Módulo 2.8: Generalidades y estado de las tecnologías en desarrollo Materiales de capacitación sobre REDD+ de GOFC-GOLD, Universidad de Wageningen, FCPF.

Presentación del tema: "Módulo 2.8: Generalidades y estado de las tecnologías en desarrollo Materiales de capacitación sobre REDD+ de GOFC-GOLD, Universidad de Wageningen, FCPF."— Transcripción de la presentación:

1 Módulo 2.8: Generalidades y estado de las tecnologías en desarrollo Materiales de capacitación sobre REDD+ de GOFC-GOLD, Universidad de Wageningen, FCPF del Banco Mundial 1 Módulo 2.8: Generalidades y estado de las tecnologías en desarrollo Autores del módulo: Brice Mora, Universidad de Wageningen Erika Romijn, Universidad de Wageningen Ejemplos de países: 1.Mapeo de la biomasa tropical en Kalimantan mediante la integración de los datos de ALOS PALSAR y LIDAR 2.Uso de LIDAR e InSAR como datos auxiliares para estimar la biomasa forestal en un área de bosque boreal Fuente: Servicio Forestal de los Estados Unidos. V1, mayo de 2015 Licencia de Creative Commons

2 Módulo 2.8: Generalidades y estado de las tecnologías en desarrollo Materiales de capacitación sobre REDD+ de GOFC-GOLD, Universidad de Wageningen, FCPF del Banco Mundial 2 1. Mapeo de la biomasa tropical en Kalimantan mediante la integración de los datos de ALOS PALSAR y LIDAR  Estudio de Quinones y otros (2014) sobre la estimación de la biomasa del bosque tropical en Kalimantan con una combinación de RADAR y LIDAR  Ventaja de RADAR: funciona en condiciones nubosas  Limitaciones de RADAR: efectos de saturación y manchas  El uso de RADAR en combinación con LIDAR puede ayudar a superar las limitaciones

3 Módulo 2.8: Generalidades y estado de las tecnologías en desarrollo Materiales de capacitación sobre REDD+ de GOFC-GOLD, Universidad de Wageningen, FCPF del Banco Mundial 3 Clasificación de tipos estructurales de bosque con datos de RADAR  Cadena de procesamiento de imágenes: ● importación de datos y extracción de metadatos, calibración radiométrica, geocodificación gruesa, geocodificación fina, y corrección geométrica y radiométrica del terreno  Procesamiento previo: ● selección de franja, corrección radiométrica, ortorrectificación, corrección de pendiente y preparación de máscara  Clasificación  17 estratos ● segmentación no supervisada, procesamiento posterior, validación y etiquetado del sistema de clasificación de la cubierta terrestre (SCCT)

4 Módulo 2.8: Generalidades y estado de las tecnologías en desarrollo Materiales de capacitación sobre REDD+ de GOFC-GOLD, Universidad de Wageningen, FCPF del Banco Mundial 4 Tipo estructural de vegetación, Kalimantan

5 Módulo 2.8: Generalidades y estado de las tecnologías en desarrollo Materiales de capacitación sobre REDD+ de GOFC-GOLD, Universidad de Wageningen, FCPF del Banco Mundial 5 Generación de mapa de altura de vegetación a través de la fusión de datos de LIDAR y RADAR  Extracción de altura de la vegetación a partir de datos de LIDAR para 100 000 puntos: histograma con distribución de alturas para cada tipo de estructura de vegetación (estrato)  Combinación de histogramas de altura de LIDAR con histogramas ALOS PALSAR HV para cada tipo de estructura de vegetación  mapa de altura para todo Kalimantan Histogramas de altura de LIDAR para cada estrato Histogramas de RADAR HV

6 Módulo 2.8: Generalidades y estado de las tecnologías en desarrollo Materiales de capacitación sobre REDD+ de GOFC-GOLD, Universidad de Wageningen, FCPF del Banco Mundial 6 Mapeo de la biomasa tropical  Uso de 3 ecuaciones diferentes para calcular la biomasa basada en el mapa de altura: - Bio1 = altura^1,68 - Bio2 = 0,06328*(altura^2,4814) - Bio3 = 9,875+0,04552*(altura^2,5734)  Validación del mapa con estimaciones de la biomasa a partir de datos de campo ERCMKetterings y otros, 2001 Kenzo y otros, 2009 Brown 1997 Bio110,4710,6910,37 Bio210,9710,2712,37 Bio310,5110,2811,27  Uso de 3 ecuaciones diferentes para calcular la biomasa basada en datos de campo: - Ketterings y otros (2001) BIO = 0,066*D^2,59 - Kenzo y otros (2009) BIO = 0,0829*D^2,43 - Brown (1997) BIO = 0,118*D^2,53

