Revista Mexicana de Ciencias Forestales Vol. 16 (87)
Enero - Febrero (2025)
DOI: https://doi.org/10.29298/rmcf.v16i87.1488 Artículo de investigación Medición de parámetros de inventario forestal en bosques plantados, mediante tecnología LiDAR: Comparación de métodos Measuring forest inventory parameters in planted forests using LiDAR technology: Comparison of methodsJosé Antonio Hernández-Moreno1,2, Diego Rafael Pérez-Salicrup2, Alejandro Velázquez-Martínez3*
|
Fecha de recepción/Reception date: 6 de junio de 2024.
Fecha de aceptación/Acceptance date: 27 de noviembre de 2024._______________________________
1Campo Experimental El Palmar, INIFAP. México.
2Instituto de Investigaciones en Ecosistemas y Sustentabilidad, Universidad Nacional Autónoma de México. México.
3Colegio de Postgraduados, Campus Montecillo. México.
*Autor para correspondencia; correo-e: alejvela@colpos.mx
*Corresponding author; e-mail: alejvela@colpos.mx
Resumen
El inventario forestal describe cantidad, tamaño y calidad de los árboles de un bosque, así como las características del espacio donde crecen. Tradicionalmente, el inventario forestal se realiza manualmente, con calibradores (forcípulas) para medir el diámetro a la altura del pecho (DAP), y dispositivos que utilizan principios geométricos, como el clinómetro para la estimación de la altura total (AT). En el presente trabajo se documenta la aplicabilidad de una tableta con tecnología LiDAR integrada para la medición de parámetros de inventario forestal, mediante la comparación de datos dendrométricos obtenidos mediante LiDAR y con métodos tradicionales: posición geográfica, DAP, AT, diámetro de copa (DC) y altura de fuste limpio (FL) de árboles individuales, en un bosque plantado de coníferas. Se realizó un análisis de regresión lineal simple con cada variable y se aplicó una prueba t-student, para la determinación de diferencias entre medias, así como el cálculo de la Raíz del Error Cuadrático Medio (RECM) para medir el error entre los valores predichos y los observados. Los resultados muestran una R2=0.99 y RECM=0.657 cm para el DAP; R2=0.98 y un RECM=0.369 m para la AT; R2=0.95 y RECM=0.341 cm para el DC y R2=0.97 y RECM=0.208 cm para el FL. El tiempo total del escaneo para la adquisición de datos LiDAR fue 3.4 veces menor al tiempo del inventario forestal tradicional. El método propuesto para inventario forestal en bosques plantados mediante el dispositivo móvil es confiable, preciso y consume menos tiempo, en comparación con el enfoque tradicional.
Palabras clave: Escaneo láser terrestre, iPad Pro®, parámetros forestales, realidad aumentada, software de uso libre, sensor LiDAR móvil.
Abstract
Forest inventory describes the quantity, size, and quality of the trees in a forest and the characteristics of the space where they grow. Traditionally, a forest inventory is carried out manually, with calipers to measure the diameter at breast height (DBH), and devices that use geometric principles, such as the clinometer for the estimation of total height (TH). This paper documents the applicability of a tablet with integrated LiDAR technology for the measurement of forest inventory parameters, by comparing dendrometric data obtained with LiDAR and traditional methods: geographic position, DBH, TH, crown diameter (CD) and clear stem height (CS) of individual trees in a planted coniferous forest. A simple linear regression analysis was performed with each variable, and a t-student test was applied to determine differences between means, as well as to calculate the Root Mean Square Error (RMSE) to measure the error between predicted and observed values. The results show a R2=0.99 and RMSE=0.657 cm for DBH; a R2=0.98 and a RMSE=0.369 m for TH; a R2=0.95 and RMSE=0.341 cm for CD, and a R2=0.97 and RMSE=0.208 cm for CS. The total scanning time for LiDAR data acquisition was 3.4 times less than traditional forest inventory time. The proposed method for forest inventory in planted forests using the mobile device is reliable, accurate, and less time-consuming than the traditional approach.
Key words: Terrestrial laser scanning, iPad Pro®, forest parameters, augmented reality, free to use software, mobile LiDAR sensor.
Introducción
El incremento en la demanda de productos y servicios que se obtienen del bosque, junto con la necesidad de preservar el medio ambiente y los recursos naturales, ha propiciado el establecimiento de bosques plantados para satisfacer de manera más eficiente estas demandas. Además, suelen contribuir a reducir las presiones sobre los bosques naturales, que cada vez se enfocan más en la conservación de la biodiversidad y en la regulación de recursos naturales como el suelo y el agua (Musálem, 2006). Es por ello, que el desarrollo de métodos precisos para el inventario maderable, orientados a estimar los parámetros estructurales de los bosques plantados son una herramienta silvícola crucial para la predicción de la productividad forestal; además, pueden proporcionar una evaluación cuantitativa de las masas forestales.
