Acceso usuarios
[1]
;
Casimiro Ordóñez-Prado
[1]
;
Adrián Hernández-Ramos
[1]
;
Enrique Buendía-Rodríguez
[1]
;
Bossuet Gastón Cortés-Sánchez
[1]
;
Adan Nava-Nava
[2]
México
La nube de puntos fotogramétrica proporciona información para estimar con precisión variables dendrométricas y dasométricas a nivel de árbol individual. El objetivo del presente estudio fue evaluar el potencial de las nubes de puntos geoespaciales, generadas mediante fotogrametría digital de imágenes aéreas capturadas con un dron de bajo costo, para la estimación de variables dendrométricas y dasométricas en rodales de coníferas. Con datos de altura total (At: m), área basal (AB: m2) y Volumen (Vol: m3) de 80 árboles de coníferas medidos en campo se ajustaron los modelos de regresión lineal (M1), exponencial (M2), M1 con efectos mixtos (M3), M2 con efectos mixtos (M4), redes neuronales artificiales (RNA-M5) y random forest (RF-M6) para estimar la At, ABy Volen función de métricas de altura (z), de las coníferas medidas, de la nube de puntos fotogramétrica. La eficiencia de las estimaciones se calculó mediante el mayor coeficiente de determinación (R2), la raíz del cuadrado medio del error (RCME), el Criterio de Información de Akaike (AIC) y el Sesgo más bajo. La Atfue la mejor estimada con las métricas de la nube de puntos de fotogrametría al obtener R2entre 0.87 y 0.98, RCME de 1.64 y 0.61; siendo el M2 el mejor. Para la estimación de la ABy Volel modelo RF-M6 fue el mejor con un R2 de 0.772 y 0.769 y, RCME de 0.046 y 0.564 respectivamente. La nube de puntos 3D fotogramétrica es una alternativa para estimar variables forestales a nivel de árbol
The photogrammetric point cloud provides information that allows to estimate dendrometric and dasometric variables at the individual tree level with precision. The objective was to evaluate the potential of the geospatial point cloud generated by photogrammetry of aerial photographs captured by a low-cost drone in the estimation of dendrometric and dasometric variables in conifer species. With data on total height (At: m), basal area (AB: m2) and volume (Vol: m3) of 80 conifer trees measured in the field, linear (M1), exponential (M2), M1 with mixed effects (M3), M2 with mixed effects (M4), artificial neural networks (ANN-M5) and random forest (RF-M6) regression models were fitted to estimate At, ABand Volbased on height metrics (z), of the measured conifers, from the photogrammetric point cloud. The efficiency of the estimates was determined using the highest adjusted coefficient of determination (R2), the lowest root mean square error (RMSE), the Akaike Information Criterion (AIC), and Bias. The Atwas best estimated using the photogrammetric point cloud metrics, with R2adjranging from 0.87 to 0.98, and RMSE of 1.64 and 0.61; M2 being the best. Regarding the estimation of ABand Vol, the RF-M6model was the best, achieving an R2 of 0.772 and 0.769, and RMSE of 0.046 and 0.564, respectively. It is concluded that the photogrammetric 3D point cloud is an alternative for estimating forest variables at the tree level.
