Tesis

Figura 27 Transmitancia de lente NDVI InfraBlu22 respecto a su longitud de onda
5.5.5 Captura de fotografías IR a nivel de suelo
La metodología para la toma de las fotografías IR a nivel de suelo fue similar a aquella
utilizada para la toma del set de fotos a color a nivel del suelo con la diferencia que en
este caso se usó la cámara GoPro con el filtro InfraBlu22, además, se realizó una
vinculación WiFi entre la cámara y un teléfono móvil para visualizar en tiempo real las
fotografías obtenidas (fig. 28 y fig. 26b y c). Se mantuvieron los mismos parámetros,
fotografías alrededor del área de interés (fig. 28), una fotografía por cada metro, 70%
de empalme entre fotografías contiguas, posición de cámara y distancia a objetivo
constantes. En la fase 1 norte se tomaron 119 fotografías IR a nivel de suelo mientras
que en la fase 2 sur el set constó de 397 fotografías (fig.29).

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

5.5.6 DJI Phantom 2
Para las fotografías aéreas se requirió de un VANT en el cual se montó y

estabilizó una cámara GoPro para la toma de las fotografías, este fue un DJI Phantom 2
(fig. 30). Las especificaciones del aparato usado en este estudio se encuentran en la
tabla 4.

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

Tabla 4 Especificaciones de VANT usado para sets RGB e IR aéreos

Características de VANT DJI Phantom 2

Peso 1000 g con batería y propelas

Precisión de vuelo Vertical: 0.8 m

Horizontal: 2.5 m

Velocidad angular de giro máxima 200 °/s

Ángulo de inclinación máximo 35 °

Máxima velocidad de ascenso y descenso Ascenso: 6 m/s

Descenso: 2 m/s

Máxima velocidad de vuelo 15 m/s

Longitud diagonal 350 mm

Tiempo de vuelo 25 min

Peso de despegue ≤1300 g

Temperatura operacional -10 °C ~ 50 °C

Tipo de batería DJI Smart Battery

GPS Sí

5.5.5 Captura de fotografías aéreas RGB e IR
Previo al vuelo, se diseñó el plan del mismo y la toma de fotografías. Se consideró

un periodo de 1 seg entre cada fotografía manteniendo un alto porcentaje de
sobreposición de las fotos de tal forma que se conservara como mínimo un 70%.
Además, se estableció la altura a la cual volaría el VANT, la cual fue definida entre 30 a
40 m, considerando la altura máxima aproximada de los árboles de la zona, así como la
infraestructura cercana. Esta configuración se realizó en el software Ground Station
4.0.11 (fig. 31) de la compañía DJI, el cual, a través de una antena bluetooth de 2.4 GHz,
se conecta a una computadora personal por medio de un puerto usb y manda las
instrucciones del diseño de ruta al VANT.

En la fase 1 norte se tomaron 452 fotografías aéreas RGB y 164 en IR. Para la fase
2 sur los sets de fotos contaron con: 409 fotografías a color y 326 fotografías IR. La

53

única diferencia entre los vuelos para obtener fotografías a color o IR consistió en el
cambio del lente original de la cámara por el NDVI InfraBlu22.

Figura 31 Interfaz de software Ground Station 4.0.11 y plan de vuelo
5.6 Fotorreconstrucción 3D

Para la reconstrucción de las nubes de puntos a partir de fotografías (RGB a nivel
de suelo, IR a nivel de suelo, RGB aérea e IR aérea) se usó el software comercial
PhotoScan 1.1.6 de Agisoft en su versión profesional. Este software aplica la
metodología fotogramétrica de structure-from-motion. El procesamiento consistió en
el ingreso de los sets fotográficos, obtenidos por cada sensor, al software para su
posterior alineamiento. PhotoScan reconoce los tipos más comunes de archivos de
imágenes y fotografías, entre ellos JPEG, TIFF, PNG y BMP. El alineamiento se realizó de
manera automática, de acuerdo a ciertos parámetros indicados por el usuario, mediante
la búsqueda de puntos en común de tal manera que el software encontrara la posición
de la cámara para cada fotografía del set y creara una nube de puntos dispersa a través
de la cual se pudiera visualizar si había sido efectivo el alineamiento de las cámaras.
Una vez que se obtuvieron las posiciones de las cámaras y las nubes de puntos dispersas
de cada set, se procedió a realizar la reconstrucción en 3D mediante la construcción de
la nube de puntos densa; al igual que el alineamiento, ese procedimiento se realiza de
manera automática con precisas instrucciones.

El software ofrece la opción de realizar el alineamiento a tres distintos niveles
de precisión, alta, baja y media, así como la opción de activar o desactivar el tomar en

54

cuenta coordenadas de las fotos o realizar el alineamiento únicamente con las fotos que
presenten sobreposición en lugar de analizar y buscar puntos en común en todo el set
de fotografías. Para los cuatro sets se seleccionó la opción más alta de precisión ya que
las opciones restantes reducen la precisión por escalas de factores. Además, se
deshabilitó la comparación únicamente entre fotografías contiguas y coordenadas de
fotos.

La calidad de la nube de puntos densa se puede ajustar a diversos niveles
(lowest, low, medium, high y ultra high). Entre mayor calidad tenga este parámetro se
obtiene una geometría más detallada y precisa. En este proyecto se utilizó la calidad
media ya que no se contaba con un equipo que cumpliera las especificaciones
recomendadas para el procesamiento de nubes de mayor calidad (16 gb RAM y
procesador Intel Core i7). El hardware utilizado para las reconstrucciones contó con 4
a 8 GB de ram y tarjeta de video Nvidia Geoforce con Cuda, así como sistema operativo
Windows 7.

Además de los pasos anteriores para obtener resultados de buena calidad se
debió considerar el:

-Evitar la modificación de las fotografías (recortarlas o realizarles
transformaciones geométricas) dado que el software opera directamente con las fotos
originales y las modificaciones producirían distorsiones en los resultados.

-Evitar objetos sin textura, brillantes, reflejantes o transparentes. Motivo por el
cual se aplicaron máscaras al edificio de CEDES del Tecnológico de Monterrey, que se
encuentra en promedio a 30 y 50 m al este del área de estudio.

-Evitar superficies o escenas completamente planas dado que al algoritmo que
usa el software se le dificulta encontrar puntos en común en muestras muy
homogéneas.

-Excluir ciertos objetos que no se desean incluir en el cálculo de la
reconstrucción. En el caso de los sets a nivel del suelo fue necesario aplicar máscaras
en pixeles que se deseaban omitir para la fotorreconstrucción, como fue el caso del
cielo, panorámicos y edificaciones cercanas.

5.7 Georreferenciación

Para el registro de las nubes de puntos se realizaron cuatro levantamientos
geodésicos en cada extremo de las parcelas, se utilizó un GPS Magellan ProMark 500 de
Magellan. Los puntos fueron corregidos con la estación Mty2 de la Red Geodésica
Nacional Activa para lo cual se utilizó el programa GNSS Solutions. A partir de estos
datos se georreferenciaron las nubes de puntos obtenidas mediante el uso del ZEB1 y
fueron usadas como referencia en el alineamiento de las nubes restantes en el software

55

opensource CloudCompare V 2.6.2 (http://www.danielgm.net/cc/), el cual es un
programa de procesamiento de nubes de puntos densas. Para el alineamiento de las
nubes de puntos se utilizó la herramienta Align, la cual permite registrar con alta
precisión dos entidades por medio de la selección de al menos tres puntos en común.
Esta herramienta permite determinar el error medio cuadrático de la distancia que
existe entre cada par de puntos después del registro al calcular la raíz cuadrada del
valor medio del cuadrado de las distancias, como se muestra en la siguiente ecuación:

RMS = sqrt (sum(Di^2) / N)

Donde RMS = error medio cuadrático; Di = distancia; N = Cada par de puntos del registro

5.8 Clasificación

Posterior al alineamiento de las nubes de puntos resueltas a partir de
fotorreconstrucción, se procedió a realizar la clasificación de los datos de las cuatro
nubes de puntos. Las clases tomadas a consideración fueron suelo y árboles, necesarias
para obtener los parámetros forestales de manera automática en el software 3D Forest
(http://www.3dforest.eu/) y de forma manual a través de la medición directa en
software de edición de nubes de puntos. La clasificación fue realizada con el plugin
CANUPO (http://nicolas.brodu.net/en/recherche/canupo/), Classifier Training Based
on Multiple-Scale Dimensionality dentro del software CloudCompare. Esta herramienta
detecta características dimensionales a través de distintas escalas, es decir, detecta el
aspecto geométrico de ciertos componentes de la nube de puntos en diferentes
unidades de área, logrando determinar si presentan una forma linear (1D), planar (2D)
o tridimensional (3D) (fig. 32) para usar los parámetros de discriminación de puntos
mediante la comparación de todas las escalas, generando una clasificación dicotómica
(Brodu y Langue, 2012).

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).

Para la generación del filtro de clasificación entre suelo y árboles fue necesario
entrenar al clasificador (SueloArb.prm) del plugin CANUPO en CloudCompare, esto se
realizó por medio de la disección de muestras que representaran puntos pertenecientes

56

a la categoría de suelo (M1Suelo.las) y correspondientes a árboles (Arb1.las) para
obtener un filtro que lograra diferenciar la geometría de los elementos a cierta cantidad
de escalas. Dadas las características de las nubes de puntos analizadas se utilizaron 10
escalas que comprendieron esferas desde 5 cm (considerando el tamaño de troncos
mayores a 7 centímetros) hasta 50 cm (contemplando que, dentro de una esfera de
estas dimensiones, los puntos del suelo y de los árboles presentan grandes diferencias
geométricas), en un intervalo lineal de cada 5 cm (5 cm, 10 cm, 15 cm… 50 cm). Para
identificar la geometría de los elementos una vez que usa las muestras, el clasificador,
pone a prueba la clasificación en las nubes de las clases asignadas, de tal modo que
genera un reporte con la cantidad de puntos que fueron correctamente clasificados y
aquellos en los que se encontraron errores, pudiendo de esta forma determinar el
balance de la precisión.
5.9 Reducción de ruido

Las cinco nubes de puntos generadas a través de LiDAR portátil y
fotorreconstrucciones fueron ingresadas a un proyecto de CloudCompare para eliminar
los puntos de ruido, puntos ubicados en las periferias del área de estudio y outliers o
puntos aislados de la nube de puntos principal (Fig. 33). Esta tarea se realizó mediante
la herramienta de segmentación Cross Section, la cual define los límites de las nubes de
puntos y fue usada para eliminar outliers; Label Connected Components, que segmenta
las nubes de puntos en partes asignadas por una distancia mínima de tal forma que se
consigue eliminar gran parte del ruido en la nube de puntos; y la herramienta de
Segment, la cual permite al usuario segmentar interactivamente desde distintas
orientaciones las entidades seleccionadas definidas por polígonos 2D. Esta última
herramienta fue usada para eliminar puntos que se encontraran fuera de los polígonos
bajo estudio.

Figura 33 Valores extremos presentes en nubes de puntos.

57

5.10 Obtención de parámetros forestales

Una vez que se contó con las nubes de puntos individuales del terreno y árboles,
éstas fueron ingresadas al software 3D Forest, el cual tiene el fin de producir
información detallada acerca de rodales y árboles por medio del empleo de nubes de
puntos LiDAR (Krůček et al, 2015). Dado la relativa similitud de la escala de la
información obtenida a través del LiDAR móvil y la fotorreconstrucción, este software
permitió realizar el procesamiento de los parámetros forestales para ambas técnicas.

