Desarrollo de un modelo dendrométrico no destructivo para estimar el área basal en Gmelina arborea
Development of a non-destructive dendrometric model to estimate basal area in Gmelina arborea
DOI:
https://doi.org/10.56712/latam.v6i5.4665Palabras clave:
gmelina arborea, área basal, fotogrametría aérea, UAV, modelo dendrométricoResumen
El estudio desarrolló un modelo dendrométrico no destructivo para estimar el área basal en plantaciones jóvenes de Gmelina arborea a partir de mediciones de copa obtenidas mediante fotogrametría aérea con UAV. Se aplicó un enfoque cuantitativo, con diseño no experimental, transversal y correlacional, evaluando 323 individuos distribuidos en tres parcelas de 2000m² en la provincia de Santo Domingo de los Tsáchilas, Ecuador. En campo se midió el diámetro a la altura del pecho (DAP) y se calculó el área basal; de manera paralela, se capturaron imágenes aéreas con un dron DJI Mavic 2 Pro, generando ortomosaicos y modelos digitales de superficie procesados en Agisoft Metashape y ArcGIS Pro para determinar el diámetro y área de copa de cada árbol. Los análisis estadísticos incluyeron descriptivos, prueba de normalidad de Kolmogórov-Smirnov, correlación de Spearman y regresión lineal. Los resultados evidenciaron una fuerte correlación positiva entre área de copa y área basal (r = 0,888; p < 0,01). El modelo de regresión lineal explicó el 78,4 % de la variabilidad del área basal, con error estándar reducido, indicando un ajuste robusto. Se concluye que el área de copa obtenida mediante UAV constituye un predictor confiable del área basal en plantaciones jóvenes de G. arborea, permitiendo estimaciones rápidas, precisas y no destructivas. El modelo optimiza el monitoreo forestal, reduce costos y tiempos de inventario, y minimiza impactos sobre los ecosistemas.Descargas
Citas
Ahirwar, S; Swarnkar, R; Bhukya, S; Namwade, G. 2019. Application of Drone in Agriculture. International Journal of Current Microbiology and Applied Sciences 8(01):2500-2505. DOI: https://doi.org/10.20546/ijcmas.2019.801.264.
Baena, S; Boyd, D; Moat, J. 2018. UAVs in pursuit of plant conservation - Real world experiences. Ecological Informatics (Serie The use of spatial ecology for conservation) 47:2-9. DOI: https://doi.org/10.1016/j.ecoinf.2017.11.001.
Ball, J. G. C., Hickman, S. H. M., & Jackson, T. D. (2023). Accurate delineation of individual tree crowns in tropical forests from aerial RGB imagery using Mask R-CNN. Remote Sensing in Ecology and Conservation, 9(5), 641-655. https://doi.org/10.1002/rse2.332
Banu, P; Borlea, G; Banu, C. 2016. The Use of Drones in Forestry (en línea). Journal of Environmental Science and Engineering B 5(11). DOI: https://doi.org/10.17265/2162-5263/2016.11.007.
Boeno, M., et al. (2021). Individual tree detection and qualitative inventory of a Eucalyptus stand using UAV photogrammetry data. Remote Sensing, 13, 3655.
Brūmelis, G., Dauškane, I., Elferts, D., Strode, L., Krama, T., & Krams, I. (2020). Estimates of tree canopy closure and basal area as proxies for tree crown volume at a stand scale. Forests, 11(11), 1180.
Buchelt, A; Adrowitzer, A; Kieseberg, P; Gollob, C; Nothdurft, A; Eresheim, S; Tschiatschek, S; Stampfer, K; Holzinger, A. 2024. Exploring artificial intelligence for applications of drones in forest ecology and management. Forest Ecology and Management 551:1-15. DOI: https://doi.org/10.1016/j.foreco.2023.121530.
Frank, B., Mauro, F., & Temesgen, H. (2020). Model-based estimation of forest inventory attributes using LiDAR: A comparison of the area-based and semi-individual tree crown approaches. Remote Sensing, 12(16), 2525.
Gallardo, J; Pompa, M; Aguirre, C; López, P; Meléndez, A. 2020. Drones: tecnología con futuro promisorio en la gestión forestal (en línea). 11. DOI: https://doi.org/10.29298/rmcf.v11i61.794.