7 Módulo 2.8: Generalidades y estado de las tecnologías en desarrollo Materiales de capacitación sobre REDD+ de GOFC-GOLD, Universidad de Wageningen, FCPF del Banco Mundial 7 Mapeo de la biomasa tropical  Uso de tres ecuaciones diferentes para calcular la biomasa basada en el mapa de altura: - Bio1 = altura^1,68 - Bio2 = 0,06328*(altura^2,4814) - Bio3 = 9,875+0,04552*(Altura^2,5734)  Validación del mapa con estimaciones de la biomasa a partir de datos de campo ERCMKetterings y otros, 2001 Kenzo y otros, 2009 Brown 1997 Bio110,4710,6910,37 Bio210,9710,2712,37 Bio310,5110,2811,27  Uso de tres ecuaciones diferentes para calcular la biomasa basada en datos de campo: - Ketterings y otros (2001) BIO = 0,066*D^2,59 - Kenzo y otros (2009) BIO = 0,0829*D^2,43 - Brown (1997) BIO = 0,118*D^2,53

8 Módulo 2.8: Generalidades y estado de las tecnologías en desarrollo Materiales de capacitación sobre REDD+ de GOFC-GOLD, Universidad de Wageningen, FCPF del Banco Mundial 8 2. Uso de LIDAR e InSAR como datos auxiliares para estimar la biomasa forestal en un área de bosque boreal Naesset y otros (2011), Model-assisted Regional Forest Biomass Estimation Using LiDAR and InSAR as Auxiliary Data: A Case Study From a Boreal Forest Area  Mejora de la estimación de la biomasa con la ayuda de los parámetros de la estructura forestal, que se midieron con técnicas de LIDAR e InSAR

9 Módulo 2.8: Generalidades y estado de las tecnologías en desarrollo Materiales de capacitación sobre REDD+ de GOFC-GOLD, Universidad de Wageningen, FCPF del Banco Mundial 9 Uso de LIDAR e InSAR como datos auxiliares para estimar la biomasa forestal en un área de bosque boreal Metodología  Estratificación de tierras forestales en cuatro estratos a través de la interpretación de fotografías aéreas (fotogrametría)  Recopilación de datos de campo: ● Para parcelas de relevamiento de muestra y grandes parcelas de campo ● Para mediciones del diámetro del árbol (d bh ) y de la altura del árbol ● Computados a partir de mediciones de campo: altura media de Lorey h L, área basal (G), cantidad de árboles por hectárea (N)  Adquisición de datos de LIDAR e InSAR

10 Módulo 2.8: Generalidades y estado de las tecnologías en desarrollo Materiales de capacitación sobre REDD+ de GOFC-GOLD, Universidad de Wageningen, FCPF del Banco Mundial 10 Obtención de datos de LIDAR e InSAR  Obtención de datos de LIDAR para cuadrícula del área de estudio: ● Distribuciones de la altura del dosel arbóreo, incluidas las estadísticas de orden: decilos de altura y valor máximo de la altura ● Distribuciones de densidad del dosel arbóreo  Obtención de datos de SRTM InSAR (X-band) para generar un modelo de superficie digital (DSM) y modelo de error de la altura digital (HEM) y dos conjuntos de datos de altura del dosel arbóreo a nivel de píxel: ● Sustracción del modelo de terreno de LIDAR de InSAR DSM ● Sustracción del modelo de terreno generado a partir del mapa topográfico oficial de InSAR DSM

11 Módulo 2.8: Generalidades y estado de las tecnologías en desarrollo Materiales de capacitación sobre REDD+ de GOFC-GOLD, Universidad de Wageningen, FCPF del Banco Mundial 11 Estimación de la biomasa aérea  Estimación de la biomasa aérea (BA) a partir de los datos de campo: ● Uso de d bh y altura del árbol como variables independientes para estimar la biomasa media por hectárea para cada estrato, que se denomina “biomasa observada”  Regresión asistida por modelo y basada en modelo para estimar BA, con LIDAR e InSAR como datos auxiliares: ● Uso de variables de distribuciones de altura del dosel arbóreo obtenidas con LIDAR para cuatro estratos forestales ● Uso de las dos variables de altura de InSAR para cuatro estratos forestales  Se calculó la diferencia entre la biomasa observada y la estimación de la biomasa asistida por modelo con datos de LIDAR e InSAR