5.10.1 IDW
Por cada nube de puntos producida por los distintos sensores se realizó un

proyecto, en el cual se introdujo en primer lugar los resultados de la clasificación del
terreno. Dado que estas nubes de puntos presentaban huecos de información
generados por la ausencia de los árboles y objetos que se encontraban sobre el suelo,
se procedió a realizar una interpolación de esta nube de puntos. Para este
procedimiento se utilizó la herramienta IDW, Inversed Distance Weighted, completando
la información respecto a puntos de terreno que rodea esos huecos. Ya que la finalidad
de esta nube de puntos fue ubicar el punto más bajo de los árboles, no fue necesario
mantener una alta densidad de puntos que conservaran exhaustivos detalles de la
misma, motivo por el cual se seleccionó una resolución de interpolación de 20 cm y 10
puntos cercanos. Estos puntos cercanos sirven para estimar el valor de Z de los huecos
de información, mediante la siguiente fórmula:

Donde Z = nuevo valor de coordenada; Zi = valor Z de coordenada conocida; Wi =
distancia de i punto al nuevo punto y n = número de puntos circundantes (Krůček et al,
2015)

5.10.2 Segmentación de árboles
Del resultado de la clase de árboles se aisló individualmente a cada individuo

con el objetivo de generar una nube de puntos nueva a partir de cada árbol. Este
procedimiento se realizó con la herramienta Segment (CloudCompare) de descripción
detallada en la sección 5.9. Se asignó una etiqueta numérica al nombre de cada nube de
puntos bajo el prefijo ARB seguido de un número, coincidiendo con las etiquetas usadas
en el levantamiento de los datos por medio del método forestal tradicional.

58

5.10.3 Posición de puntos más bajos
Se ingresaron las nubes de puntos de los árboles a cada proyecto de 3D Forest y

se calcularon los puntos más bajos de cada árbol en relación a las nubes IDW generadas
a partir de puntos del terreno. Este proceso se realizó mediante la herramienta
Trees>Position Lowest Points. El generar estos puntos fue requisito para la activación
del resto de opciones de cálculo de los diferentes parámetros de árboles. Los valores XY
se obtienen a través de la mediana de las coordenadas de los puntos verticales ubicados
a cierta distancia sobre los puntos más bajos de la nube de puntos. Los valores de Z son
el resultado de la mediana de los valores de Z de los N puntos cercanos del terreno,
parámetro también indicado por el usuario dependiendo de la forma de los troncos. En
este estudio se usó un valor de 60 cm para posicionar el valor en XY y 5 puntos para
establecer la posición en z.

5.10.4 DAP
Para el cálculo automático del diámetro a la altura del pecho se utilizó una

submuestra de puntos del árbol correspondiente a los ubicados entre la rodaja de 1.25
y 1.35 m sobre la base. Se utilizó la transformación aleatoria de Hough, RHT para el
cálculo de este parámetro. Mediante este método se busca el posible centro para cada
punto que compone esta submuestra, donde el centro del círculo más frecuente es
seleccionado mediante interacciones como el centro resultante (Xu y Oja, 1993).

En las nubes de puntos de fotorreconstrucciones desde VANT debido a la
ausencia de información en cuanto al parámetro de DAP se procedió a realizar una
estimación indirecta a partir de los parámetros fotogramétricos de altura y diámetro
de copa. Para esta operación se aplicó la ecuación del encino sésil (Quercus petraea L.),
la cual fue desarrollada por Balenović et al (2012) para una localidad de Croacia. La
fórmula se describe a continuación:

DAP = -6.85 + 2.68*DC + 1.13*HA

Donde DAP = diámetro a la altura del pecho, DC = diámetro de copa y HA = altura total

5.10.5 Altura total
Se calculó como la distancia vertical entre el punto más bajo del árbol y la parte

más alta del mismo. En el software 3D Forest al igual que el resto de los parámetros se
calcula de manera automática, siendo representada mediante una recta con el valor en
metros correspondiente a esta medición.

5.10.6 Diámetro de copa
Para el cálculo del diámetro de la copa se usó la herramienta de Proyección

convexa planar (Convex planar projection), a través de la cual se calculó el área de la

59

envolvente convexa (o punto que contiene la totalidad de la nube de puntos) en una
proyección ortogonal (Rosén et al, 2014). Una vez que se obtiene el área se calcula el
diámetro de copa a través de la siguiente ecuación:

DC = (√(A/π)) * 2

Donde A= área convexa (m2); π = 3.1416 (adimensional); DC = Diámetro de copa (m)

5.10.7 Biomasa aérea
Para el cálculo de la biomasa aérea se realizó un escrutinio exhaustivo de

ecuaciones alométricas para las especies bajo estudio y el género Quercus. Las bases de
datos con mayor información correspondieron al sistema de medición, reporte y
verificación (MRV) de la CONAFOR, así como a la base del Programa Mexicano del
Carbono (Rojas et al, 2015). En la tabla 5 se muestran las ecuaciones para los árboles
de la región de acuerdo a su localización, tipo de ecosistema, R2 y número de individuos
analizados. Como se observa en la tabla, salvo para la especie Quercus polymorpha, los
esfuerzos en la estimación de biomasa para los encinos mexicanos del norte del país
han sido realizados a nivel de género.

Para determinar la ecuación correspondiente a Quercus, se realizaron
comparaciones a través de pruebas T de student de la biomasa estimada para el MTF
por medio de las distintas ecuaciones con un α de 0.01. Se seleccionó aquella que tuviera
mayor correspondencia con el resto para asegurar un valor medio.

Tabla 5 Ecuaciones alométricas para cálculo de biomasa aérea, Quercuss spp del norte de México.

CLAVE AUTOR AÑO ESTADO TIPO DE ECOSISTEMA ECUACIÓN ALOMÉTRICA ESPECIE R2 # ÁRBOLES
DMZ Domínguez, G. 2005 Nuevo León Bosque de pino-encino (0.092*DAP^2.448) Quercus polymorpha 0.9 16
N1 Návar, J. J. 2009 Chihuahua, Durango Bosque de encino-pino (0.089*DAP^2.5226) Quercus spp 0.95 118
N2 Návar, J. J. 2010 Chihuahua, Durango Bosque de encino-pino (Exp(-2.874)*DAP^2.631) Quercus spp 0.93 106
N3 Návar, J. J. 2010 Durango Bosque de encino-pino (Exp(-2.754)*DAP^2.574) Quercus spp 0.94 17
RDZ 1 Rodríguez, R. 2007 Tamaulipas Bosque de pino-encino (0.010702*DAP^3.05082) Quercus spp 0.97 57
RDZ 2 Rodríguez, R. 2007 Tamaulipas Bosque de pino-encino (0.038424*DAP^2.82139) Quercus spp 0.97 19
Ag Aguirre, O. A. 2011 Nuevo León Bosque de encino-pino (0.45534*DAP^2) Quercus spp 0.95 32
N20091 Návar, J. J. 2009 Chihuahua, Durango Bosque de pino-encino (0.0202)*(DAP^2.6480) Quercus spp 0.86 118
N20092 Návar, J. J. 2009 Chihuahua, Durango Bosque de pino-encino (0.0768)*(DAP^2.4416) Quercus spp 0.95 118

Una vez que se contó con las ecuaciones se estimó la biomasa aérea con los
valores obtenidos automáticamente mediante el DAP generado por el uso de tecnología
LiDAR, fotorreconstrucción, y tomas aéreas.

Se detectaron los casos en que la diferencia entre el MTF y los diferentes
métodos fuera mayor a un 25 %. Mediante verificación de las nubes de puntos y

60

mediciones manuales se obtuvieron nuevos valores del DAP, a través de los cuales se
recalculó la biomasa aérea.
5.11 Comparación de mediciones

Para obtener la relación existente entre las mediciones adquiridas a través de
los distintos métodos con respecto al levantamiento de datos mediante el método
tradicional forestal in situ (α = 0.05) se utilizó el modelo de regresión lineal simple; su
ecuación se presenta de la siguiente manera:

Y = b0 + b1 X
Donde, Y = valor de la respuesta; b0 = valor de la variable de respuesta cuando las
variables predictoras son cero. La constante también se llama intersección, porque
determina el lugar en el que la línea de regresión intersecta (se encuentra con) el eje Y;
X = valor de las variables predictoras; b1 = coeficiente que representa el cambio
estimado en la respuesta media para cada cambio de unidad en el valor predictor.
Además, se obtuvieron los modelos de regresión cuadrática y cúbica para encontrar
aquellos casos en que el comportamiento del coeficiente de determinación pudiera ser
mejor explicado a través de modelos no lineales. El paquete estadístico utilizado para
estos análisis fue Minitab 16.1.0.

61

6 RESULTADOS
6.1 Levantamiento de datos y postproceso
6.1.1 Método tradicional forestal

El área de estudio contó con una densidad de 32 árboles (de DAP mayor a 7 cm)
en 3500 m2; de estos, 26 (el 81 %) correspondieron al género Quercus. La especie
dominante fue Quercus fusiformis con 15 (57.7 %) individuos, seguida por 6 (23.1 %)
árboles de Q. vaseyana, 4 (15.4 %) de Q. shumarii y un (3.8 %) Q. polymorpha (Fig. 34).

Figura 34 Localización geográfica de árboles esquematizadas de acuerdo a fase de obtención
Para dar futura continuidad a este estudio se vincularon las claves empleadas

con aquellas correspondientes a cada árbol en el inventario Arboretum 2010 del
ITESM; esta relación se muestra en la tabla 6 junto a los valores obtenidos para cada

62

parámetro mediante la toma de datos in situ. Las mediciones fueron realizadas en un
lapso de tres horas.

Tabla 6 Relación con claves del Arboretum 2010 y mediciones de MTF.

Clave Inventario Clave Nombre científico DAP HT DC
MTYCEDCD0164 2.82
MTYCEDCD0162 ARB2 Q. shumardii 33.7 10.68 8.71
MTYCEDCD0166 12.65
MTYCEDCD1999* ARB3 Q. shumardii 37.5 10.10 10.03
MTYCEDCD0169 10.36
ARB4 Q. fusiformis 37.7 9.66 8.44
NO DEFINIDA 7.87
MTYCDCD0126 ARB5 Q. fusiformis 42.7 10.55 9.52
MTYCDCD0125 8.84
MTYCDCD0124 ARB6 Q. vaseyana 26.5 9.39 11.44
MTYCDCD0123 8.48
MTYCDCD0173 ARB7 Q. vaseyana 35.3 8.47 8.97
MTYCDCD0174 10.33
NO DEFINIDA ARB8 Q. fusiformis 36.2 8.67 6.37
MTYCDCD0175 8.68
MTYCDCD0176 ARB9 Q. fusiformis 32.0 6.30 14.31
MTYCDCD0178 11.09
MTYCDCD0182 ARB10 Q. fusiformis 46.4 8.22 8.78
MTYCDCD0183 13.85
MTYCDCD0179 ARB11 Q. fusiformis 37.9 8.15 9.50
MTYCDCD0176 4.66
MTYCDCD0180 ARB12 Q. vaseyana 31.2 8.69 7.81
MTYCDCD0181 10.39
MTYCDCD0184 ARB13 Q. fusiformis 37.8 8.45 11.48
MTYCDCD2736 8.89
MTYCDCD2735 ARB14 Q. fusiformis 36.7 6.98 12.94
MTYCDCD0191
ARB15 Q. fusiformis 31.2 8.03

ARB16 Q. vaseyana 43.3 8.64

ARB17 Q. vaseyana 41.6 7.85

ARB18 Q. fusiformis 33.9 8.85

ARB19 Q. fusiformis 46.1 7.70

ARB20 Q. fusiformis 38.6 8.25

ARB21 Q. fusiformis 18.3 5.67

ARB22 Q. fusiformis 27.5 6.12

ARB23 Q. vaseyana 35.5 7.44

ARB24 Q. fusiformis 53.0 8.49

ARB25 Q. fusiformis 35.6 7.19

ARB28 Q. polymorpha 31.4 5.59

ARB32 Q. shumardii 48.1 11.13

*Clave correspondiente a inventario de 2003, en 2010 es ND

6.1.2 LiDAR portátil
La nube de puntos resultante del muestreo de la fase 1 contó con valores de XYZ

e información escalar sobre el tiempo de toma de datos. El número de puntos previo al
posproceso ascendió a 14,608,900. La nube de puntos de la fase 2 constó de 24,865,255
puntos. Se realizó una unión de ambas nubes para generar un producto final
representante del LiDAR portátil (Fig. 35). El tiempo del levantamiento de datos en
campo por medio de este sensor fue de 10 minutos mientras que su preproceso se llevó
a cabo en un lapso similar, sumando en total 20 minutos por fase. Para la fase 1 se

63

obtuvieron cinco sobreposiciones o loops en el recorrido mientras que para la fase 2 se
realizaron cuatro.