González, J; Diéguez, U; Álvarez, J; Rojo, A. 2005. LiFOR: Aplicación informática para el procesado de datos en inventarios forestales. Cuadernos de la Sociedad Española de Ciencias Forestales (19):123-128.
González, R; Rabino, A; Azzaro, F. 2020. Uso de un Vehículo Aéreo No Tripulado (VANT) como método de monitoreo de la sanidad forestal en plantaciones de coníferas en Patagonia Norte, Argentina. Quebracho - Revista de Ciencias Forestales 28(2):88-99.
Hemery, G; Savill, P; Pryor, S. 2005. Applications of the crown diameter–stem diameter relationship for different species of broadleaved trees. Forest Ecology and Management 215(1):285-294. DOI: https://doi.org/10.1016/j.foreco.2005.05.016.
Hernández, J; Aguirre, Ó; Alanís, E; Jiménez, J; Treviño, E; González, M; Luján, C; Olivas, J; Domínguez, A. 2018. Dinámica del crecimiento de un bosque templado bajo manejo en el noroeste de México (en línea). Madera y Bosques 24(2). DOI: https://doi.org/10.21829/myb.2018.2421767.
Hernández-Cole, J., Ortiz-Malavassi, E., Moya, R., & Murillo, O. (2021). Evaluation of Unmanned Aerial Vehicles (UAV) as a tool to predict biomass and carbon of Tectona grandis in silvopastoral systems in Costa Rica. Drones, 5(2), 47.
Huspek, R., et al. (2023). A non-destructive approach to develop tree-level allometric equations for estimating aboveground biomass in forests of Tripura, Northeast India. Tropical Ecology.
Lin, J., Chen, D., Yang, S., Liao, X., & otros. (2023). Precise aboveground biomass estimation of plantation forest trees using the novel allometric model and UAV-borne LiDAR. Frontiers in Forests and Global Change, 6, 1166349. https://doi.org/10.3389/ffgc.2023.1166349
Malleux, R. 2007. Estudio comparativo entre dos sistemas de clasificación digital y la interpretación visual para la estratificación del bosque de producción permanente Biabo–Cordillera azul. Perú, Universidad Nacional Agraria La Molina. 143 p.
Medina, C; López, P; Rocha, V; Torres, A; Uribe, M. 2021. Experiencia educativa de drones en silvicultura 4.0, competencias específicas del profesional forestal. e-CUCBA (17):79-87. DOI: https://doi.org/10.32870/ecucba.vi17.212.
Peñalver, A; Aguilar, F; Nemmaoui, A; Rivas, J; Triana, Á; Aguilar, M; Llanderal, A. 2021. Precisión y eficiencia del inventario de plantaciones de teca en Ecuador mediante escáner láser terrestre. Madera y Bosques 27(1):1-14. DOI: https://doi.org/10.21829/myb.2021.2712097.
Reyes, N; Rodríguez, G; Enríquez, J; Jiménez, C; Rincón, J. 2022. Estimaciónde variables dasométricas en rodales bajo manejo forestal con vehículos aéreos no tripulados. FIGEMPA: Investigación y Desarrollo 13(1):22-31. DOI: https://doi.org/10.29166/revfig.v13i1.3299.
Scientific Electronic Archives. (2022). Estimating tree volume based on crown mapping by UAV pictures in Amazonian forest. Scientific Electronic Archives, 15(6).
Tang, L; Shao, G. 2015. Drone remote sensing for forestry research and practices. Journal of Forestry Research 26(4):791-797. DOI: https://doi.org/10.1007/s11676-015-0088-y.
Tree Crown Affects Biomass Allocation and Its Response to Site Conditions and the Density of Platycladus orientalis Plantation. (2022). Forests, 14(12), 2433. https://doi.org/10.3390/f14122433
Wielgosz, M., Kontogianni, T., Peters, T., Puliti, S., Astrup, R., & Schindler, K. (2023). Automated forest inventory: analysis of high-density airborne LiDAR point clouds with 3D deep learning. arXiv.
Xiong, J., Zeng, H., Cai, G., Li, Y., Chen, J. M., & Miao, G. (2023). Crown Information Extraction and Annual Growth Estimation of a Chinese Fir Plantation Based on Unmanned Aerial Vehicle–Light Detection and Ranging. Remote Sensing, 15(15), 3869. https://doi.org/10.3390/rs15153869
