa del
árbol, por lo tanto, se prefiere utilizar un método indirecto en donde se proyecta el
perímetro de la copa verticalmente al suelo para realizar la medición indirecta en esta
proyección, todo esto mediante instrumentos. La mayoría de los instrumentos
utilizados para realizar la proyección vertical incluyen un espejo, un prisma de ángulo
recto o un pentaprisma. Se recomienda utilizar instrumentos que empleen el
pentaprisma debido a que éstos no invierten o revierten imágenes, además de que un
ligero movimiento del prisma no afecta el verdadero ángulo recto de la reflexión.

Existe otro método indirecto para medir el diámetro de la copa, que consiste en
fotografías aéreas verticales, en las cuales se define con mayor claridad que los medidos
en el suelo, pero usualmente el diámetro de la copa suele ser menor al medido en el
suelo ya que hay partes de la corona que podrían no observarse en las fotografías aéreas
debido a falta de resolución. Sin embargo, la correlación de árbol y su volumen es mejor
con fotografía aérea. (Hush et al, 2002).

21

2.3 LiDAR

La tecnología LiDAR (por sus siglas en inglés Light Detection and Ranging)
corresponde a una técnica activa de percepción remota a través de la cual se emiten
miles de pulsos láser de luz por segundo desde un sensor LiDAR a alguna superficie
como suelo u otros objetos presentes como árboles o edificios para medir el tiempo de
retorno que tardan estos pulsos en ser reflejados de vuelta al sensor. Se procesan los
tiempos de retorno para calcular las distancias entre el sensor y las diversas superficies
presentes en el área muestreada generando una nube de puntos tridimensional (3D).
Mediante el uso de esta tecnología se pueden obtener datos de muy alta densidad de
puntos y precisión, por lo cual se resuelven representaciones tridimensionales precisas
y realistas con usos efectivos en la caracterizaciones de superficie, en deslizamientos
de laderas (Glen et al, 2006; Hinojosa et al, 2011), medición de profundidad de cuerpos
de agua (Jones et al, 2008), estudios atmosféricos para el monitoreo del contenido de
partículas en la atmósfera (Mei y Brydegaard, 2015), así como para una amplia gama
de variadas aplicaciones que van desde la predicción de modelos de combustibles de
superficie (Jakubowski et al, 2013) hasta el mapeo del patrimonio cultural (Hare et al,
2014). Dentro del área forestal el LiDAR representa una excelente herramienta para la
obtención de parámetros forestales de forma remota (Aschoff et al, 2004; Hopkinson et
al, 2013), representando una opción alternativa viable cuando los métodos manuales
resultan imprácticos o irrealizables debido a la presencia de un terreno muy
accidentado o de zonas de difícil acceso.

La configuración del LiDAR consta de un trasmisor y un receptor. Las
pulsaciones de luz de onda corta van de longitudes de unos pocos a unos cientos
nanosegundos con propiedades espectrales específicas que se generan por el láser.
Muchos sistemas de LiDAR utilizan un expansor de haz dentro de la unidad de
transmisión para reducir la divergencia del haz de luz antes de que se envíe a la
atmosfera. En el extremo receptor un telescopio recoge los fotones retrodispersados de
la atmosfera, posterior a esto un sistema de análisis óptico selecciona las longitudes de
onda o estados de polarización específica fuera de la luz recogida. La radiación
seleccionada se dirige sobre un detector, donde la señal óptica obtenida se convierte a
una señal eléctrica, la intensidad de esta señal depende del tiempo transcurrido
después de la transmisión del pulso del láser, se determina electrónicamente y se
almacena en un ordenador. (Fig. 9)

22

Figura 9 Principios de la configuración del sistema LiDAR (Weitkamp, 2005)
2.3.1 Datos LiDAR

Dentro de la información que puede contener una nube de puntos se encuentra
la información de posición (posición XYZ de cada punto), color (en valores RGB),
intensidad (o valores de reflectividad de las superficies captadas), así como los
múltiples ecos de retorno de objetos (cantidad de veces que un mismo haz de luz láser
es reflejado en su trayecto hacía una última superficie de contacto). Esta información
sirve para caracterizar árboles, arbustos y otra vegetación.

El sistema LiDAR también se puede utilizar para realizar mediciones horizontal
y verticalmente detalladas para formar modelos geométricos de las formas individuales
de la corona de un árbol. Esto también es posible utilizando cualquier LiDAR de los
sistemas de radar interferométrico de multilongitud de onda. (Fig. 10)

Figura 10 Pulsaciones LiDAR grabando múltiples retornos de diversas superficies de la copa del
árbol (Lillesand et al, 2008).

23

2.3.2 LiDAR aéreo

Cosiste en el uso de una aeronave en la cual se monta el sensor LiDAR, este
sistema de LiDAR ofrece la oportunidad de recolectar datos sobre grandes terrenos
llegando a cubrir superficies de ciudades con datos de precisión centimétrica. Este tipo
de LiDAR hace uso de un aeroplano fotogramétrico, equipado con un sistema de
posicionamiento global (GPS) aéreo (para la percepción de la ubicación de X, Y y Z), una
unidad de medida de navegación inercial, IMU, para medir la orientación angular del
sensor con respecto al suelo, un láser de pulsación rápida de 10,000 a 100,000
pulsaciones por segundo, reloj de alta precisión, sistemas de almacenamiento y gestión
de datos, y estaciones terrestres de GPS para su geoposicionamiento diferencial, fig. 11
(Lillesand et al, 2008).

Figura 11 Componentes del sistema de escaneo de LiDAR aéreo (Lillesand et al, 2008).
Para llevar a cabo la realización de tomas aéreas de gran altitud se requiere

estaciones de GPS diferencial en tierra, al menos dos o más estaciones durante el vuelo
del LIDAR. Los datos de la estación de control de GPS pueden provenir de estaciones
de referencia virtual (VRS), estaciones de referencia de operación continua (CORS) o de
la red geodésica nacional activa (RGNA). Las estaciones de base se deben establecer
dentro de cierto radio, cerca de la aeronave, dependiendo del área donde se realiza el
levantamiento de datos (Lillesand et al, 2008).

Posterior al post-procesamiento y la corroboración posicional, los datos LiDAR
se filtran para la eliminación de ruido y se preparan como un archivo de puntos X, Y, Z;
dependiendo de la complejidad de la superficie (por ejemplo, alturas variables de
vegetación, cambios en el terreno) la cantidad de datos obtenida puede ser grande. La
adquisición típica de LIDAR sub-urbana aérea produce más de 250,000 puntos por
kilómetro cuadrado, un bosque de árboles altos relativamente espaciados con

24

sotobosque puede resultar en 600,000 puntos por kilómetro cuadrado, del sistema
LIDAR de múltiples retornos discretos.