Figura 35 Nube de puntos generadas a partir del LiDAR portátil.
6.1.3 Fotorreconstrucción

Tanto el conjunto de fotografías a color (RGB) como el set de fotografías en
infrarrojo (IR) a nivel del suelo se llevaron a cabo en 30 minutos. Ambos sets de
fotografías obtenidas desde el VANT dependieron del tiempo que se indicara dentro del
software; este varió de 3 a 5 minutos manteniendo un ritmo de captura de una
fotografía por segundo.

La fotorreconstrucción de las nubes de puntos densas a partir de fotografías RGB
e IR a nivel del suelo (Fig. 36) y desde plataforma VANT (Fig. 37) se realizaron bajo los
parámetros de la más alta precisión para el alineado de las fotografías mientras que en

64

la generación de las nubes de puntos densas se ajustó al valor medio debido a las
limitaciones del hardware. El número de puntos (tabla 7) de las nubes generadas por
fotorreconstrucciones varió dependiendo del tamaño y número de fotografías.

Figura 36 Nubes de puntos generadas de fotografías a nivel de suelo. a) color, b) infrarrojo

Tabla 7 Número de puntos en fotorreconstrucciones y error cuadrático medio (RMS) de registro

Nube de puntos Número de puntos RMS

Fotorreconstrucción RGB a nivel de suelo 22,405,651 0.13

Fotorreconstrucción IR a nivel de suelo 9,887,539 0.20

Fotorreconstrucción RGB desde VANT 12,138,416 0.08

Fotorreconstrucción IR desde VANT 6,332,972 0.10

6.1.4 Georreferenciación
Las nubes de puntos del LiDAR móvil fueron registradas por medio de cuatro

puntos de control localizados a los extremos de las parcelas. Los puntos fueron
localizados en el sitio a través de conos de tráfico para la toma de datos de GPS
diferencial en cada uno de ellos (Fig. 38). Tras el ajuste geográfico, el error de las nubes
de puntos disminuyó a 0.05 m.

65

Figura 37 Nubes de puntos generadas a partir de fotografías desde VANT. a) color, b) infrarrojo
La precisión de las nubes (Tabla 7) generadas a partir de fotorreconstrucción

dependió del error de las nubes generadas por el ZEB1, al ser esta la base de su registro
por medio de la herramienta Align de CloudCompare.

Figura 38 Puntos de control. a) GPS diferencial registrando datos de posición. B) Punto de control
en nube de puntos del ZEB1.
66

6.1.5 Clasificación
El balance de precisión para la generación del filtro de clasificación entre suelo

y árboles fue de 98.34 %, de los 10,000 puntos pertenecientes a la clase de suelo
(M1suelo), el 1.12 % (112) correspondieron a la clase de árboles al realizar la
clasificación de prueba; mientras que, de la clase de árboles, el 1.66% (166) de los
10,000 puntos de prueba fueron erróneamente clasificados (fig. 39).

Figura 39 Clasificador CANUPO. a) Separabilidad de clases, b) estadísticas de clasificación
Los resultados de este filtro fueron utilizables para cualquier nube de puntos

que poseyera características geométricas similares a aquellas con las cuales fue
generado, al tratarse de las mismas unidades de muestreo, el filtro fue de utilidad para
la clasificación de las todas las nubes de puntos generadas a partir de LiDAR portátil y
fotorreconstrucción terrestre y aérea (Fig. 40).

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

6.1.6 Reducción de ruido
Dado a que las nubes de puntos presentaban outliers y áreas de no interés para

el estudio, y las clasificaciones presentaban un 1.39 % de grado de error (Fig. 41a) al
ser los puntos ubicados dentro de su respectiva clase correctamente en el 98.61 % de
los casos; fue necesario recurrir a herramientas de edición tanto manual como
automática para la reducción de estas fuentes de ruido o puntos erróneos (Fig. 41b).

a)

b)

Figura 41 Clasificación, a) Error presente en nubes de puntos clasificadas, b) Reducción de fuentes
de ruido

6.2 Obtención de parámetros forestales de sensores remotos
Tras la eliminación en las nubes de puntos del ruido y valores extremos fuera de la
muestra, se logró aislar cada árbol independiente para la obtención, de forma
semiautomática, de los valores de diámetro a la altura del pecho, altura y diámetro de

68

copa para el método de LiDAR portátil, fotorreconstrucción terrestre y f. aérea, los
resultados se muestran en el anexo 1.

6.3 Determinación de ecuaciones alométricas para cálculo de biomasa aérea

En el caso de las especies, se encontró únicamente una ecuación particular para árboles
de Quercus polymorpha, perteneciente al proyecto de Evaluación del contenido de
carbono en bosques del sur de Nuevo León. Al no encontrarse ecuaciones alométricas
para el resto de las especies bajo estudio se determinó su biomasa aérea mediante
ecuaciones correspondientes al género Quercus. Se realizó el cálculo de biomasa aérea
con datos del MTF a través de las ocho ecuaciones alométricas existentes en la región
para este género (anexo 2) y con esos datos se realizó una comparación por medio de
pruebas T de student (α = 0.01) para determinar la que tuviera mayor número de
coincidencias con el resto de las ecuaciones, de tal forma que se seleccionara aquella
con la mayor cantidad para representar un valor medio (tabla 8). Así fue como se
determinó que la ecuación alométrica más adecuada para el género Quercus en este
análisis correspondía a la de Aguirre, 2011, la cual, junto a la de Quercus polymorhpha,
se muestra en la tabla 9.

Tabla 8 Comparación de biomasa aérea obtenida a través de MTF para determinación de ecuación
alométrica para género Quercus.

Comparaciones Valor p Comparaciones Valor p Donde:
N1-N2 0.684 RDZ2-Ag 0.001
N1-N3 0.289 0.000 H0: μ = μ0
0.249 N20091-N1 0.000
N1-RDZ1 0.083 N20091-N2 0.000 HA: μ ≠ μ0
N1-RDZ2 0.030 N20091-N3 0.000
0.522 N20091-RDZ1 0.000 α = 0.01
N1-Ag 0.446 N20091-RDZ2 0.085
N2-N3 0.040 N20091-Ag 0.000 Métodos Igualdades
N2-RDZ1 0.085 N20091-N20092 0.002
N2-RDZ2 0.862 N20092-N1 0.008 N1 5
N2-Ag 0.004 N20092-N2 0.034
N3-RDZ1 0.276 N20092-N3 0.082 N2 5
N3-RDZ2 0.009 N20092-RDZ1 0.000
N3-Ag 0.430 N20092-RDZ2 0.179 N3 5
RDZ1-RDZ2 N20092-Ag
RDZ1-Ag RDZ1 5

RDZ2 2

Ag 6

N20091 1

N20092 3

69

Tabla 9 Ecuaciones alométricas para estimación de biomasa aérea en Quercus polymorpha y
Quercus spp.

CLAVE AUTOR AÑO ESTADO TIPO DE ECOSISTEMA ECUACIÓN ALOMÉTRICA ESPECIE R2 # ÁRBOLES

DMZ Domínguez, G. 2005 Nuevo León Bosque de pino-encino (0.092*DAP^2.448) Quercus polymorpha 0.9 16

Ag Aguirre, O. A. 2011 Nuevo León Bosque de encino-pino (0.45534*DAP^2) Quercus spp 0.95 32

6.4 Cálculo de biomasa aérea

6.4.1 Método tradicional forestal
A través de los parámetros forestales obtenidos mediante las mediciones en campo y la
aplicación de las ecuaciones alométricas determinadas para la especie y género bajo
estudio se obtuvo la biomasa aérea correspondiente al género Quercus en la zona. Estos
datos se muestran en la tabla 10.

Tabla 10 Biomasa aérea obtenida por método tradicional forestal

6.4.1 Sensores remotos
Se estimó la porción de biomasa aérea correspondiente a cada árbol de la muestra para
cada uno de los métodos empleando las ecuaciones alométricas determinadas para el
género Quercus y la especie Q. polymorpha. Los valores de los parámetros obtenidos se
muestran en el anexo 1.

6.5 Comparación de métodos

Tras realizar la comparación de la biomasa aérea obtenida por medio de cada uno de
los métodos de sensores remotos contra los valores del MTF a través de regresiones

70

lineales simples, cuadráticas y cúbicas, se seleccionó el modelo que ofrecía un mejor
ajuste, los resultados se muestran en las figuras 42 a 46. Como se puede observar, la
regresión lineal simple mostró el mejor ajuste en todos los casos, presentando una R2
de 94.53 % para el LiDAR portátil, 82.48 % para la fotorreconstrucción RGB a nivel del
suelo, 74.55 % para la fotorreconstrucción IR a nivel del suelo, 65.30 % para la
fotorreconstrucción RGB desde VANT y 66.75 % para la fotorreconstrucción IR desde
VANT.

Y: ZEB1_biomasa Regresión para LiDAR portátil vs MTF
X: MTF_biomasa Gráfica de línea ajustada para modelo lineal

1250 Y = - 20.90 + 1.041 X

1000 X poco común

ZEB1 (T biomasa aérea) 750

500

250

0 250 500 750 1000 1250
0 MTF (T biomasa aérea)

Estadísticas

Modelo seleccionado Modelos alternativos
Lineal
94.53% Cuadrática Cúbico
0.000*
R-cuadrado (ajustado) 0.000* 94.61% 94.95%
Valor p, modelo -
Valor p, término lineal - 0.000* 0.000*
Valor p, término cuadrático 62.556
Valor p, término cúbico 0.000* 0.490
Desviación estándar de los residuos
0.265 0.184

- 0.129

62.139 60.136

* Estadísticamente significativo (p < 0.05)

Figura 42 Ajuste de T de biomasa aérea entre MTF y LiDAR portátil

71

Y: RGB_suelo_b Regresión para Fotorreconstrucción RGB a nivel del suelo vs MTF
X: MTF_b Gráfica de línea ajustada para modelo lineal
Y = 45.43 + 0.8378 X
1250
RGB_suelo (T biomasa aérea) Residuo grande
1000 X poco común

750

500

250

0 250 500 750 1000 1250
0 MTF (T biomasa aérea)

Estadísticas

Modelo seleccionado Modelos alternativos
Lineal
82.48% Cuadrática Cúbico
0.000*
R-cuadrado (ajustado) 0.000* 81.60% 80.66%
Valor p, modelo -
Valor p, término lineal - 0.000* 0.000*
Valor p, término cuadrático 95.044
Valor p, término cúbico 0.024* 0.482
Desviación estándar de los residuos
0.969 0.880

- 0.873

97.387 99.848

* Estadísticamente significativo (p < 0.05)

Figura 43 Ajuste de T de biomasa aérea entre MTF y Reconstrucción RGB a nivel del suelo

Y: IR_suelo_b Regresión para Fotorreconstrucción IR a nivel del suelo vs MTF
X: MTF_b 1250
Gráfica de línea ajustada para modelo lineal
1000 Y = - 95.49 + 1.112 X