El inventario forestal describe la cantidad, tamaño y calidad de los árboles de un bosque, así como otras características de la superficie donde crecen (Ayrey & Hayes, 2018). También, es la base de análisis y planificación que constituye el punto de partida de la gestión forestal sostenible. La estimación de la información de un solo árbol y del rodal completo es una de las tareas centrales del inventario forestal.
En México, tradicionalmente, los datos del inventario forestal se recopilan mediante equipo de medición manual como las cintas diamétricas o las forcípulas para el diámetro normal (DAP), el clinómetro para la altura total (AT) o fuste limpio (FL), así como flexómetros para la medición de los diámetros de copa (DC). En la práctica, esto requiere mucho tiempo y personal, además es costoso (Liang et al., 2018; Ritter et al., 2017); esta estrategia que se realiza directamente en el bosque es la base para efectuar estudios que utilizan métodos indirectos de medición. Lo anterior exige evaluar y comparar métodos alternativos como los de percepción remota, para derivar parámetros de los árboles (Ciesielski & Sterenczak, 2019; Hernández, 2020).
El escáner láser terrestre (TLS) se reconoce cada vez más como una opción alternativa a los métodos convencionales de inventario forestal (Liang et al., 2016; Newnham et al., 2015). En los últimos años se han desarrollado con éxito algoritmos automáticos para la detección y medición de árboles mediante TLS (Calders, 2015; Elsherif et al., 2018; Estornell et al., 2017). El TLS, al medir las distancias a múltiples puntos en las superficies de los objetos circundantes, construye nubes de puntos 3D a partir de las cuales se pueden estimar rápidamente los tamaños y las distribuciones espaciales de los árboles. Sin embargo, el alto costo del equipo TLS (cuyo precio suele superar los 40 000 dólares estadounidenses) lo ha puesto fuera del alcance de muchos usuarios potenciales (Mokroš et al., 2021; Tatsumi et al., 2021; Wang et al., 2022). En adición, el peso de estos también ha sido un desafío, lo que dificulta su transporte hacia y dentro de algunas áreas, lo que agrega costos por tiempo invertido en el traslado y manipulación (Gollob et al., 2021).
La necesidad de programas informáticos especializados es otro factor que ha limitado el uso colectivo del TLS (Elsherif et al., 2018; Hernández, 2020). Para superar esto, se han usado, como métodos alternativos, el escáner láser móvil (MLS) (Liang et al., 2014) y la fotogrametría de corto alcance (Tomaštík et al., 2017). Algunos estudios señalan que estos dispositivos móviles pueden adquirir nubes de puntos 3D en bosques (Gollob et al., 2021; Mokroš et al., 2021; Wang et al., 2022). Sin embargo, para derivar información a nivel de árbol de estas nubes (p. ej. diámetro del fuste) se deben realizar análisis posteriores en un dispositivo separado con múltiples softwares (Wang et al., 2022).
En la actualidad, existe como alternativa el uso de aplicaciones para iPhone®/iPad®, dispositivos móviles personales (smartphones o tablets), para el registro de información 3D de árboles individuales en un contexto de inventario forestal, que son fáciles de usar y de bajo costo. Desde 2020, Apple Inc.® (Apple Inc., 2022) incorporó un sensor de alcance y detección de luz (LiDAR) en algunos modelos de iPhone® y iPad® (versiones Pro), los cuales están disponibles con precio aproximado de 1 000 USD y son de peso liviano (187-684 g), en comparación con otros dispositivos LiDAR en el mercado; además, con una interfaz de programación de aplicaciones de realidad aumentada (AR). Lo anterior, hace posible el acceso a nubes de puntos 3D generadas por LiDAR con dispositivos móviles personales. Este dispositivo funciona con el sensor LiDAR integrado, el sistema de cámaras, los sensores de movimiento (giroscopio de tres ejes, acelerómetro, Unidad de Medición Inercial, barómetro, sensor de luz ambiental) y el sistema GPS/GNSS (Apple Inc., 2022).
Tatsumi et al. (2021) desarrollaron y probaron una aplicación móvil gratuita, llamada ForestScanner®(MAPRY Co. Ltd., 2022) que permite realizar inventarios forestales basados en escaneo láser por medio del sensor LiDAR incorporado en un iPhone®/iPad Pro®, mismo que no requiere ningún análisis manual o de posproceso de nubes de puntos 3D ya que, a medida que el usuario escanea árboles con el dispositivo, la aplicación estima los DAP y sus coordenadas espaciales, con base en detección de objetos en tiempo real y ajuste de círculos (Tatsumi et al., 2021), mediante la plataforma de realidad aumentada (AR) y el sensor LiDAR (Kuželka et al., 2020).