Usualmente puede volar alturas desde 400 metros hasta 2500 metros por
encima de su objetivo, dependiendo del tipo de sistema y del proyecto de su aplicación.
Los sensores pueden operar a alturas mayores pero el rendimiento del sensor
mantendrá su topografía no mayor a 2500 metros. En general a mayor altura menor
precisión de los sensores.

Este sistema de ALS se ha utilizado a nivel mundial para otros campos de la
ciencia, por ejemplo, fue utilizado en la expedición del Ártico estratosférico en 1989
(AASE) en dónde obtuvieron las mediciones de distribución de Ozono. La distribución
de ozono encontrada indicó claramente el borde del vórtice polar, además fue un
indicador eficaz de los procesos dinámicos de la estratósfera inferior. En la expedición
encontraron grandes regiones con niveles reducidos de O3, que fueron observados por
el LiDAR dentro del vórtice polar, en donde el O3 había disminuido hasta un 17% en el
centro de estas áreas. Se concluyó que este descenso se debía a la destrucción química
de O3. (Browell et al, 1990).

A nivel nacional el ALS fue utilizado para medir el impacto del terremoto de 7,2
Mw ocurrido en la Sierra El Mayor-Cucapah, en Baja California el 2010. Se realizó
topografía de la sierra antes y después del terremoto, lo cual proporcionó información
para estimar el desplazamiento superficial co-sísmico, comparando los eventos
puntuales arrojados por las nubes de puntos previo y posterior al evento. (Glennie et
al, 2014). En la rama forestal, Ortiz Reyes (2014) desarrolló un estudio en la zona de
Zacualtipán de los Ángeles, en el estado de Hidalgo, donde se estimaron variables
dasométricas de un bosque templado partiendo de la tecnología de LiDAR aéreo
obteniendo resultados de R2>0.50 entre las métricas de LiDAR y los datos de campo
para posteriormente generar cartografía de cada una de las variables de interés.

A nivel local se emplearon datos de ALS para medir altura y diámetro de copa de
árboles individuales en un área urbana al sur de Monterrey, México. Se utilizaron datos
del inventario Arboretum 2010 del ITESM obtenidos mediante mediciones físicas y
fueron comparados con datos del ALS obtenidos en diciembre del 2010. Se utilizaron
dos técnicas de extracción de datos, una con diseño de filtros semiautomatizados para
la obtención de puntos asociados a vegetación y otra técnica con el uso de líneas de
contorno sobre un Modelo Digital de Superficie, DSM. A través de los datos ALS se pudo
inventariar las medidas del diámetro de copa y altura del 97.6% de los árboles
registrados por el Arboretum, sin embargo, en la técnica de líneas de contorno sobre un
DSM, en algunos árboles no lograron cerrar las líneas de contorno de las copas,

25

reduciendo la eficiencia al 74.7%. Las técnicas utilizadas funcionaron en un 88% para
cartografiar las alturas, mientras que en las copas de los árboles funcionó en un 93.4%.
En cuanto a la técnica de diseño de filtros semiautomatizados para la obtención de
puntos asociados a vegetación, se logró discriminar entre edificios, pavimentos, árboles
y automóviles (Yepez y Lozano, 2014). Yepez et al (2014) diseñaron un modelo para
inventariar la estructura espacial de bosques a nivel de paisaje y tipo de comunidad
vegetal comparando la efectividad de LIDAR aéreo para el mapeo de biomasa en la
microcuenca de El Calabozo, al sur de Monterrey obteniendo relaciones del 75% para
las mediciones de alturas en datos de INEGI y del 93% en datos de la CNA.

Se ha buscado desarrollar metodologías donde se logre trabajar con datos LiDAR
en sinergia con diferentes productos de sensores remotos, tal es el caso de (Jurado Cruz,
2013), quien desarrolló una metodología para estimar almacenamiento de carbono en
un bosque de encinos combinando datos LiDAR con imágenes satelitales de alta
resolución, obteniendo una R2 de 0.76.

Figura 12 Lillesand, Kiefer & Chimpan 2008
En la (Fig. 12) se muestra una vista lateral de modelos de árboles individuales
obtenidos mediante ALS para la medición de puntos de las copas de los árboles (esferas
de tonos claros) y la superficie del suelo (esferas más oscuras). En la figura 12a se utilizó
un sistema de radar interferométrico de doble longitud de onda aéreo conocido como
GeoSAR para recoger las imágenes en la banda X (3 cm) y banda P (85cm) longitudes
de onda. La longitud de onda corta banda X es sensible a la parte superior de la copa,
mientras que la banda P de longitud de onda larga pasa principalmente a través de la
cubierta y se retrodispersada desde la superficie del suelo. En la figura 12b el sensor
LIDAR aerotransportado se utilizó para medir los mismos árboles, grabando múltiples
retornos de cada pulso transmitido. La resultante nube de puntos se puede analizar y
entonces crear modelos de las estructuras de los árboles individuales (Lillesand et al,
2008).

26

2.3.3 LiDAR Terrestre
El LiDAR terrestre TLS, por sus siglas en inglés, Terrestrial Laser Scanning (Fig.

13) trabaja bajo la misma premisa que el sistema de LiDAR aéreo, el levantamiento de
puntos se realiza por medio de un barrido de láser, pero en este sistema el equipo se
encuentra sobre la superficie terrestre, por lo cual también es llamado “Ground Based
LiDAR Technology”. Al igual que el ALS el resultado de puntos X, Y, Z arrojan un modelo
en 3D que representa el modelo escaneado. Para llevar a cabo la realización de toma
terrestre el TLS necesita el propio escáner y un instrumento de referencia que permita
obtener coordenadas absolutas, por lo cual es necesario un GPS o bien se puede realizar
el levantamiento de puntos con coordenadas relativas. Generalmente el equipo se
coloca en un punto fijo lo cual simplifica el sensor ya que no se requiere de esta forma
un sistema inercial (Palazuela, 2011).