X poco común

IR_suelo (T biomasa aérea) 750

500

250

0 250 500 750 1000 1250
0 MTF (T biomasa aérea)

Estadísticas

Modelo seleccionado Modelos alternativos
Lineal
74.55% Cuadrática Cúbico
0.000*
R-cuadrado (ajustado) 0.000* 73.23% 71.78%
Valor p, modelo -
Valor p, término lineal - 0.000* 0.000*
Valor p, término cuadrático 140.690
Valor p, término cúbico 0.160 0.875
Desviación estándar de los residuos
0.808 0.766

- 0.787

144.302 148.156

* Estadísticamente significativo (p < 0.05)

Figura 44 Ajuste de T de biomasa aérea entre MTF y Fotorreconstrucción IR a nivel del suelo

72

Y: RGB_dron_b Regresión para Fotorreconstrucción RGB desde VANT vs MTF
X: MTF_b Gráfica de línea ajustada para modelo lineal

1250 Y = - 47.74 + 0.6594 X

1000RGB_dron (T biomasa aérea) Residuo grande
X poco común

750

500

250

0 250 500 750 1000 1250
0 MTF (T biomasa aérea)

Estadísticas Modelo seleccionado Modelos alternativos
Lineal
R-cuadrado (ajustado) 65.30% Cuadrática Cúbico
Valor p, modelo 0.000*
Valor p, término lineal 0.000* 63.80% 63.27%
Valor p, término cuadrático -
Valor p, término cúbico - 0.000* 0.000*
Desviación estándar de los residuos 117.840
0.140 0.822

0.941 0.421

- 0.422

120.359 121.232

* Estadísticamente significativo (p < 0.05)

Figura 45 Ajuste de T de biomasa aérea entre MTF y Fotorreconstrucción RGB desde VANT

Y: IR_dron_b Regresión para Fotorreconstrucción IR desde VANT vs MTF
X: MTF_b Gráfica de línea ajustada para modelo lineal

1250 Y = - 29.85 + 0.6496 X

1000IR_dron (T biomasa aérea) Residuo grande
X poco común

750

500

250

0 250 500 750 1000 1250
0 MTF (T biomasa aérea)

Estadísticas

Modelo seleccionado Modelos alternativos
Lineal
66.76% Cuadrática Cúbico
0.000*
R-cuadrado (ajustado) 0.000* 65.64% 66.24%
Valor p, modelo -
Valor p, término lineal - 0.000* 0.000*
Valor p, término cuadrático 112.460
Valor p, término cúbico 0.239 0.504
Desviación estándar de los residuos
0.643 0.225

- 0.248

114.333 113.325

* Estadísticamente significativo (p < 0.05)

Figura 46 Ajuste de T de biomasa aérea entre MTF y Fotorreconstrucción IR desde VANT

73

7 DISCUSIÓN

La finalidad del proyecto fue buscar alternativas precisas al método tradicional
forestal para la obtención de parámetros de estimación de biomasa aérea. En él se
determinó la precisión del uso de sensores remotos (LiDAR portátil y cámaras
fotográficas a color e infrarrojo con tomas a nivel de suelo y desde VANT) para la
generación de datos 3D y posterior derivación de los parámetros forestales de altura
total, diámetro a la altura del pecho, diámetro de copa y estimación de biomasa aérea.
Los resultados demostraron que, de los cinco métodos empleados, se obtuvo una mayor
precisión a través del LiDAR portátil, mientras que, en las fotorreconstrucciones, la
correspondiente a color a nivel suelo fue la que presentó mejores resultados.

Dado que el proceso de levantamiento de datos en campo, generación de nubes
de puntos y obtención de parámetros forestales requirió la integración de un número
de pasos, fueron distintas las variables que repercutieron en los resultados de la
precisión para cada uno de los métodos. Estas variables se discutirán a detalle en los
siguientes puntos.

7.1 Diseño de levantamiento y limitantes de los sensores

Uno de los aspectos clave para la obtención de resultados de calidad en
cuestiones de estimación de biomasa aérea es una buena planeación de la ruta a
recorrer, donde, dependiendo del sensor a utilizar se deben de considerar ciertos
factores como: 1) la distancia entre el sensor y la muestra, 2) el traslape de imágenes
para realizar una efectiva fotorreconstrucción y 3) la ubicación espacial de los árboles,
etc.

En este trabajo se determinó el diseño del caminamiento del LiDAR portátil con
base en las directrices para buenas prácticas de uso del ZEB1, y de previa
experimentación in situ, donde se obtuvieron tres transectos de ida y regreso para cada
fase, de tal forma que la intención era que se registrara un alto porcentaje de la
estructura de los árboles presentes en la muestra. De acuerdo a los resultados la
completitud de la muestra no se cumplió en todos los casos, debido la falta de
información de las caras de troncos y copas que no fueron obtenidos por las condiciones
del terreno y objetos que obstruían su visualización. Las limitantes principales fueron,
al este, la presencia de una cerca divisoria entre la avenida Eugenio Garza Sada y el área
del bosque urbano muestreado; y al oeste, una pendiente de aproximadamente 45° que
dificultaba el acceso al operador del sensor. Para un uso efectivo del ZEB1 se debe de
evitar objetos en movimiento, motivo por el cual se seleccionó un área de nulo tránsito,
además, ambientes sin formas distintivas generan problemas al algoritmo al momento

74

de vincular los puntos con su posición en el trayecto. En este estudio este último punto
no representó problema alguno dado a la gran variedad de tamaños y formas de los
árboles.

Para el aseguramiento de la sobreposición deseada en la toma de los sets
fotográficos terrestres, a pesar de contar con una distancia teórica para la obtención del
continuo de fotografías, en la práctica, esta distancia varió dependiendo de
obstrucciones como ramas bajas y diferencias en la distancia promedio entre los pasos
de los operadores de las cámaras. Las limitantes presentes en el LiDAR portátil se
replicaron en los sensores ópticos a nivel del suelo (dificultad de acceso en periferia del
área por obstrucciones de infraestructura y desnivel del suelo). Los trayectos de las
fotorreconstrucciones se diseñaron mediante un perímetro de la zona de estudio de tal
forma que se obtuvieran las vistas de los árboles en 360 grados. A diferencia de la
tecnología LiDAR, en la cual se tiene una mayor completitud de las copas al tratarse de
millones de datos por nube de puntos, mediante el uso de los sensores ópticos se
presentó una mayor oclusión en las partes superiores de las copas de los árboles, en
especial en áreas donde debido a las posiciones de la cámara y el ángulo al momento de
realizar las tomas, se imposibilitó la obtención de la información necesaria para generar
la estructura 3D de esas partes. Un efecto similar se dio en la zona central del área de
estudio, donde fueron indistinguibles las caras laterales de las copas dado a una mayor
densidad de árboles contiguos por área. Otro factor que ocasionó errores en las
reconstrucciones de los troncos de esta área fueron las sombras del dosel arbóreo y la
presencia de árboles de DAP menor a 7 cm y arbustos. Estudios con LiDAR terrestre
para extracción de parámetros forestales como el de Aschoff et al (2004) también
presentaron estos problemas de oclusión, indicando un similar desempeño para la
captura de parámetros de estimación forestal a partir de imágenes. Como mencionan
Liang et al (2014), la diferencia reside en que la calidad de las nubes de puntos basadas
en imágenes depende en gran parte de la distancia entre el objeto o árboles y el trayecto
que se realiza. Entre más cercano se encuentre un objeto será mejor el desempeño de
la generación de la nube de puntos. Por la variable disposición de los árboles dentro de
la muestra (figura 34), se dificultó obtener en la práctica fotografías de todos los árboles
a una misma distancia.

Con la idea de abaratar los costos de la obtención de los datos por medio del uso
de sensores remotos, se recurrió a uno de los VANT de menor costo a la fecha del
experimento (Phantom 2). Una particularidad crucial que ofrece este cuadricóptero
para la generación de fotografía aéreas es una eficaz y sencilla curva de aprendizaje en
cuanto a su manejo, con lo cual, cualquier operario puede generar una misión (altura
de vuelo, distancia a recorrer, rutas, tiempo de vuelo) y configurar la cámara fotográfica
para generar el traslape adecuando acorde al tiempo de cada disparo. Mediante esta

75

tecnología se pueden obtener los parámetros de la altura total y, en casos donde es baja
la densidad de individuos, el diámetro de las copas de los árboles. Para el cálculo de la
biomasa aérea a partir de ecuaciones alométricas y datos de este método se debe de
estimar en primer lugar el diámetro a la altura del pecho mediante ecuaciones que
consideren las variables anteriores.

Dentro de la fase experimental se detectó que los principales factores que
afectan el uso y la precisión de los sensores remotos analizados son, la oscuridad,
intensidad de luz y fenómenos atmosféricos como lluvia, granizo, y en VANT, fuertes
corrientes de viento. Mientras que el LiDAR es un sensor activo (emite y capta su propia
luz láser), la gran mayoría de los sensores ópticos comerciales disponibles para realizar
fotorreconstrucción dependen de fuentes externas de iluminación, y en el caso
específico de ecosistemas forestales ocupan de la iluminación natural del Sol. En sitios
con mala iluminación debido a un dosel cerrado, se produce una mayor cantidad de
ruido en los datos.

Si bien se presentaron problemas similares en los sensores remotos a los del
método tradicional forestal, con su integración en VANT con sistemas GPS que permiten
realizar vuelos autónomos (Wallace et al, 2016) y el desarrollo en los últimos años de
sistemas de detección de obstáculos para VANT (Rambabu et al, 2015; Mori y Scherer,
2013; Chen et al, 2013), se avista un futuro prometedor para los sensores remotos en
la navegación y recolección de datos para estimación de biomasa aérea.

7.2 Resolución de cámaras fotográficas

La metodología planteada en este estudio consideró evaluar la precisión en la
estimación de biomasa aérea a través de alternativas al método tradicional forestal que
proveyeran disminución en costos, tiempo de obtención de datos y a su vez aportaran
una disminución en la labor del trabajo realizado en campo. Por este motivo, los
sensores ópticos para captura de imágenes correspondieron a cámaras comerciales
asequibles y de sencillo manejo para el usuario promedio. Como se observa en la tabla
7, la diferencia de resolución de las fotografías repercutió en la cantidad de datos o
puntos presentes en cada nube de puntos generada mediante la técnica de
fotorreconstrucción. Este efecto se vio exponenciado en las fotografías capturadas con
la integración del lente infrarrojo. En estas, por las características del lente, la
resolución máxima que se obtuvo representó una reducción del 60 % del número total
de puntos entre los datos RGB e IR a nivel del suelo y del 50 % en la reconstrucción 3D
generada a partir de VANT. Las diferencias de proporciones se explican por el empleo
de dos distintas cámaras (Nikon y GoPro) para la toma de datos a nivel de suelo
mientras que en las fotografías desde VANT se mantuvo constante el uso de una misma

76

cámara (GoPro) con la única diferencia del cambio del lente RGB por IR. Si bien el uso
del lente infrarrojo no afectó en el tiempo de la captura de datos a nivel de suelo o en
VANT contra la toma de fotografías a color, se observó una diferencia en el tiempo de la
generación de las fotorreconstrucciones RGB e IR. Dado que las nubes de puntos
infrarrojas contuvieron una menor cantidad de datos, el tiempo de su obtención fue
menor.

7.3 Software de fotorreconstrucción

Mientras que en la actualidad existe una gran variedad de alternativas para la
digitalización de datos 3D a través de fotografías (las cuales van desde opciones de
código abierto hasta programas comerciales), se mantuvo como constante el criterio
del punto 7.2 (disminución de costo, tiempo y esfuerzo), pero, además se consideró la
eficiencia en la generación de nubes de puntos presentada en previos análisis (Ramírez
et al, 2016; Yépez et al, en revisión). Por los motivos anteriormente mencionados, se
utilizó el software comercial Photoscan de AgiSoft, el cual cuenta con el aspecto
fundamental de una amplia simplicidad de uso (ingreso de set fotográfico, alineación y
reconstrucción), de tal forma que cualquier operario fuera capaz de obtener los datos
en campo y a su vez realizar reconstrucciones 3D de forma autónoma ex situ.