12 Módulo 2.8: Generalidades y estado de las tecnologías en desarrollo Materiales de capacitación sobre REDD+ de GOFC-GOLD, Universidad de Wageningen, FCPF del Banco Mundial 12 Comparación de la estimación asistida por modelo de la biomasa y la biomasa observada Fuente: Naesset y otros, 2011, gráfico 2. Estimaciones de LIDAREstimaciones de InSAR Topo Estimaciones de InSAR LIDAR LIDARInSAR TOPO InSAR LIDAR Con un estimador sintético no ajustado ERCM: 17,3 DM: -4,6 ERCM: 53,2 DM: -20,6 ERCM: 44,1 DM: -21,0 Con un estimador sintético ajustado ERCM: 17,7 DM: -4,1 ERCM: 52,7 DM: -19,6 ERCM: 42,6 DM: -18,4 Biomasa prevista (Mg/ha) Biomasa observada (Mg/ha)

13 Módulo 2.8: Generalidades y estado de las tecnologías en desarrollo Materiales de capacitación sobre REDD+ de GOFC-GOLD, Universidad de Wageningen, FCPF del Banco Mundial 13 Conclusiones: Uso para estimación de biomasa tropical  LIDAR: ● Prometedor para estimar la biomasa tropical ● Alta exactitud y alta precisión de estimaciones ● Sin embargo, los costos de seguimiento son altos  InSAR: ● Exactitud y precisión moderadas ● RADAR: capacidad para ver a través de las nubes ● Actualizaciones frecuentes a costos bajos ● Útil cuando se usa un modelo de terreno exacto. Sin embargo, no están disponibles ampliamente en los trópicos

14 Módulo 2.8: Generalidades y estado de las tecnologías en desarrollo Materiales de capacitación sobre REDD+ de GOFC-GOLD, Universidad de Wageningen, FCPF del Banco Mundial 14 Módulos de consulta recomendados  Módulos 3.1 a 3.3 para continuar con la evaluación y la presentación de informes de REDD+

15 Módulo 2.8: Generalidades y estado de las tecnologías en desarrollo Materiales de capacitación sobre REDD+ de GOFC-GOLD, Universidad de Wageningen, FCPF del Banco Mundial 15 Bibliografía  Brown, S., 1997. Estimating Biomass and Biomass Change of Tropical Forests: a Primer (FAO Forestry Paper-134), FAO, United Nations, Rome.  Di Gregorio, A., and Louisa J.M. Jansen. 2000. Land Cover Classification System (LCCS): Classification Concepts and User Manual. Rome: Food and Agricultural Organization. http://www.fao.org/docrep/003/x0596e/X0596e00.htm#P-1_0.  IPCC (Intergovernmental Panel on Climate Change). 2000. Good Practice Guidance and Uncertainty Management in National Greenhouse Gas Inventories. (Often IPCC GPG.) Geneva, Switzerland: IPCC. http://www.ipcc-nggip.iges.or.jp/public/gp/english/.  Kenzo, T., R. Furutani, D. Hattori, J. J. Kendawang, S. Tanaka, K. Sakurai, and I. Ninomiya. 2009. “Allometric Equations for Accurate Estimation of Aboveground Biomass in Logged-over Tropical Rainforests in Sarawak, Malaysia.” Journal of Forest Research 14 (6): 365–372. doi:10.1007/s10310- 009-0149-1  Ketterings Q. M., R. Coe, M. van Noordwijk. 2001. “Reducing Uncertainty in the Use of Allometric Biomass Equations for Predicting Aboveground Tree Biomass in Mixed Secondary Forests.” Forest Ecology and Management 146: 199–209.

16 Módulo 2.8: Generalidades y estado de las tecnologías en desarrollo Materiales de capacitación sobre REDD+ de GOFC-GOLD, Universidad de Wageningen, FCPF del Banco Mundial 16  Næsset, E., Gobakken, T., Solberg, S., Gregoire, T.G., Nelson, R., Ståhl, G., Weydahl, D., 2011. “Model- assisted Regional Forest Biomass Estimation Using LiDAR and InSAR as Auxiliary Data: A Case Study from a Boreal Forest Area.” Remote Sensing of Environment 115 (12): 3599-3614.  Quinones, M., C. Van der Laan, D. Hoekman, and V. Schut., 2014. Integration of Alos PalSAR and LIDAR IceSAT data in a multistep approach for wide area biomass mapping. Presentation Living Planet, Edinburg, September 2013.