Figura 13 LiDAR Terrestre. (Bauwens et al, 2014)
Este sistema de LiDAR ha sido de utilidad en diversos campos de la ciencia y
tecnología como lo es en el campo forestal con obtención de datos que nos ayudan a
medir de manera indirecta el DAP, la altura de los árboles, reconocimiento de especies,
estimaciones del volumen de la madera, cartografía de la parcela, además con el
mejoramiento de la técnica se ha logrado obtener datos que nos permiten evaluar la
calidad de la madera así como las propiedades físicas de las hojas, sus procesos de
transpiración y la diversidad de microhábitats (Dassot et al, 2011). Además, en campos
como la arqueología como lo fue en el estudio del Parque Nacional del Gran Cañón en
Arizona (Collins y Kayen, 2006), En geología como el estudio de deslizamientos de
tierra en terrenos peligrosos realizado en la Isla Montserrat, isla volcánica de las Islas
de Sotavento en el Caribe (Jones, 2006).
A nivel mundial el TLS está siendo utilizado ampliamente para la investigación
en el área forestal. Dassot et al (2012), utilizaron TLS para medir el volumen de madera
maciza (es decir tallo y diámetro de ramas de más de 7cm) de árboles adultos que

27

continuaban de pie en un área forestal. Este estudio se realizó con 42 árboles de
diferentes especies y clases de tamaño diferente, sin hojas. En primera instancia se
digitalizaron los árboles por medio del TLS, utilizando un protocolo desarrollado para
proporcionar un muestreo a escala fina, dentro de una exploración aceptable en tiempo.
Los datos del TLS fueron procesados por un software de ingeniería inversa usando
procedimientos de ajuste geométricos para modelar la estructura leñosa del árbol y
para calcular el volumen de la madera. Posteriormente se realizó el método destructivo,
en donde talaron los árboles para obtener el volumen de la madera por el método
forestal. Se compararon los resultados y encontraron diferencias relativas en un
intervalo de ±10% para estimar el volumen del tallo principal de los árboles, y un
intervalo de ± 30% para la estimación de los volúmenes de las ramas. Otro estudio en
donde compararon el método forestal con el TLS fue hecho en Finlandia por Yu et al,
(2013). Un estudio similar en donde además del método forestal y el uso de TLS
utilizaron ecuaciones alométricas para estimar la biomasa fue el realizado por el equipo
de Calders et al (2014).

Fernández et al (2013) calcularon la biomasa residual de la arquitectura de un
árbol individual utilizando TLS y medidas a nivel de suelo. Su árbol de estudio fue un
Platanus hispanica al cual se le realizó el cálculo de biomasa residual a partir de
parámetros dendrométricos (altura del árbol, DAP, diámetro de la copa). Se obtuvo la
nube de puntos del árbol y se comparó el método estándar contra el TLS. En los
resultados encontraron una fuerte relación entre los diámetros de la corona (R2 =
0,906) y entre las alturas de árboles totales (R2 = 0,868). Se calculó el volumen de la
copa por medio de cuatro métodos diferentes: casco convexo, casco convexo en rodajas
de 5cm de altura en el plano XY, triangulación de secciones planas XY y el modelado
vóxel. En el estudio se encontró mayor precisión con el uso del método vóxel para la
predicción de la biomasa resultante de poda (R2 = 0.731). Al igual Hopkinson, Chasmer,
Young-Pow & Treitz (2004), compararon datos LiDAR con medición de campo. Otro
estudio similar en donde compararon TLS con métodos alométricos para calcular
biomasa fue realizado por Seidel, Albert, Ammer, Fehrmann & Kleinn (2013).

A nivel nacional han sido pocos los casos de uso de la tecnología TLS, sin
embargo, cabe mencionar la gran utilidad que se le ha dado en casos como como el
estudio de la sierra El Mayor-Cucapah en el norte de México, posterior al terremoto de
7.2 Mw ocurrido en el 2010. En el estudio se obtuvieron datos para el análisis de la
ruptura de la superficie co-sísmica. Debido a la rápida adquisición de los datos de alta
resolución de LiDAR terrestre posterior al terremoto, pudieron captar detalles no sólo
de la ruptura de la superficie más reciente, sino también del penúltimo terremoto. Esta
información es un complemento valioso en el cual pueden basarse estudios futuros
(Gold et al, 2010)

28

A nivel local se combinó la tecnología del ALS y TLS para evaluar el impacto
hidrometeorológico causado por el huracán Alex en julio del 2010 en la zona
metropolitana de Monterrey. Crearon una nube de puntos 3D con la fusión de datos del
TLS y ALS usando diferentes pruebas de calidad de alineación entre los datos y el
cálculo de daños utilizando modelos digitales del terreno DTM y trabajo de campo, para
evaluar los daños en las carreteras y puentes en la ciudad. El estudio demostró que el
trayecto erosivo (de la zona evaluada) del huracán Alex fue mayor en aquellos lugares
donde la estructura de los puentes obstruyó la circulación del flujo natural del canal del
Río Santa Catarina. Tres de los puentes fueron removidos durante los primeros tres días
después del evento y más del 60% presentaron problemas de erosión. Al menos el 36%
de la carretera izquierda y el 16% de la carretera derecha que cruzan el puente,
colapsaron. De las pendientes unidas a los puentes (100m arriba y abajo del río) fueron
erosionadas un 64% las izquierdas y un 54% las derechas. Los pilares y cimientos
presentaron erosión en un 16% de los puentes, al menos 20% de ellos fueron
erosionados y el 4% derrumbados (Yépez et al, 2013).

2.3.4 LiDAR portátil

Como antecesor del LiDAR portátil se encuentra LiDAR móvil, el cual funciona
bajo la misma premisa que ALS, haciendo uso de un escáner láser, un GPS y una IMU,
además una cámara de video o fotográfica y un sistema computacional; se le denomina
móvil debido a que se encuentra montado sobre una plataforma vehicular (Williams et
al, 2013). Al igual que el LiDAR móvil, el LiDAR portátil (Fig. 14) trabaja bajo el mismo
principio con la diferencia que el operador es el portador del aparato.

Figura 14 Dispositivos LiDAR portátil. Bosse, Zlot & Flick (2012), faro.com

La mayoría de los sistemas existentes de LiDAR móvil están montados en
vehículos y requieren cobertura GPS fiable; por lo tanto, no son adecuados para
espacios delicados, donde los vehículos son inaccesibles, el área está restringida, bajo
tierra, o se trata de patrimonio cultural. El LiDAR handheld (HMLS) o LiDAR portátil,
genera mapas de nubes de puntos 3D de un entorno, ya sean interiores, exteriores o

29

subterráneos. El operador sostiene el dispositivo y camina a través del lugar en el cual
se desea realizar el levantamiento. Entornos complejos y de gran escala se pueden
escanear de forma relativamente rápida, requiriendo minutos u horas para capturar los
sitios que podrían requerir días o semanas con escáneres terrestres (Zlot et al, 2013).

Entre las ventajas del LiDAR portátil se puede destacar su eficiencia ya que
reduce el tiempo de adquisición y procesado de datos, su accesibilidad debido a que
puede usarse en lugares de difícil o imposible acceso para otros sensores, también
presenta la ventaja de poder realizar su uso en movimiento sin la necesidad de tener
que fijarlo en algún sito, es automatizado y el procesamiento de los datos y la obtención
de los mismos puede ser realizada por personal con mínimo entrenamiento, además las
nubes de puntos obtenidas son compatibles con datos recolectados con otros
dispositivos y con paquetes de software ya existentes. (Zlot et al, 2014)

A nivel mundial, esta tecnología ha sido usada por la Organización Científica e
Industrial de Investigación (CSIRO por sus siglas en inglés) para escanear elementos de
patrimonio cultural como la Torre de Pisa en Italia. El registro detallado a través de
estos medios es de gran ayuda para la preservación del patrimonio cultural del sitio
(Zwiten, 2013) así como para la toma de decisiones respecto a su uso.