7.4 Precisión de georreferencia

Para realizar mediciones fotogramétricas es de vital importancia que las
coordenadas de los datos coincidan con las pertenecientes a la realidad. De modo que
una medición realizada mediante el método tradicional forestal pueda ser obtenida
bajo la misma escala métrica y comparada con aquellas registradas mediante los
diferentes sensores remotos.

Las diferencias entre los errores cuadráticos medios de los registros de las nubes
de puntos mediante los cinco métodos resultaron acorde a la cantidad de datos que
cada uno de ellos poseía (tabla 7 y punto 6.1.2), a mayor cantidad de puntos, mayor
precisión por existir un punto más cercano en común con el punto registrado en
mediante el GPS diferencial De tal modo que los datos del LiDAR portátil presentaron
la precisión de ajuste espacial más cercana a la realidad, seguido por las
fotorreconstrucciones (suelo y VANT) a RGB y por último las fotorreconstrucciones IR.

7.5 Clasificación

Para la separación de las categorías de árboles y suelos se utilizó un filtro basado en
características dimensionales de las nubes de puntos. Si bien se obtuvo un elevado
balance de precisión (98.61 %) mediante esta segmentación, se espera una mejora

77

sustancial en las clasificaciones cuando se disponga de otro tipo de variables de
clasificación como el valor RGB de los puntos.

7.6 Obtención de parámetros para cálculo de biomasa aérea

Los programas computacionales para la detección automática de parámetros
forestales a partir de nubes de puntos generadas por datos de LiDAR terrestre, LiDAR
portátil y fotorreconstrucciones han sido desarrollados apenas en los últimos, por este
motivo se encuentran en constante mejora y se debe de poner atención para corroborar
las mediciones de forma manual en árboles donde se presentan los problemas
señalados en puntos anteriores.

7.7 Estimación de DAP a partir de datos de VANT

Debido a la posición zenital en la que se encontraba la cámara para la captura de
los sets fotográficos desde el VANT, en este método se restringió la obtención del
parámetro de diámetro a la altura del pecho, ya que los troncos de los árboles son
cubiertos por su follaje en condiciones de permanencia de hojas mientras que en
condiciones de ausencia de hojas el único dato que puede ser extraído del fuste
principal (en los casos que la oclusión ocasionada por las ramas lo permita), es el
perímetro máximo, en el cual se desconoce la altura a la que se encuentra, esto dificulta
la tarea de su comparación con el resto de las metodologías. Como alternativa a la
obtención de este parámetro, se identificó en el trabajo de Balenović et al (2012) una
ecuación para la estimación del DAP a través del empleo de la altura total y el diámetro
de la copa. Dado que no existe tal cálculo para las especies de encinos del área de
estudio, se utilizó esta fórmula correspondiente a la especie de Quercus petraea de una
localidad de Croacia. El efecto obtenido de la utilización de una fórmula de una especie
tan distante a la zona de estudio se refleja en una baja precisión de la estimación, lo cual
genera una subestimación de la biomasa aérea calculada mediante estos métodos.

7.8 Cálculo de biomasa aérea

Tras un exhaustivo análisis de las principales bases de datos de ecuaciones
alométricas para estimación de biomasa aérea en especies de Quercus en la región y en
México se detectó un hueco de información en todas salvo una (Q. polymorpha) de las
especies presentes en la muestra. La calidad de los resultados de este estudio se puede
ver beneficiada con la futura generación de esta información. Alternativas a las
ecuaciones alométricas se ofrecen mediante métodos computacionales como la
voxelización, la generación del continuo de la estructura de los árboles; a través de las
cuales se puede derivar el dato del volumen y calcular la biomasa aérea considerando
la densidad de la madera de los árboles bajo estudio.

78

7.9 Comparación de métodos
De acuerdo a los resultados de las regresiones lineales para las comparaciones

de los métodos de sensores remotos contra el método tradicional forestal (sección 6.5),
para el LiDAR portátil se obtuvo la relación más alta (R2 = 94.53 %). Esta relación se
explica debido a la alta precisión del sensor, lo cual arroja una nube de puntos con muy
poco ruido. Si bien a través de este método no se consiguen resultados tan precisos
como en muestreos realizados con un LiDAR terrestre, la movilidad de estos
dispositivos permite realizar misiones de mayores dimensiones en una menor cantidad
de tiempo (James y Quinton, 2013). Se espera que la tecnología en estos sensores láser
de reducido tamaño y peso permita en un futuro mejorar su rango y precisión en la
captura de datos 3D.

Figura 47. Huecos presentes entre ramas y hojas
En cuanto a las fotorreconstrucciones RGB e IR a nivel del suelo se obtuvieron
relaciones de R2 = 82.48 % y R2 = 74.55 %, respectivamente. La reducción en la
precisión de estos métodos radica en tres principales factores. El primero es la
dificultad del algoritmo para identificar las variaciones de intensidad que delimitan las
copas en las fotografías. Esto ocurre debido a que los árboles a diferencia de objetos
sólidos, presentan una gran cantidad de huecos entre sus hojas y ramas, los cuales son
cubiertos por los objetos en el fondo, cercas, edificaciones, y, en la mayoría de los casos,
por el cielo. Para evitar este inconveniente se realizaron máscaras semiautomáticas
para cada fotografía, es decir, se delimitaron las zonas no correspondientes al área de
interés para la fotorreconstrucción, minimizando el ruido ocasionado por estos pixeles.
En segundo lugar, las sombras ocasionadas por un denso dosel y árboles y arbustos

79

pequeños empobrecen la calidad de los resultados, produciendo una gran cantidad de
puntos de ruido en los árboles localizados en la zona de conflicto. Por último, el
problema de la variación de la distancia entre la cámara y el objetivo genera diferentes
densidades de puntos a lo largo de la nube, mejorando o empeorando los resultados en
zonas variables dependiendo de las posiciones de la obtención de las fotografías.
Las fotorreconstruciones RGB e IR desde VANT presentaron las relaciones más bajas
del estudio, con R2 = 65.3 % para color y R2 = 66.76 % para IR. La principal limitante de
esta metodología es la falta de información para una adecuada reconstrucción del DAP.
Para aumentar la precisión en métodos de reconstrucción que aprovechan las
perspectivas aéreas se requiere realizar alguna de las siguientes acciones. En primer
lugar, generar ecuaciones alométricas que involucren una mayor cantidad de variables
como la altura total y el diámetro de copa, para la estimación de biomasa aérea en
árboles de la región; La segunda acción consiste en desarrollar ecuaciones a través de
las cuales se determinen las relaciones entre las variables de estimación de biomasa
para derivar los parámetros faltantes por oclusión. En trabajos como el de Jurado
(2013) se han calculado las relaciones entre diámetro a la altura del pecho y diámetro
de copa en especies regionales de encinos, sin embargo, se encontró una baja relación
(R2 = 0.37) debido a la variabilidad de factores que influyen en el crecimiento de la
vegetación.

Con los resultados de este estudio se demuestra que alternativas de moderado y
bajo costo, como lo son el LiDAR portátil y el uso de sensores ópticos para obtención de
nubes de puntos, tienen el potencial para generan datos de alta precisión para su uso
en aplicaciones forestales.

80

8 CONCLUSIONES

Con base en los resultados obtenidos del levantamiento de los datos mediante
los métodos de sensores remotos, se dedujo que, para la correcta adquisición de la
totalidad de las caras de los árboles es necesario considerar en la planeación del
trayecto aspectos como la ubicación espacial de los árboles dentro de la muestra, la
iluminación y el traslape de las fotografías para realizar fotorreconstrucciones.

A través de los métodos de sensores remotos se logró disminuir la cantidad del
tiempo invertido en el levantamiento de los datos, mediante el LiDAR portátil, en un 90
%; con los sensores ópticos a nivel del suelo, en un 83 %; y, en un 97 % al montar los
sensores ópticos en un VANT.

En los datos de LiDAR portátil y, en mayor medida, en las fotorreconstrucciones
a nivel del suelo se presentó inconsistencia en la obtención del parámetro de altura total
debido a la oclusión ocasionada por las partes bajas de las copas de los árboles. Este
problema no se presentó en las fotorreconstrucciones desde VANT, en las cuales se
reconstruyó la totalidad de la parte superior de las copas, incluyendo sus puntos más
altos.

La resolución de las cámaras para la obtención de fotografías a color e infrarrojas
impactó en la cantidad de datos que se generaron en las nubes de puntos por medio de
fotogrametría. Se obtuvieron nubes de puntos más densas en las fotorreconstrucciones
a color y una menor cantidad de puntos en nubes de datos infrarrojos.

A través de la comparación de los métodos de sensores remotos contra el
método tradicional forestal (α = 0.05) se obtuvo una R2 de 94.53 % para el LiDAR
portátil, 82.48 % para la fotorreconstrucción RGB a nivel del suelo, 74.55 % para la
fotorreconstrucción IR a nivel del suelo, 65.30 % para la fotorreconstrucción RGB desde
VANT y 66.75 % para la fotorreconstrucción IR desde VANT.

Se obtuvieron las relaciones más bajas en las fotorreconsturcciones desde VANT,
principalmente debido a la ausencia del parámetro de DAP, ocasionado por el ángulo
de la obtención de los datos (tomas zenitales). Contribuyó a esto, la falta de ecuaciones
para estimación de DAP a partir de altura total y diámetro de copa, en árboles del
género Quercus en la región.

De acuerdo a los resultados de las comparaciones, el LiDAR portátil representó
la alternativa más precisa para la estimación de los parámetros para el cálculo de la
biomasa aérea mientras que la fotorreconstrucción a color desde un VANT mostró los
resultados más pobres.

81

9 RECOMENDACIONES

Es una necesidad la generación de ecuaciones alométricas que predigan el modelo
de estimación de biomasa aérea para especies de la región a través de una mayor
cantidad de parámetros de fácil obtención, como los son el diámetro de la copa y la
altura total. La aplicación de una combinación de datos obtenidos mediante sensores
remotos (a nivel de suelo y desde VANT) resultaría conveniente para mejorar la
precisión de los cálculos.

Una forma de ampliar los resultados de este estudio es a través del uso de paquetes
computacionales que permitan el uso de técnicas como la voxelización y el enmallado
de la estructura externa de los objetos digitalizados, así se podría disponer de la
información sobre el volumen de los árboles.

Se sugiere para trabajos futuros la obtención de árboles de sitios de
aprovechamiento en los cuales se pueda trabajar por trozas y realizar mediciones de
forma directa, calculando la densidad de la madera y su volumen. De esta forma se
reduciría la incertidumbre ocasionada por la dificultad de la identificación de la parte
más alta en las mediciones de las alturas de árboles, y, no existiría la limitante de la
disponibilidad de ecuaciones alométricas para especies específicas.

Debido a que este proyecto representó una prueba inicial para la evaluación en
la precisión de los sensores remotos estudiados, se trabajó con una muestra pequeña
localizada en un bosque urbano dentro de un sitio de fácil acceso que permitiera la
realización de múltiples experimentos en campo sin suponer elevados costos en
logística. Una segunda fase, ya una vez dominadas las metodologías y limitantes del
levantamiento de datos, consistiría en un aumento en la intensidad de muestreo,
además de la toma de datos en sitios de áreas forestales para comprobar la precisión
que se obtendría bajo condiciones naturales.

82

10 BIBLIOGRAFÍA

 Aschoff, T., Thies, M., Spiecker, H. (2004). Describing forest stands using
terrestrial laser-scanner. International Archives of Photogrammetry, Remote
Sensing and Spatial Information Sciences Vol. XXXV, Comm. 5, pp. 237- 241.

 Bauwens S.; Bartholomeus H.; Piboule A.; Claders K. & Lejeune P. (2014). Forest
inventory with Terrestrial LiDAR: what about Hand-Held Mobile LiDAR?
ForestSat, Riva del Garda, Italy, 2014-11-04/ 2014-11-07

 Belenović, I.; Seletković, A.; Pernar, R.; Ostrogović, M. Z. & Jazbec, A. (2012).
Regression models of dbh estimation for photogrammetric maesurement.
Journal of Forestry Society of Croatia, Vol.136 No.3-4

 Brodu, N. and Lague, D. (2012). 3D Terrestrial LiDAR data classification of
complex natural scenes using a multi-scale dimensionality criterion:
applications in geomorphology, ISPRS journal of Photogrammmetry and Remote
Sensing, 68, p. 121-134.

 Browell E. V., Butler C. F, Ismail S., Fenn M. A., Kooi S. A., Carter A. F., Tuck A. F.,
Toon O. B., Proffitt M. H., Loewenstein M., Schoeberl M. R., Isaksen I. & Braathen
G. (1990). Airborne lidar observations in the wintertime Arctic stratosphere:
Ozone. Geophysical Research Letters, 17, 325–328.

 Brown, S. 1997. Estimating Biomass and Biomass Change of Tropical Forests: A
Primer. Food and Agriculture Organization. 55 p.

 Bruce D., 1975. Evaluating accuracy of tree measurements made with optical
instruments. Forest Science. 2 t: 421-426.

 Bosse M., Zlot R. & Flick P. (2012). Zebedee: Design of a Spring-Mounted 3-D
Range Sensor with Application to Mobile Mapping. Robotics, IEEE Transactions,
28, 1104-1119.

 Bosse M. & Zlot R. (May 2013). Place recognition using keypoint voting in large
3D lidar datasets. Robotics and Automation (ICRA), De IEEE International
Conference Karlsruhe, 2677 – 2684.

 Calders K., Newnham G., Burt A., Murphy S., Raumonen P., Herold M., Culvenor
D., Avitabile V., Disney M, Armston J. & Kaasalainen M. (2014). Nondestructive
estimates of above-ground biomass using terrestrial laser scanning. Methods in
Ecology and Evolution, 6, 198–208.

 Chen, H., Chang & K., Agate, C. S. (2013). UAV Path Planning with Tangent-plus-
Lyapunov Vector Field Guidance and Obstacle Avoidance. IEEE Transactions on
Aerospace and Electronic Systems. 49:2. 16 p.

 Chomitz, K. 2007. “Agricultural Expansion, Poverty Reduction, and Environment
in the Tropical Forests.” World Bank Policy Research Report 308.

 Collins, Brian D., Kayen, Robert, 2006, Applicability of Terrestrial LIDAR
Scanning for Scientific Studies in Grand Canyon National Park, Arizona: U.S.
Geological Survey, Open File Report 2006-1198, 27pg; [disponible en
http://pubs.usgs.gov/of/2006/1198/].

83

 CONAFOR. (2012) Manual y procedimientos para el muestreo de campo Re-
muestreo 2012. Inventario Nacional Forestal y de Suelos. SEMARNAT. 136 p.

 Cordon G.B. (2009) Métodos ópticos no destructivos para monitoreo de salud

vegetal. Tesis doctoral. Facultad de Ciencias Exactas y Naturales, Universidad de

Buenos Aires. Argentina.

 Dassot M., Colin A., Santenoise P, Fournier M., & Constant T. (2012). “Terrestrial
laser scanning for measuring the solid wood volume, including branches, of
adult standing trees in the forest environment” Computers and Electronics in
Agriculture 89. Pp. 86–93.

 Dassot M., Constant T. & Fuornier M. (2011). The use of terrestrial LiDAR
technology in forest science: application fields, benefits and challenges. Annals
of Forest Science, 68, 959-974.

 Díaz R., De la Rosa R., León L. & Zarco P. (2015). High-Resolution Airborne UAV
Imagery to Assess Olive Tree Crown Parameters Using 3D Photo Reconstruction:
Application in Breeding Trials. Remote Sensing, 7, 4213-4232.

 FAO. (2010). Evaluación de los recursos forestales mundiales 2010.
Organización de las Naciones Unidas para la Agricultura y la Alimentación,
Roma, 2010. 346 p.

 Fernández A., Velázquez B., Sajdak M., Martínez L. & Estornell J. (2013). Different
methodologies for calculating crown volumes of Platanus hispanica trees using
terrestrial laser scanner and a comparison with classical dendrometric
measurements. Computers and Electronics in Agriculture, 90, 176-185.

 Fischler M.A. & Bolles R. C. (1987). Random sample consensus: a paradigm for
model fitting with applications to image analysis and automated cartography. En
Readings in computer vision: issues, problems, principles, and paradigms (726-
740). San Francisco, CA, USA: Morgan Kaufmann Publishers In.

 FRA. (2005). Terms and definitions. Global Forest Resources Assessment
Update. Forestry Department. Food and Agriculture Organization of the United
Nations. 33.

 Furukawa Y. & Ponce J. (2008). Accurate, Dense, and Robust Multi-View
Stereopsis. Fellow, IEEE, 1, 179–193.

 Gering, Lawrence R.; May, Dennis M. (1 November 1995). The Relationship of
Diameter at Breast Height and Crown Diameter for Four Species Groups in
Hardin County, Tennessee. Southern Journal of Applied Forestry, 19, 177-181.

 Glenn N.F., Streutker D. R, Chadwick D. J., Thackray G. D. & Dorsch S. J. (2006).
Analysis of LiDAR-derived topographic information for characterizing and
differentiating landslide morphology and activity. Geomorphology, 73, 131–148.

 Glennie C. L., Hinojosa A., Nissen E., Kusari A., Oskin M. E., Arrowsmith J. R., Borsa
A. (2014). Optimization of legacy lidar data sets for measuring near-field
earthquake displacements. Geophysical Research Letters, 41, 3494–3501.

 Gold P., Elliott A. J., Okin, M. E., Taylor M. H., Herrs, A. J., Hinojosa A, Kreylos O.,
Bernardin T. S. & Cowgill E. (2010). Analyses of Coseismic surface rupture from
the 4 April 2010 El Mayor-Cucapeh Earthquake using terrestrial LIDAR.
Geological Society of America, 42, 177.

84

 Grenzdörffer. (2008). The Photogrammetric potential of low-cost UAVs in
forestry and agriculture. 2008, de Rostock University Sitio web:
http://www.isprs.org/proceedings/XXXVII/congress/1_pdf/206.pdf

 Hare T., Masson M. & Russel B.l. (2014). High-Density LiDAR Mapping of the
Ancient City of Mayapán. Remote Sensing. 6, 9064-9085.

 Hemery G. E.; Savill P. S. & Pryor S. N. (Agosto 2005). Applications of the crown
diameter–stem diameter relationship for different species of broadleaved trees.
Forest Ecology and Management, 215, 285–294

 Herreros et al. (2015). Los Drones y su aplicación a la Ingeniería civil. Madrid,
España: Consejería de Economía y Hacienda, Comunidad de Madrid.

 Hinojosa A., Rodríguez V. M., Munguia L. & Meillón. (2011). El deslizamiento de
ladera de noviembre 2007 y generación de una presa natural en el río Grijalva,
Chiapas, México. Boletín de la Sociedad Geológica Mexicana, 63, 15-38.

 Hush B., Beers T. & Kershaw J. A. (2002). Forest Mensuration. New Jersey: John
Wiley & Sons.

 Hush, B., Miller, C. I & Beers. (1970). TW. En Forest Mensuration (410). New-
York: Ronald Press Company.

 Hopkinson C.; Chasmer L.; Young-Pow, C.; Treitz, P. (2004). “Assessing forest
metrics with a ground-based scanning LiDAR”. Canadian Journal of Forest
Research 34, 3: 573-583

 Hopkinson C., Lovell J., Chasmer L., Juppa D., Kljund N. & Gorse E.. (2013).
Integrating terrestrial and airborne LiDAR to calibrate a 3D canopy model of
effective leaf area index. Remote Sensing of Environment, 136, 301–314.

 Houghton J. (2004). Global Warming, The Complete Briefing. USA: Cambridge
University Press.

 IPCC. (2003). IPCC Good Practice Guidance for Land Use, Land-Use Change and
Forestry. [Edited by Penman J; Gytarsky M; Hiraishi T; Krug T; Kruger D; Pipatti
R; Buendia L; Miwa K; Ngara T; Tanabe K. & Wagner F.] Institute for Global
Environmental Strategies (IGES).

 IPCC. (2007). IPCC Fourth Assessment Report: Climate Change 2007: Working
Group II: Impacts, Adaptation and Vulnerability. Cambridge, United Kingdom y
New York, NY, USA: Cambridge University Press.

 IPCC. (2014). Climate Change 2014: Impacts, Adaptation, and Vulnerability. Part
A: Global and Sectoral Aspects. Contribution of Working Group II to the Fifth
Assessment Report of the Intergovernmental Panel on Climate Change [Field,
C.B., V.R. Barros, D.J. Dokken, K.J. Mach, M.D. Mastrandrea, T.E. Bilir, M.
Chatterjee, K.L. Ebi, Y.O. Estrada, R.C. Genova, B. Girma, E.S. Kissel, A.N. Levy, S.
MacCracken, P.R. Mastrandrea, and L.L. White (eds.)]. Cambridge University
Press, Cambridge, United Kingdom and New York, NY, USA, 1132 pp.

 JakubowskimM. K., Guo Q. & Kelly M. (2013). Tradeoffs between LiDAR pulse
density and forest measurement accuracy. Remote Sensing of Environment, 130,
245–253.

85

 James M. R. & Quinton, J. N., (2013). Ultra-rapid topographic surveying for
complex environments: the handheldmobile laser scanner (HMLS)". Earth
Surface Processes and Landforms.

 Jones K., Poole G. C., O'Daniel S. J., Mertes L. & Standford J. (2008). Surface
hydrology of low-relief landscapes: Assessing surface water flow impedance
using LIDAR-derived digital elevation models. Remote Sensing of Environment,
112, 4148–4158.

 Jones L. D. (2006). Monitoring landslides in hazardous terrain using terrestrial
LiDAR: an example from Montserrat. Quarterly Journal of Engineering Geology
and Hydrogeology, 39, 371-373.

 Jurado Cruz, D. A. (2013). Metodología para estimar almacenamiento de carbono
en un bosque de encinos combinando LiDAR con imágenes satelitales de alta
resolución. Tesis de maestría para obtener Gardo de Maestro en Ciencias con
especialidad en Sistemas Ambientales. 99 p.

 Krůček, M., Trochta, J., y Král. K. (2015) 3D Forest User Guide Release 0.31. A tool
for processing poinclouds acquired by terrestrial laser scanning forest. Siva
Tarouca Research Institute. 30 p.

 Liang X., Hyyppä J., Kukko A., Kaartinen H., Jaakkola A., & Yu X (2014a). “The Use
of a Mobile Laser Scanning System for Mapping Large Forest Plots”. IEEE Trans.
Geosci. Remote Sens., vol. 11, no. 9. Pp. 1504–1508

 Liang X., Jaakkola A., Wang Y., Hyppä J., Honkavaara E., Liu J. & Kaartien H.
(2014). The Use of a Hand-Held Camera for Individual Tree 3D Mapping in
Forest Sample Plots. Remote Sensing, 6, 6587-6603.

 Lillesand, T. M. & Kiefer, R. W. 1994.Remote sensing and image interpretation.
3rd edition. John Wiley & Sons, Inc. New York.