Bauwens et al (2014), utilizó HMLS para obtener datos de inventario forestal. En
este estudio se compararon datos de TLS con los datos del HMLS, midiendo el tiempo
de registro y la calidad de la extracción automática del DAP.
El bajo peso y el pequeño tamaño del LiDAR portátil redujo el tiempo de los
preparativos pre-escaneo individual. El tiempo de registro dependió del tiempo
dedicado a escanear el terreno y fue de la misma magnitud que el escaneo individual.
La nube de puntos resultante del HMLS presentó mayor ruido que las nubes de puntos
del TLS, sin embargo, el error en las estimaciones de DAP fue similar al escaneo de una
parcela con un TLS posicionado en 5 lugares. Se concluyó que el HMLS posee un gran
potencial por su uso sencillo, ya que sólo necesita un operador para obtener resultados
similares a la extracción automática del DAP en el escaneo estático del TLS, teniendo
incluso el potencial de reducir el ruido en la nube de puntos cuidando detalles en la
metodología empleada para el levantamiento, lo que podría reducir el error cuadrático
medio del DAP.

2.4 Fotogrametría

Esta técnica consiste en la obtención de información de objetos físicos a través
de procesos de medición e interpretación de imágenes.

30

Liang et al (2014) realizaron un estudio en donde hicieron uso de la
fotogrametría para obtener el diámetro a la altura del pecho (DAP) de 278 árboles,
individualmente. Utilizaron una cámara compacta Samsung NX 300 sin calibrar; la
cámara fue sostenida por un operador aproximadamente a la altura del pecho, el
operador tomó una foto en una posición y se trasladó a la siguiente posición dando un
pequeño paso de 20cm aproximadamente. Fustes individuales fueron tomados y
modelados en nube de puntos basado en imágenes, utilizando el reconocimiento de
imagen automatizado del software comercial (AgiSoft LLC, St. Petersburg, Russia). Los
resultados obtenidos fueron comparados con mediciones de campo y con mediciones
derivadas de una nube de puntos realizada por un TLS. El experimento mostró que la
precisión de mapeo fue del 88%, y el error cuadrático medio de las estimaciones del
DAP de árboles individuales fue 2.39 cm, lo cual es aceptable para aplicaciones prácticas
y fue similar a los resultados obtenidos mediante TLS.

Las principales ventajas de los datos de nubes de puntos basados en imágenes
se encuentran en el bajo costo de los equipos necesarios para la obtención de datos, las
mediciones de campos simples y rápidos y el procesamiento automatizado de datos,
que puede importante para ciertas aplicaciones, como lo son los inventarios forestales.
Las desventajas de los datos de nubes de puntos basados en imágenes incluyen la
limitada capacidad de mapear pequeños árboles y rodales complejos. (Liang et al, 2014)

2.4.1 Structure From Motion (SFM)
Esta técnica de fotogrametría digital trabaja bajo el mismo principio básico que

la fotogrametría estereoscópica, esto es que resuelve estructuras en tres dimensiones
mediante la superposición de imágenes con cierto desplazamiento entre una y otra para
realizar una triangulación. Difiere de la fotogrametría estereoscópica en que la
geometría de la escena (nube de puntos), las posiciones de las cámaras y sus
orientaciones son resueltas de forma automática por lo cual se puede prescindir de
objetivos con posiciones conocidas para realizar la triangulación de las imágenes
(Westoby et al, 2012). Como se muestra en la fig. 15, los sets de imágenes a usar deben
tener un alto grado de superposición entre cada imagen ya que la reconstrucción de la
estructura tridimensional de la escena se realiza a través de la identificación automática
de características que coincidan en múltiples imágenes obtenidas desde diferentes
ángulos con la ayuda un sensor móvil.

Para la identificación de características correspondientes en diferentes
imágenes la solución más usada en SFM es el algoritmo Scale Invariant Feature
Transform (SIFT) de la familia de descriptores HOG (Histogram of Orientated
Gradients), este algoritmo encuentra descriptores o puntos clave invariables en cada
imagen respecto a su escala y rotación, y parcialmente invariables como cambios de las

31

condiciones de iluminación y proyección tridimensional (Lowe, 1999). Estos
descriptores se calculan mediante la dirección de los cambios de intensidad o
gradientes de la imagen en una representación ampliamente insensible a variaciones
de orientación e iluminación (Fig. 16). El número total de puntos clave presentes en una
imagen depende principalmente de la textura y resolución de la misma por lo cual a
mayor resolución se obtendrán mejores resultados en la triangulación de imágenes, de
esta manera prácticas como disminuir la distancia entre la característica de interés y el
sensor de captura de la imagen incrementará la resolución de las fotografías a obtener
y de la nube de puntos a generar. También importantes para mejorar la calidad de la
nube de puntos resultante son la densidad, nitidez y resolución del conjunto de
fotografías, en combinación con el rango de posiciones del sensor en las cuales se
obtienen las imágenes del objeto a modelar en 3D (Westoby, 2012).

Figura 15 Triangulación mediante la técnica de structure from motion (www.theia-sfm.org)
El ajuste bundle (bundle adjistment) utiliza los puntos clave para estimar la

posición de las cámaras y generar una nube de puntos dispersa o de baja densidad de
puntos. Además, a través del algoritmo Random Sample Consensus (Fischler y Bolles
1987), RANSAC por sus siglas en inglés, y de la búsqueda del vecino cercano
aproximando (approximate nearest neighbor en inglés) se establecen lazos entre los
puntos clave de unión de diversas imágenes para la generación de la nube de puntos;
donde haya un mínimo de dos descriptores entre al menos tres imágenes se usa esta
información para la reconstrucción, en el caso contrario se descarta su uso. De esta
forma se omiten de manera robusta datos falsos o de ruido (Moulon et al, 2012). Para
reducir los errores en la correspondencia de puntos clave y posiciones de cámaras se
utilizan los mínimos cuadrados no lineares.

32

El tiempo de procesamiento depende de las iteraciones del ajuste bundle,
generando mayor tiempo a mayor cantidad de fotografías y a mayor cantidad de
características de traslape (Snavely et al, 2008).