 Lillesand, T.M., Kiefer, R. W. & Chimpan, J. W. 2008. Remote Sensing and Image
Interpretation. Sexta edición. John Wiley & Sons, Inc.757 p.

 Lisein J., Pierrot M., Bonnet S. & Lejeune P. (201). A Photogrammetric Workflow
for the Creation of a Forest Canopy Height Model from Small Unmanned Aerial
System Imagery. Forrest, 4, 922-944.

 Lukac R. (2009). Single-Sensor Imaging: Methods and Applications for Digital
Cameras. USA: Taylor &Francis Group.

 Lowe D. G., (1999) "Object recognition from local scale-invariant features,"
International Conference on Computer Vision, Corfu, Greece (September 1999),
pp. 1150-1157

 Lowe D. G., (2004), "Distinctive image features from scale-invariant keypoints,"
International Journal of Computer Vision, 60, 2 pp. 91-110

 Meyera, Staenzb K. & Ittena K.I. . (1996). Semi-automated procedures for tree
species identification in high spatial resolution data from digitized colour
infrared-aerial photography. ISPRS Journal of Photogrammetry and Remote
Sensing, 51, 5-16.

 Mei L. & Brydegaard M. (2015). Atmospheric aerosol monitoring by an elastic
Scheimpflug lidar system. Optics Express, 23, A1613-A1628. Robotics and
Automation (ICRA), 2013 IEEE International Conference. 7 p.

86

 Mori, T., Scherer, S. (2013). First results in detecting and avoiding frontal
obstacles from a monocular camera for micro unmanned aerial vehicles.

 Nakamura J. (2005). Image Sensors and Signal Processing for Digital Still
Cameras. Boca Raton, London, New York, Singapore: Taylor & Francis Group.

 Naranjo L. G., Sánchez M. D. & Rosales (2003) Agroforestry Systems for Livestock
Production and Biodiversity Conservation. En Agroforestry for Livestock in
Latin America. Estudio FAO Producción y Sanidad Animal 155, Roma pp 13-25.

 Nikon. (2015). Forestry Pro, de Grupo Finicon, S.A. en nombre de Nikon Europe
B.V. Sitio web: http://www.nikon.es/es_ES/product/sport-optics/laser-range-
finders/forestry-pro.

 Oczipka M.; Bemmann J.; Piezonka H.; Munkabayar J.; Ahrens B.; Achtelik M.
&Lehmann F. (2009). Small drones for geo-archaeology in the steppe: locating
and documenting the archaeological heritage of the Orkhon Valley in Mongolia.
Remote Sensing for Environmental Monitoring, GIS Applications, and Geology,
7478, 10.1117/12.830404.

 Orozco L. (2004). Planificación del manejo diversificado de bosques latifoliados
húmedos tropicales. Turrialba, Costa Rica: Centro Agronómico Tropical de
Investigación y Enseñanza CATIE.

 Ortiz Reyes, Alma Delia. 2014. Estimación de variables dasométricas mediante
tecnología LiDAR. Tesis de Maestría en Ciencias Forestales. Institución de
Enseñanza e Investigación en Ciencias Agrícolas. 89 p.

 Palenzuela J.A, Irigary C., Jiménez-Perálarez J.D., Chacón J. (2011) Aplication of
Terrestrial Laser Sacnner (TLS) to the asssessment of the evolution of
diachronic landslides. (Tésis Doctoral) Roma Italia.

 Persson A., Holmgren J., Söderman U. & Olsson H. (2004). Tree species
classification of individual trees in Sweden by combing high resolution laser
data with high resolution neer-infrared digital images. International Archives of
Photogrammetry, Remote Sensing and Spatial Information Sciences, XXXVI
8/W2,

 Pompa García M., Solis Moreno R. (2008). Ecuación de volumen para el género
Quercus en la región noreste de Chihuahua, México. Quebracho N° 16 (84-93)

 Price K. & Ballow W. (2015). Evaluating the use of drone photogrammetry for
measurement of stream channel morphology and response to high flow events.
Geophysical Research Abstracts, 17.

 Rambabu R., Rijaluddin B. M., Azrad S. (2015). Multi-sensor fusion based UAV
collision avoidance system. Journal Teknologi. 76:8. 5 p.

 Ramírez, N. L., Huerta, R., Yépez, F. D. & Lozano, D. F. (2016) Experimento
práctico para evaluar la eficacia en la producción de nubes de puntos de tres
programas fotogramétricos. XXI Reunión Nacional SELPER-México-UACJ-2015.
11 p.

 Rojas-García F., De Jong B. H. J., Martínez-Zurimendí P., Paz-Pellat F. (2015).
Database of 478 allometric equations to estimate biomass for Mexican trees and
forests. Annals of Forest Science 72: 835–864.

87

 Romahn, C. F. & Ramírez H. (2010). “Dendrometría”. Universidad Autónoma de
Chipango: División de Ciencias Forestales. Pp. 13-37, 50-59

 Rosén, E., Jansson, E y Brundin M. (2014). Implementation of a fast and efficient
concave hull algorithm. Project Report. Uppsala Universitet. 34 p.

 Scaramuzza, D., Fraundorfer, F., Pollefeys, M., and Siegwart, R. (2009). Absolute
Scale in Structure from Motion from a Single Vehicle Mounted Camera by
Exploiting Nonholonomic Constraints. IEEE International Conference on
Computer Vision,

 Seidel D., Albert K., Ammer C., Fehrmann L. & Kleinn C.. (2013). Using terrestrial
laser scanning to support biomass estimation in densely stocked young tree
plantations. International Journal of Remote Sensing, 34, 8699-8709.

 SEMARNAT, INECC. (2012). México Quinta Comunicación Nacional ante la
Convención Marco de las Naciones Unidas sobre el Cambio Climático. Grupo
Communicare, S.C. México. P. 399

 Silva Arredondo M. y Návar Cháidez, JJ. (2009). Estimación de factores de
expansión de carbono en comunidades forestales templadas del norte de
Durango, México. Rev. Chapingo vol. 15 no. 2 p. 155-163

 Silva Arredondo M. y Návar Cháidez JJ. (2010). Factores de expansión de
biomasa en comunidades forestales templadas del norte de Durango, México.
Revista Mexicana de Ciencias Forestales. Vol. 1 No. 1

 Silva Arredondo M. y Návar Cháidez JJ. (2012). Estimación de densidad de
madera en árboles de comunidades forestales templadas del norte del estado de
Durango, México. Madera y Bosques. Vol. 18 no. 1 Xalapa p. 77-88

 Simonse M, Aschoff T., Spiecker H., & Thies M. (2003). “Automatic determination
of forest inventory parameters using terrestrial laser scanning”. Proc. Scand
Laser Sci. Workshop Airborne Laser Scanning Forests. Pp. 252–258.

 Snavely N., Seitz S. M. & Szeliski R. (2008). Finding Paths through the World's
Photos. ACM Transactions on Graphics (Proceedings of SIGGRAPH 2008), 27, 11-
21.

 Smith B. C. (1999). Infrared Spectral Interpretation: A Systematic Approach.
Boca Raton, London, New York and Washington D.C: CRC Press.

 Wallace L., Lucieer A., Malenovský Z., Turner D. y Vopenka P. (2016). Assessment
of Forest Structure Using Two UAV Techniques: A Comparison of Airborne Laser
Scanning and Structure from Motion (SfM) Point Clouds. Forests, 7, 62. 16 p.

 Weitkamp C. (2006). Lidar: Range-Resolved Optical Remote Sensing of the
Atmosphere. Singapore: Springer Science & Business Media.

 Westoby M.J., Brasington J., Glasser N.F., Hambrey M.J. & Reynolds J. M. (2012).
Structure-from-Motion’ photogrammetry: A low-cost, effective tool for
geoscience applications. Geomorphology, 179, 300–314.

 Williams K., Olsen M. J., Roe G., & Glennie C. (2013). Synthesis of Transportation
Applications of Mobile LIDAR. Remote Sensing, 5, 4652-4692.

 Xu L., Oja E, (1993). Randomized Hough transform (RHT): basic mechanisms,
algorithms, and computational complexities. CVGIP: Image understandings
57(2): 131-154.

88

 computational complexities. CVGIP: Image understanding 57(2): 131-154.
 Yépez F. D., Huerta R. E., Ramírez N. L., Lozano D. F. Lasso F. X. (en revisión).

Evaluación de sensores remotos para la actualización de inventarios de árboles
urbanos. 12 p.
 Yépez F. D., Lozano D. F. (2014). Mapeo del arbolado urbano con LiDAR aéreo.
Revista Mexicana de Ciencias Forestales, 5, 58-75.
 Yepez F. D., Lozano D. F., Jurado D. A., Manzano M. G., Treviño J. & Casas S. L.
(2014). Comparación de distintas resoluciones de datos LiDAR aéreo para el
mapeo de biomasa forestal. Sociedad Latinoamericana en Percepción Remota y
Sistemas de Información Espacial, XVI Simposio Internacional SELPER, 1-22.
 Yépez F.D., Lozano D. F., Vela P. & Rivera L. (2013). Assessing
hydrometeorological impacts with Terrestrial and Aerial LiDAR data in
Monterrey, Mexico. International Archives of the Photogrammetry, Remote
Sensing and Spatial Information Sciences, XL-7/W2, 271-276.
 Yu X., Liang X., Hyyppa J. Kankare V., Vastaranta M., & Holopainen M. (2013).
Stem biomass estimation based on stem reconstruction from terrestrial laser
scanning point clouds. Remote Sensing Letters, 4, 344-353.
 Zwieten C. (2013). 3D mapping the Tower of Pisa. De CSIRO Sitio web:
http://www.ee.co.za/wp-content/uploads/legacy/positionit_2013/3d-tower-
of-pisa.pdf
 Zlot R., Bosse M., Greenop K. Jarzab Z., Juckes E. & Roberts J. (2014).Efficiently
capturing large, complex cultural heritage sites with a handheld mobile 3D laser
mapping system. Journal of Cultural Heritage, 15, 670–678

89

11 ANEXOS
Anexo 1. Parámetros forestales de sensores remotos

LiDAR móvil

Clave Nombre cienfífico DAP Altura total Diámetro de copa Biomasa
9.20
ARB2 Q. shumardii 35.20 10.64 10.57 564.18
9.15 630.12
ARB3 Q. shumardii 37.20 8.62 10.89 671.43
7.95 869.56
ARB4 Q. fusiformis 38.40 8.80 7.91 312.56
8.39 466.27
ARB5 Q. fusiformis 43.70 9.95 7.26 594.06
11.11
ARB6 Q. vaseyana 26.20 8.77 8.23 -
9.64 1084.36
ARB7 Q. vaseyana 32.00 9.40 10.72 765.43
6.17 362.10
ARB8 Q. fusiformis 36.12 7.54 8.59 728.54
14.19 501.89
ARB9 Q. fusiformis - 6.09 11.19 426.36
8.50 922.06
ARB10 Q. fusiformis 48.80 6.92 14.02 810.89
7.43 498.88
ARB11 Q. fusiformis 41.00 7.69 4.42 971.90
6.99 787.99
ARB12 Q. vaseyana 28.20 8.08 10.97 162.65
7.25 307.81
ARB13 Q. fusiformis 40.00 8.55 8.92 623.36
6.04 1250.25
ARB14 Q. fusiformis 33.20 7.49 12.85 577.08
380.62
ARB15 Q. fusiformis 30.60 7.86 980.33