Figura 16 Acumulación en histogramas de orientación de acuerdo a gradientes de imágenes (Lowe,
2004)

La nube de puntos resultante tras la triangulación realizada por medio del uso
de la técnica SFM carece de una escala métrica y orientación normalmente dados por
coordenadas de puntos de control u objetivos; por la carencia de una escala absoluta, el
producto resultante, con una escala relativa, debe ser dimensionado con el sistema de
coordenadas de elementos de la escena ya sea mediante la relación entre el tamaño de
ciertos elementos o mediante la georreferenciación de puntos de control con el uso de
otros sensores como GPS e IMU (Scaramuzza et al, 2009).

La gran ventaja del método SFM sobre los métodos fotogramétricos
tradicionales digitales reside en la automatización de la totalidad del proceso de
reconstrucción de la escena, desde la detección de los puntos claves hasta la generación
de la nube de puntos (Westoby, 2012).

Para la generación del a nube de puntos densa resultante se utilizan
generalmente algoritmos con enfoque de múltiples vistas como Clustering Views for
Multi-view Stereo (CMVS por sus siglas en inglés) que fragmenta las imágenes con
sobreposición y Patch-based Multi-view Stereo (PMVS2 por sus siglas en inglés) que
reconstruye la información 3D a partir de los fragmentos generados por CMVS
(Furukawa y Ponce, 2007). La nube de puntos densa puede ser usada en una gran
diversidad de aplicaciones al presentar características similares a las nubes de puntos
obtenidas a partir de la tecnología LiDAR.

33

2.4.2 Sensores ópticos
Una imagen puede ser descrita como la variación de la intensidad de la luz o la

tasa de la reflexión de la posición en un plano. Una cámara es la pieza de un equipo que
captura una imagen o la graba. Para el uso de la técnica SFM se puede usar una amplia
gama de sensores ópticos, desde cámaras digitales compactas hasta cámaras réflex
digitales (DSLR por sus siglas en inglés).

En el sistema convencional de fotografía con haluro de plata, la información de
la imagen es convertida a señales químicas en un filme fotográfico y almacenado
químicamente en el mismo punto donde la conversión se lleva a cabo. Así un filme
fotográfico tiene una función de almacenar imágenes, así como la función de capturar
imágenes. Otro método de captura de imagen es el convertir la información de una
imagen en una señal eléctrica. En este caso un sensor de imagen sirve como dispositivo
de conversión. El sensor de imagen usado en el sistema de fotografía electrónica no
funciona como dispositivo de almacenamiento como lo hace el filme fotográfico con el
sistema de haluro de plata. Esto es el punto más significativo en lo cual se distinguen
los sistemas electrónicos de los sistemas químicos de haluro de plata (Fig. 17).

Figura 17 Diferencias entre cámara fotográfica de haluro de plata y cámara digital (Nakamura,
2005).

Naturalmente el sistema de cámara electrónica necesita otro mecanismo para
almacenar las señales de imagen. Dos métodos primarios han sido adaptados realizar
esta función de almacenamiento: análoga y digital. La cámara fotográfica análoga usa
un tipo de disquete que electromagnéticamente graba la señal de la imagen en forma
de señales de video. En las cámaras digitales las señales de imagen del sensor de imagen
son convertidas en señales digitales y almacenadas en un dispositivo de almacén digital,
como lo puede ser un disco duro, un disco óptico o memoria semiconductora. Entonces
una cámara digital se define como: una cámara que tiene un sensor de imagen para la
captura de imagen y un dispositivo de almacenamiento digital para almacenar las

34

señales de imagen capturadas. Usualmente la cámara digital incluye un subsistema
óptico y mecánico, un sensor de imagen y un subsistema electrónico. El subsistema
electrónico incluye análogo, procesamiento digital, y sistema de control de partes. Una
pantalla LCD, ranura de tarjeta de memoria, y conectores para comunicación con otro
equipo (Nakamura, 2005).

En las cámaras digitales de hoy en día la mayoría de los desafíos son el resultado
del muestreo de la información visual espectral, espacial, temporal y la tonalidad. El
muestreo espectral reduce la información de color disponible para ciertas longitudes
de onda de luz que pueden ser adquiridas por el sensor de imagen monocromático. El
muestreo espacial reduce el ángulo de vista que la cámara ve en un arreglo rectangular
de pixeles de la imagen capturada. Esto es realizado por un sensor de imagen que
representa una matriz bidimensional de puntos sensibles a la luz que graba el total de
intensidad de la luz que incide sobre su superficie. El muestreo de la tonalidad se
caracteriza por el proceso de cuantificación utilizado para representar la original
variación constante de la información visual mediante valores discretos. El muestreo
temporal caracteriza el tiempo de exposición del sensor a la luz por una determinada
cantidad de tiempo (Lucak, 2009).

Las imágenes digitales frecuentemente son corrompidas por “ruido” y
“artefactos” que significativamente degradan el valor de la captura de la información
visual.

2.4.3 Infrarrojo
Los diferentes tipos de luz son denotados por su longitud de onda. La longitud

de onda es la distancia entre las crestas o depresiones adyacentes. Los diferentes tipos
de luz tienen diferentes tipos de longitud de onda. Por ejemplo, la radiación infrarroja
tiene una longitud de onda mayor que la luz visible, pero es más corta que la longitud
de onda de las ondas de radio (Fig. 18).

Los haces de luz son compuestos de ondas electromagnéticas. La parte eléctrica
de la luz llamada vector eléctrico interacciona con moléculas para causar la absorción
del infrarrojo. La espectroscopia infrarroja es el estudio de la interacción de la luz
infrarroja con la materia (Smith, 1999).

En el campo de la fitopatología es de gran interés la interacción de la luz
infrarroja e infrarrojo cercano con la salud vegetal, ya que las células vegetales
superiores absorben la luz para realizar la fotosíntesis. En la actualidad, la fluorescencia
de clorofila-a es una herramienta útil como método no invasivo para monitorear salud
vegetal. Además de ser una metodología no destructiva, esta técnica tiene las ventajas
de ser rápida y altamente sensible (Cordon, 2009).

35

Figura 18 Espectro electromagnético

Persson et al (2004), hicieron uso de imágenes digitales de infrarrojo cercano
junto con datos láser para identificar especies de árboles individuales. En el estudio
delinearon las copas de árboles individuales, estimaron la altura del árbol y el área de
la corona a partir de datos de láser, e identificaron la especie del árbol delineado
coronas añadiendo datos de imágenes digitales del infrarrojo cercano ya que las
imágenes del infrarrojo cercano son útiles para la separación entre coníferas y
árboles de hoja caduca (Lillesand y Kiefer, 1994). Los resultados indicaron que las
imágenes del infrarrojo cercano proporcionan información útil para la clasificación de
especies de árboles.

Meyera et al (1996), realizó un estudio para la clasificación semiautomatizada
de especies forestales desde fotografías aéreas digitales a gran escalada con filtro
infrarrojo con el fin de simular las imágenes de los futuros sensores con alta capacidad
de resolución espacial (por debajo de 0,5 m). El enfoque aplicado de clasificación
asistido por una computadora consistió en árbol por árbol en donde: digitalizaron las
formas de la corona (polígonos); realizaron una clasificación real dentro de estos
polígonos; determinaron la clase más frecuente dentro de los polígonos; y realizaron el
llenado de los polígonos con esta clase particular. Un promedio de alrededor de 80% de
los árboles pudo ser clasificado correctamente.

2.5 Vehículos aéreos no tripulados

La tecnología de vehículos aéreos no tripulados (VANT), autónomos o vehículos
teledirigidos, equipados con cámara fotográfica y video, ha venido a revolucionar la

36

fotografía aérea, y con ello los múltiples usos que se le puede dar a la fotografía. En
primera instancia los VANT fueron empleados en el ámbito militar para llevar a cabo
misiones de ataque, reconocimiento y apoyo a tropas del ejército; afortunadamente hoy
en día los VANT de uso civil han sido de mucha utilidad para la ciencia. En España
existen los proyectos de uso de VANT para la extinción nocturna de incendios
forestales, así como otras diversas aplicaciones como el monitoreo de la calidad del aire,
cartográficas, prospección y explotación de recursos minerales, hidrológicas, agrícolas,
para seguimiento fitosanitarios de masas forestales, para la gestión del patrimonio y
herencia cultural, aplicaciones en la seguridad al control de fronteras, entre otras
(Herreros et al, 2015).

En otras partes del mundo también se está utilizando ampliamente esta
tecnología. Oczipka et al (2009), realizaron un estudio de geoarqueología utilizando
pequeños drones para localizar y documentar el patrimonio arqueológico del valle del
Orkhon en Mongolia. Grenzdörffer et al (2008), hicieron uso de la tecnología de micro-
VANT (es decir VANT menor a 5kg) para realizar un estudio en donde midieron el
potencial fotogramétrico de los VANT de bajo costo en el área forestal y la agricultura.
Reportaron un alto potencial fotogramétrico para la georreferenciación directa de
Micro-VANT; encontraron que este potencial está limitado y determinado por la
precisión del GPS/INS y la altura de vuelo. Otro estudio en donde recurrieron a la
tecnología dron para realizar fotogrametría fue hecho por Price y Ballow (2015) para
la medición de la morfología del canal arroyo Proctor Creek en Atlanta y su respuesta a
eventos de alto flujo, utilizaron el dron DJI Phantom 2 + Vision y el software Agisoft
Photoscan para la captura fotográfica y el análisis fotogramétrico del mismo, sus
resultados mostraron una gran promesa para los métodos de fotogrametría dron.

En área forestal Díaz et al (2015), realizaron un estudio utilizando un VANT de
bajo costo para la estimación de los parámetros de la arquitectura de la copa de árbol
del olivo (altura del árbol y diámetro de la copa) por medio de la reconstrucción
fotográfica usando modelo digital de superficie y la técnica structure from motion, sin
objetivos de referencia. Sistemas de información geográfica y clasificación basada en
objetos fueron usados para calcular los parámetros del árbol. Los resultados obtenidos
mostraron una alta concordancia entre las medidas de detección remota y las
mediciones de campo de los parámetros de la copa.

Lisein et al (2013), hicieron uso de sistemas aéreos no tripulados de pequeño
tamaño para capturar imágenes aéreas de baja altitud, esto con el fin de realizar un
modelaje de superficie de la cobertura vegetal utilizando el método fotogramétrico
structure from motion. El flujo de trabajo se realizó por medio de herramientas
fotogramétricas de código abierto y la correlación automática de puntos de control

37

entre imágenes (Multi Image Matches for Auto Correlation Methods, MICMAC). Además,
utilizaron un conjunto de datos de ALS capturados previamente para determinar la
elevación de la vegetación. Alinearon los datos obtenidos resultando un modelo de
superficie de cobertura vegetal hibrido foto-LiDAR. Los resultados fueron comparados
con los datos del inventario forestal de la zona de estudio y con un modelo de altura
vegetal de los datos LiDAR. El estudio confirmó que las imágenes tomadas por sistemas
aéreos no tripulados de pequeño tamaño combinadas con modelo de terreno digital
LiDAR son prometedoras para la medición de la altura de los bosques. En uso de
herramientas de código abierto y MICMAC concluyeron que se adaptan muy bien a los
requisitos de ajuste para superar problemas importantes experimentados al
emprender fotogrametría en las zonas forestales. La distancia entre las alturas del
modelo de superficie digital con fotometría y el modelo de superficie digital con LiDAR
fue de 4.8 m.

38

3 IMPORTANCIA E HIPÓTESIS
3.1 Importancia del estudio

Debido a que la colecta en campo de los parámetros de inventario forestal a
partir de métodos tradicionales involucra elevados costos, requiere de largos plazos de
tiempo para su toma, es susceptible a errores operacionales y en ocasiones se realiza
en sitios de difícil acceso, se ha incrementado el interés en métodos complementarios
para el levantamiento de datos que proporcionen información fundamental para el
manejo adecuado de estos ecosistemas.

3.2 Hipótesis
La tecnología LiDAR portátil y los métodos de fotoreconstrucción 3D proveerán una

alternativa precisa (α = 0.05) para la adquisición de parámetros de estimación de
biomasa aérea en comparación con el método tradicional forestal.

39

4 OBJETIVOS
4.1 Objetivo general

Comprobar la precisión de la captura de datos de cinco métodos alternos al
método forestal tradicional para la toma de parámetros de estimación de biomasa aérea
a través de información digital 3D levantada y reconstruida por medio de sensores
remotos y VANT.
4.2 Objetivos específicos
1. Obtener parámetros de estimación de biomasa aérea en campo (DAP, altura
total, diámetro de copa) mediante la aplicación del método tradicional forestal.
2. Derivar parámetros de estimación de biomasa aérea a partir de datos 3D
generados mediante el uso en campo de sensores remotos (LiDAR portátil y cámara
fotográfica a color e IR) a nivel de suelo y en plataformas VANT.
3. Evaluar los resultados de los parámetros de estimación de biomasa área
obtenidos mediante el uso de percepción remota y VANT, a través de la comparación
con la metodología usada para el método tradicional forestal.

40

5 MATERIAL Y MÉTODOS
5.1 Diagrama de flujo metodológico

En la Fig. 19 se muestra de manera condensada la secuencia de pasos para la
elaboración de la metodología de este proyecto. Estos serán explicados a detalle en este
capítulo.