ARB16 Q. vaseyana 45.00 8.61

ARB17 Q. vaseyana 42.20 7.57

ARB18 Q. fusiformis 33.10 7.82

ARB19 Q. fusiformis 46.20 6.79

ARB20 Q. fusiformis 41.60 8.48

ARB21 Q. fusiformis 18.90 6.15

ARB22 Q. fusiformis 26.00 5.23

ARB23 Q. vaseyana 37.00 7.48

ARB24 Q. fusiformis 52.40 7.44

ARB25 Q. fusiformis 35.60 7.92

ARB28 Q. polymorpha 30.02 6.93

ARB32 Q. shumardii 46.40 9.13

 - = Cobertura de fuste menor al 50 %

90

Fotorreconstrucción RGB a nivel del suelo

Clave Nombre cienfífico DAP Altura total Diámetro de copa Biomasa
8.99
ARB2 Q. shumardii 32.00 10.96 7.15 466.27
4.10 489.87
ARB3 Q. shumardii 32.80 8.74 10.20 596.70
8.00 609.96
ARB4 Q. fusiformis 36.20 9.47 7.75
8.03 -
ARB5 Q. fusiformis 36.60 10.66 6.76 535.70
9.53 603.31
ARB6 Q. vaseyana - 8.62 6.24
9.72 -
ARB7 Q. vaseyana 34.30 10.28 10.65
6.66 834.11
ARB8 Q. fusiformis 36.40 8.69 9.85 901.69
13.45 354.44
ARB9 Q. fusiformis - 6.12 10.32 609.96
8.12 409.81
ARB10 Q. fusiformis 42.80 7.22 13.80
7.83 -
ARB11 Q. fusiformis 44.50 7.57 4.39
6.67 847.02
ARB12 Q. vaseyana 27.90 9.19 9.77 630.12
6.44 681.96
ARB13 Q. fusiformis 36.60 9.36 8.37 826.33
5.39 664.45
ARB14 Q. fusiformis 30.00 8.36 13.23 191.36
307.81
ARB15 Q. fusiformis - 6.08 603.31
1075.49
ARB16 Q. vaseyana 29.20 9.46 685.49
288.31
ARB17 Q. vaseyana 37.20 8.43 1084.36

ARB18 Q. fusiformis 38.70 8.36

ARB19 Q. fusiformis 42.60 10.19

ARB20 Q. fusiformis 38.20 10.85

ARB21 Q. fusiformis 20.50 4.73

ARB22 Q. fusiformis 26.00 8.80

ARB23 Q. vaseyana 36.40 10.61

ARB24 Q. fusiformis 48.60 10.00

ARB25 Q. fusiformis 38.80 10.70

ARB28 Q. polymorpha 26.80 5.12

ARB32 Q. shumardii 48.80 12.35

 - = Cobertura de fuste menor al 50 %

91

Fotorreconstrucción IR a nivel del suelo

Clave Nombre cienfífico DAP Altura total Diámetro de copa Biomasa
9.73
ARB2 Q. shumardii 37.50 10.96 10.19 640.32
8.96 630.12
ARB3 Q. shumardii 37.20 8.74 10.31 728.54
7.68 1049.10
ARB4 Q. fusiformis 40.00 9.47 7.51 264.47
8.00 460.46
ARB5 Q. fusiformis 48.00 10.66 7.07 654.05
9.38 548.27
ARB6 Q. vaseyana 24.10 8.62 7.62 746.87
9.20
ARB7 Q. vaseyana 31.80 10.28 10.32 -
6.38
ARB8 Q. fusiformis 37.90 8.69 9.39 314.95
14.62 609.96
ARB9 Q. fusiformis 34.70 6.12 11.49 319.76
8.32
ARB10 Q. fusiformis 40.50 7.22 13.57 -
7.22
ARB11 Q. fusiformis - 7.57 3.83 1023.04
6.81 772.91
ARB12 Q. vaseyana 26.30 8.44 10.68 526.37
7.21 1005.85
ARB13 Q. fusiformis 36.60 9.56 9.22 463.36
3.62 98.39
ARB14 Q. fusiformis 26.50 8.02 12.11
-
ARB15 Q. fusiformis - 8.77
334.41
ARB16 Q. vaseyana 47.40 9.71 -

ARB17 Q. vaseyana 41.20 8.36 603.31
-
ARB18 Q. fusiformis 34.00 8.91
1149.30
ARB19 Q. fusiformis 47.00 8.64

ARB20 Q. fusiformis 31.90 5.03

ARB21 Q. fusiformis 14.70 4.53

ARB22 Q. fusiformis - 3.19

ARB23 Q. vaseyana 27.10 8.70

ARB24 Q. fusiformis - 9.45

ARB25 Q. fusiformis 36.40 8.78

ARB28 Q. polymorpha - 7.81

ARB32 Q. shumardii 70.60 11.44

 - = Cobertura de fuste menor al 50 %

92

Fotorreconstrucción RGB desde VANT

Clave Nombre cienfífico DAP Altura total Diámetro de copa Biomasa
9.05
ARB2 Q. shumardii 28.93 10.20 10.19 381.09
9.12 418.40
ARB3 Q. shumardii 30.31 8.72 10.75 359.56
7.96 519.58
ARB4 Q. fusiformis 28.10 9.30 7.45 264.69
7.03 256.58
ARB5 Q. fusiformis 33.78 10.46 6.91 202.04
10.94 153.84
ARB6 Q. vaseyana 24.11 8.52 7.98 436.33
9.36 252.13
ARB7 Q. vaseyana 23.74 9.40 10.67 352.34
6.48 449.80
ARB8 Q. fusiformis 21.06 8.03 9.49 179.83
14.49 362.96
ARB9 Q. fusiformis 18.38 5.94 11.96 830.05
8.44 546.68
ARB10 Q. fusiformis 30.96 7.51 13.21 277.20
7.38 682.36
ARB11 Q. fusiformis 23.53 7.96 8.35 236.80
6.89 215.94
ARB12 Q. vaseyana 27.82 8.48 10.61 179.88
13.58 450.37
ARB13 Q. fusiformis 31.43 8.57 8.46 742.91
6.18 291.54
ARB14 Q. fusiformis 19.87 8.28 12.65 132.66
687.63
ARB15 Q. fusiformis 28.23 8.54

ARB16 Q. vaseyana 42.70 9.48

ARB17 Q. vaseyana 34.65 8.36

ARB18 Q. fusiformis 24.67 7.88

ARB19 Q. fusiformis 38.71 8.99

ARB20 Q. fusiformis 22.80 8.74

ARB21 Q. fusiformis 21.78 5.53

ARB22 Q. fusiformis 19.88 7.31

ARB23 Q. vaseyana 31.45 8.73

ARB24 Q. fusiformis 40.39 9.60

ARB25 Q. fusiformis 25.30 8.39

ARB28 Q. polymorpha 17.07 6.51

ARB32 Q. shumardii 38.86 10.45

93

Fotorreconstrucción IR desde VANT

Clave Nombre cienfífico DAP Altura total Diámetro de copa Biomasa
9.02
ARB2 Q. shumardii 29.51 10.78 10.26 396.39
9.23 440.07
ARB3 Q. shumardii 31.09 9.24 10.83 383.98
8.07 538.86
ARB4 Q. fusiformis 29.04 9.87 7.61 284.94
8.64 273.70
ARB5 Q. fusiformis 34.40 10.82 7.14 313.74
11.04 177.08
ARB6 Q. vaseyana 25.02 9.06 8.18 457.51
9.70 275.77
ARB7 Q. vaseyana 24.52 9.71 10.47 377.87
6.26 421.34
ARB8 Q. fusiformis 26.25 8.80 9.67 168.92
14.18 366.66
ARB9 Q. fusiformis 19.72 6.58 11.49 733.92
8.61 512.82
ARB10 Q. fusiformis 31.70 7.93 14.44 273.99
7.32 818.29
ARB11 Q. fusiformis 24.61 8.44 6.54 220.83
7.07 112.64
ARB12 Q. vaseyana 28.81 8.55 10.29 182.69
13.65 417.37
ARB13 Q. fusiformis 30.42 8.15 8.39 749.82
6.24 293.99
ARB14 Q. fusiformis 19.26 8.26 13.03 115.71
689.68
ARB15 Q. fusiformis 28.38 8.24

ARB16 Q. vaseyana 40.15 7.96

ARB17 Q. vaseyana 33.56 8.51

ARB18 Q. fusiformis 24.53 7.35

ARB19 Q. fusiformis 42.39 9.33

ARB20 Q. fusiformis 22.02 8.19

ARB21 Q. fusiformis 15.73 4.47

ARB22 Q. fusiformis 20.03 7.02

ARB23 Q. vaseyana 30.28 8.45

ARB24 Q. fusiformis 40.58 9.60

ARB25 Q. fusiformis 25.41 8.65

ARB28 Q. polymorpha 15.94 5.37

ARB32 Q. shumardii 38.92 9.60

94

Anexo 2. Estimación de biomasa aérea con datos del MTF a través de las ocho ecuaciones
alométricas existentes para el género Qercus en la región

Biomasa aérea MTF
Clave Especie Návar 1 Návar 2 Návar 3 RDZ 1 RDZ 2 Ag N20091 N20092
ARB2 Q. shumardii 635.32 590.24 544.59 489.77 784.59 517.13 224.14 412.31
ARB3 Q. shumardii 831.84 781.83 716.98 678.50 1060.62 640.32 297.43 535.20
ARB4 Q. fusiformis 843.08 792.85 726.87 689.60 1076.65 647.17 301.65 542.20
ARB5 Q. fusiformis 1154.27 1100.26 1001.55 1008.34 1529.94 830.22 419.49 734.88
ARB6 Q. vaseyana 346.47 313.62 293.35 235.25 398.23 319.76 118.61 229.28
ARB7 Q. vaseyana 714.18 666.86 613.66 564.22 894.29 567.39 253.43 461.75
ARB8 Q. fusiformis 761.01 712.52 654.74 609.26 960.12 596.70 270.90 491.03
ARB9 Q. fusiformis 557.55 515.09 476.66 418.22 677.98 466.27 195.43 363.36
ARB10 Q. fusiformis 1423.47 1369.14 1240.42 1299.31 1934.19 980.33 522.75 900.18
ARB11 Q. fusiformis 854.41 803.97 736.84 700.82 1092.85 654.05 305.91 549.25
ARB12 Q. vaseyana 523.05 481.90 446.59 387.13 631.24 443.25 182.76 341.58
ARB13 Q. fusiformis 848.73 798.40 731.84 695.20 1084.73 650.61 303.77 545.71
ARB14 Q. fusiformis 787.80 738.71 678.27 635.30 998.01 613.29 280.92 507.75
ARB15 Q. fusiformis 523.05 481.90 446.59 387.13 631.24 443.25 182.76 341.58
ARB16 Q. vaseyana 1195.62 1141.40 1038.18 1052.19 1591.38 853.71 435.28 760.34
ARB17 Q. vaseyana 1080.72 1027.24 936.48 931.17 1421.33 787.99 391.48 689.51
ARB18 Q. fusiformis 644.87 599.51 552.95 498.69 797.80 523.28 227.68 418.31
ARB19 Q. fusiformis 1400.37 1345.97 1219.89 1273.85 1899.12 967.69 513.84 886.04
ARB20 Q. fusiformis 894.78 843.62 772.38 741.07 1150.76 678.44 321.10 574.34
ARB21 Q. fusiformis 136.16 118.40 113.11 76.03 140.11 152.49 44.50 92.85
ARB22 Q. fusiformis 380.41 345.72 322.70 263.40 442.10 344.35 130.83 250.98
ARB23 Q. vaseyana 724.43 676.84 622.65 574.03 908.66 573.84 257.25 468.16
ARB24 Q. fusiformis 1990.89 1942.71 1746.78 1949.49 2814.86 1279.05 743.42 1245.53
ARB25 Q. fusiformis 729.59 681.87 627.17 578.97 915.90 577.08 259.17 471.39
ARB28 Q. polymorpha 531.55 490.07 453.99 394.76 642.72 448.95 185.88 346.95
ARB32 Q. shumardii 1558.72 1505.09 1360.80 1450.06 2140.87 1053.48 575.00 982.85

95