Figura 19 Proceso metodológico para extracción y comparación de parámetros forestales a través
de sensores remotos

Como se aprecia en la Fig. 19, la primera fase consistió en la recolección de los datos,
tanto de las mediciones manuales como de las nubes de puntos. El levantamiento se
realizó por medio de seis metodologías, las cuales fueron: el método tradicional
forestal, LiDAR portátil, fotografías RGB a nivel del suelo, fotografías IR a nivel del suelo,
fotografías RGB desde VANT y fotografías IR desde VANT. El objetivo de esta
recolección de datos fue obtener los parámetros forestales de diámetro a la altura del
pecho, diámetro de copa y altura total de una muestra de árboles (fase 2) a través del
método tradicional forestal y uso de sensores remotos para finalmente, en la fase 3,
estimar a partir de estos la biomasa aérea presente en la muestra. Con los datos
obtenidos se comparó el método manual (método tradicional forestal) contra los
métodos de sensores remotos para determinar su precisión y practicidad.

41

5.2 Área de estudio
El experimento se llevó a cabo en el Camus Monterrey del Instituto Tecnológico

y de Estudios Superiores de Monterrey. De las 57.80 ha correspondientes al campus, el
39.31 % corresponden a jardines que conforman áreas verdes, de las cuales el 65.76 %
están cubiertas por copas de árboles, las cuales presentan diámetros de entre 0.80 hasta
26.20 y alturas desde 1.03 a 25.60 m. Dentro de las especies que conforman el arbolado,
19 corresponden a plantas nativas (959 árboles) y 39 son introducidas (1,616 árboles).
Las especies más frecuentes son el fresno (Fraxinus americana L.) y el encino siempre
verde (Quercus fusiformis Small) (Yépez y Lozano, 2014).

La toma de datos se realizó en dos fases entre los meses de julio y agosto de
2015, conformando un polígono de 35 x 100 m con área de 3500 m2 (Fig. 20),
aproximadamente el doble del área que la superficie de muestreo de un conglomerado
con dimensiones sugeridas por el INFyS para bosques y zonas áridas (Fig. 21).

Figura 20 Localización geográfica de zona de estudio dentro del estado de Nuevo León, área
metropolitana de Monterrey e ITESM Campus Monterrey. Elaboración propia

42

El cambio en el arreglo de las muestras fue dado debido a que bajo esta
configuración se podía incluir en el análisis un mayor número de árboles de acuerdo a
su disposición en la limitada área de muestreo. La ubicación del área de estudio
corresponde a un sitio donde el flujo de personal del campus es nulo, de tal forma que
se lograra asemejar las condiciones para la toma de datos del arbolado en zonas no
urbanas y a su vez, se evitara afectar el tránsito estudiantil en aéreas ajardinadas de
mayor recurrencia, lo cual podría generar un incremento en el nivel del error de las
muestras obtenidas mediante los sensores remotos. El estudio se enfocó en las especies
correspondientes al género Quercus, dada su amplia dominancia en el bosque urbano
analizado y a la disponibilidad de ecuaciones locales para el cálculo de biomasa aérea.
Se trabajó con individuos de DAP mayor a siete centímetros.

Figura 21 Sobreposición de muestras. En color rojo el área de estudio (35 x 100 m) y en color
amarillo muestras circulares de radio de 11.28 m (INFyS)
43

5.3 Método forestal tradicional

Se obtuvieron las posiciones de cada árbol por medio de un GPS Garmin GPSMAP
64s. Se contabilizaron y determinaron los géneros y especies de 26 árboles. Las
mediciones obtenidas en campo a través del método forestal tradicional fueron altura
total (HA), diámetro a la altura del pecho (DAP) y diámetro de copa del árbol (DC). El
parámetro de altura se midió obteniendo la media de lecturas a través de un telémetro
láser Nikon LRF Forestry Pro y clinómetro SUUNTO, para lo cual la distancia horizontal
del observador al árbol varió dependiendo de la altura del mismo. El diámetro de copa
se obtuvo mediante el promedio de las mediciones norte-sur y este-oeste realizadas con
una cinta métrica KESON de fibra de vidrio. Para el diámetro a la altura del pecho se
midió la circunferencia del tronco a una altura de 1.3 metros con una cinta diamétrica
metálica Spencer Logger’s.

5.4 LiDAR portátil

5.4.1 Características y funcionamiento de ZEB1
El levantamiento de datos se realizó entre los meses de julio y agosto de 2015

mediante el sistema LiDAR portátil ZEB1 (fig. 22) de la compañía GeoSLAM Limited; las
características del aparato se presentan en la tabla 1.

Tabla 1 Especificaciones de LiDAR portátil

Características de ZEB1

Rango máximo Arriba de 30m (15 m en exteriores)

Precisión ±0.1% (± 30 mm)

Puntos por línea de escaneo 1080 (0.25° interval)

Campo de visión Horizontal 270°

Vertical ~100° (approx)

Tasa de escaneo 40 líneas/s = 43200 puntos/s

Rango de ruido de escaneo ± 30mm
Clasificación de seguridad del láser CLASS 1 Eye Safe
(21 CFR 1040.10 and 1040.11)
Longitud de onda del láser 905nm
Condiciones de operación
Temperatura 0° C to +50° C
Consumo de poder Humedad <85% RH
Peso 12V DC aprox. 1.5 ª
Unidad portátil (UP) 665 gr

Dimensiones UP 60 x 60 x 360 mm
Vida de batería ~ 5 horas continuas de uso

El ZEB1 (es un sistema de sensor 3D, construido a partir de un escáner Hokuyo
UTM-30LX gama 2D de láser de tiempo de vuelo acoplado rígidamente a una IMU

44

MicroStrain 3DM-GX3 MEMS y montado sobre un resorte. El mecanismo de articulación
pasiva al movimiento genera aceleraciones y vibraciones del cuerpo del escáner
convirtiendo el movimiento natural del operador en movimiento no determinante del
escáner sobre el resorte, ampliando así el campo de visión del dispositivo para poder
generar datos en 3D (Bosse et al, 2012), como se muestra en la fig. 22.

Figura 22 LiDAR portátil ZEB1. a) ZEB1 junto a unidad de almacenamiento de datos b) inicio de
recorrido, c) y d) funcionamiento del ZEB1 en movimiento

5.4.2 Levantamiento de datos
El diseño del levantamiento dependió de la configuración del área de cada fase,

al presentar diferente disposición del terreno y posición de los árboles. En la fase 1
norte el patrón consistió en tres transectos (fig. 23a) para formar una trayectoria en
forma serpenteante de 360 m a lo largo del área de estudio de tal forma que el sensor
obtuviera la información de ambas caras de los árboles a muestrear. La fase 2 sur
consistió de un trayecto de 550 m, el cual se formó de tres transectos (fig. 23b) en
variadas disposiciones para sortear la infraestructura existente en la zona. Los
principales requisitos para la toma de datos con el ZEB1 son que el operador ande a la
velocidad que normalmente camina para que la oscilación del aparato tome
aproximadamente dos segundos (un segundo de ida y uno de vuelta), de no ser así, en
primera instancia el sensor indica a través del led de estatus que no se encuentra a la
velocidad adecuada y detiene el escaneo en caso de pasar por alto la advertencia;

45

además, se deben de evitar objetos en movimiento dentro de la escena a capturar,
puesto que la presencia de estos degrada la precisión de la nube de puntos generada,
siendo un escenario estático el que proporciona mejores resultados; en el trayecto a
escanear se deben de generar al menos una o varias sobreposiciones o loops, ya que
estas sirven para la construcción de la nube de puntos al momento del
preprocesamiento de los datos; por último, para asegurar que al menos exista un loop
en los datos, el recorrido debe de terminar en la posición en la que se comenzó.

a) b)

Figura 23 Trayectoria de recorrido en a) fase 1 norte, b) fase 2 sur. El color rojo indica el inicio
del muestreo, mientras que el azul, el final de este.

5.4.3 Preprocesamiento datos LiDAR
Los datos levantados con el sensor fueron enviados al proveedor (GeoSLAM

Limited), el cual, por medio de un algoritmo gradual 3D de localización y mapeado
simultáneos (SLAM) reprodujo la trayectoria del levantamiento en seis grados de
libertad (6GdL), así como el flujo de datos inercial para a partir de estos generar una
nube de puntos 3D. A través de la red se envían al usuario los datos de las posiciones en

46

los ejes XYZ (nube de puntos 3D) de la escena, así como datos de la trayectoria, ambos
en formato de nube de puntos y de mesh, laz y ply, respectivamente.

5.5 Sensores de imagen

5.5.1 Características de Nikon Coolpix P520
Las fotografías RGB a nivel del suelo se obtuvieron entre los meses de julio y

agosto de 2015. Se utilizó una cámara digital compacta Nikon Coolpix P520 (fig. 24),
sus características se muestran en la tabla 2.

Tabla 2 Especificaciones de cámara fotográfica

Características de NIKON Coolpix P520

Pixeles efectivos 18.1 millones

Sensor de imagen CMOS

Tamaño del sensor 1/2.3 pulgadas

Tamaño de imagen (píxeles) 4896 x 3672

Lente Lente de cristal NIKKOR zoom óptico 42x

Distancia focal del lente 4.3-180 mm (fov equivalente al del lente de

24-1000 mm en formato de 35 mm)

Número f/ del lente f/3-5.9

Apertura Diafragma de iris de 6 láminas controlado

electrónicamente

Obturador Obturador mecánico y electrónico CMOS

Velocidad del obturador 1/4000 a 1 s

1/4000 a 8 s (cuando la sensibilidad del ISO se

fija en 80 o 100)

Sensibilidad ISO ISO 80-3200

H1 (equivalente a 6400) disponible cuando se

utiliza el modo Programa, Escena, Enfoque,

Automático o Manual)

Automático de rango fijo (ISO 80-400, 80-800)

Dimensiones (aproximadas) 125.2 mm de ancho x 84.1 mm de alto x 101.6

mm de profundidad

Peso (aproximado) 550 g con batería y memoria SD

GPS Sí (incorporado)

5.5.2 Captura de fotografías RGB a nivel de suelo

Para la obtención de las fotografías a color (RGB) a nivel del suelo se utilizó la
cámara en modo automático debido a la practicidad de su uso, de tal forma que
cualquier operario pudiera manejar el instrumento. El ajuste de distancia focal del
sensor correspondió a 30 mm equivalentes a los del lente de 24-1000 mm en formato
de 35 mm. Se tomaron 235 fotografías para la fase 1 norte (fig. 25a) y 342 en la fase 2

47

sur (fig. 25b). Ambos sets de fotografías fueron realizados alrededor del área de interés
a un ritmo de una fotografía cada metro (dos pasos promedio).

Figura 24 Nikon Coolpix P520 usada para captura de fotografía a color, b) y c) fotografías de
construcción de set a color

Se procuró mantener constante la posición de la cámara con respecto al
operador maniobrándola a una altura de 1.6 m y apuntando con el lente en un ángulo
recto hacía la escena. La distancia horizontal promedio desde la posición de la cámara
fotográfica al objetivo fue de 3.5 m y se mantuvo un traslape del 70% entre cada
fotografía contigua.

48

Figura 25 Recorrido de toma de fotografías a color a nivel del suelo alrededor de la escena en a)
fase 1 norte y b) fase 2 sur. Las líneas negras y cuadros azules representan la posición donde fue

tomada cada fotografía.
5.5.3 GoPro

El sensor de imagen utilizado tanto para las fotografías IR a nivel del suelo, como
para las imágenes RGB e IR desde un VANT, fue una cámara GoPro versión HERO 3+
Black Edition (fig. 26), al igual que en las fotografías a color a nivel de suelo, este
continuo de fotografías fue tomados entre los meses de julio y agosto de 2015, las
especificaciones de la cámara se muestran en la en la tabla 3.

49

Tabla 3 Especificaciones de cámara usada para sets IR, RGB e IR aéreos

Características de GoPro Hero 3+ Black Edition

Pixeles efectivos 12 millones

Sensor de imagen CMOS

Tamaño del sensor 1/2.3 pulgadas

Tamaño de imagen (píxeles) 4000 x 3000

Lente Objetivo de cristal asférico ultranítido de 6

elementos

Distancia focal del lente Panorámico: 14 mm

Medio: 21 mm

Angosto: 28 mm

Número f/ del lente f/2.8

Velocidad del obturador 1/8192 s

1/2 s

Sensibilidad ISO ISO 400-6400

Dimensiones (aproximadas) 59 mm de ancho x 41 mm de alto x 21/30 mm

de profundidad (la profundidad varía si se

toma en cuenta el lente)

Peso (aproximado) 74 g

GPS No

Figura 26 En a) se muestra la cámara GoPro utilizada para la toma de los sets fotográficos, b) y c)
muestran la cámara en uso en campo

5.5.4 NDVI InfraBlu22
Para la toma de las fotografías en IR se adaptó a la cámara un lente NDVI InfraBlu22 de
IR-PRO, este lente (específico para GoPro 3+) permite que el sensor de la cámara
detecte la energía electromagnética del infrarrojo cercano que originalmente era
bloqueaba por el lente de la cámara. En la fig. 27 se observa la transmitancia del lente,
para el cual sus especificaciones estimadas se encuentran entre los 400 a 560 nm y 688
a 740 nm.

50