Los objetivos de este trabajo fueron: (1) Probar el rendimiento del iPad Pro®, mediante aplicaciones LiDAR y de AR para estimar la posición geográfica, DAP, AT, DC y FL en árboles individuales; y (2) Comparar sus resultados con mediciones realizadas mediante métodos tradicionales. La evaluación y determinación del potencial del iPad Pro® en inventarios forestales a través del nivel de precisión en la estimación de los parámetros propuestos permitirá establecer y proporcionar un método innovador, de menor costo y preciso, que sea aplicable a inventarios forestales en bosques plantados.
Materiales y Métodos
El levantamiento de datos se realizó en 20 sitios de muestreo establecidos en un bosque plantado mixto de aproximadamente 35 años de edad, con una superficie de 4.64 ha, ubicado en la ribera de la presa de Cointzio, localizada a 12 km al suroeste de la ciudad de Morelia, Michoacán, México (LN: 19.621; LO: -101.262). Las especies principales en la plantación son: Cupressus lindleyi Klotzsch ex Endl. y Pinus leiophylla Schiede ex Schltdl. & Cham., además de ejemplares aislados de Eucalyptus sp. y Casuarina equisetifolia L., tales taxones fueron parte de bosques plantados para restauración y conservación de suelo (Figura 1).
Figura 1. Rodal de estudio y localización de los 20 sitios de muestreo.
Se aplicó un muestreo sistemático (West, 2009), en líneas de muestreo de 60×60 m, los sitios fueron circulares de 400 m2 (radio=11.28 m), lo cual corresponde a una superficie muestreada del 17.2 %, con respecto al total del bosque plantado (Cochran, 1977). Se definió a las parcelas como la unidad de muestreo y escaneo, se consideraron los tamaños de parcela que a menudo se adoptan en los programas de inventarios forestales nacionales e internacionales (Comisión Nacional Forestal [Conafor], 2014), porque este tamaño de muestra también fue usado por Tatsumi et al. (2021) quienes desarrollaron la app usada en el presente estudio, además de utilizarse en evaluaciones de iPhone®/iPad® (Gollob et al., 2021; Mokroš et al., 2021). Los sitios se ubicaron mediante un GPS Garmin® eTrex 20 (Figura 1), se registraron las posiciones geográficas del árbol central. A todos los árboles con un DAP≥7.5 cm se les midió su DAP con forcípula Haglöf Sweden® MANTAX BLUE (60 cm). Asimismo, se registraron las variables AT, FL y el DC; para los dos primeros parámetros, se usó un clinómetro Suunto®PM-5/360. El DC se midió con cinta métrica Truper® TP50ME, en las direcciones norte-sur y este-oeste, se tomó como referencia la proyección de los extremos de la misma sobre el suelo y ambas medidas se promediaron.
Recopilación de datos de inventario
Para obtener las mediciones de DAP de los árboles en cada sitio, se usó la aplicación gratuita ForestScanner®(MAPRY Co. Ltd., 2022; Tatsumi et al., 2021),instalada en iPad Pro®, así cada sitio de muestreo fue escaneado; esta aplicación genera nubes de puntos y una base de datos de los DAP estimados de manera automática. A medida que se mueve el dispositivo, ForestScanner® escanea objetos dentro de una distancia de 5 m (intervalo máximo de escaneo del sensor), adquiriendo una nube de puntos 3D de las superficies de los objetos circundantes. Con el uso de ForestScanner®, la nube de puntos y las mallas de triángulos 3D aparecen en la pantalla en tiempo real, lo que permite reconocer visualmente las superficies escaneadas. A medida que se escanean los árboles, los diámetros de los fustes aparecen instantáneamente en la pantalla en forma de AR, la nube de puntos se colorea con información RGB recopilada por las cámaras del dispositivo (procedimiento completo en video S1: https://drive.google.com/file/d/1al5wPJMeshOneTqk_V8XIBrO6fgAKZM2/view?usp=sharing).
La adquisición de datos con el sensor láser del iPad Pro® se inició en el centro de cada sitio de muestreo; el escaneo se realizó caminando a velocidad normal, mientras el sensor LiDAR recopilaba los datos de medición 3D. Durante el escaneo, ForestScanner® realiza un seguimiento de las coordenadas relativas del dispositivo desde el punto de inicio en función de la unidad de medición inercial (IMU) (navegación GNSS). La ubicación absoluta (coordenadas geográficas) del punto de inicio, está determinada por el GNSS integrado en el iPad Pro®. Cabe mencionar que el modelo más reciente del iPhone 15 Pro® y Pro Max® (septiembre de 2023) ya poseen un GPS de precisión y doble frecuencia (Apple Inc., 2022). Los pasos para el levantamiento de un sitio de muestreo y las especificaciones detalladas de su uso se muestran en Tatsumi et al. (2021) y MAPRY Co. Ltd. (2022) (https://mapry.co.jp/). Los modelos 3D y los archivos de datos generados fueron exportados a una computadora portátil.
Altura Total, diámetro de copa y altura de fuste limpio
Para estimar la AT, DC y FL en árboles individuales de cada sitio de muestreo se utilizó la aplicación Arboreal®(Arboreal AB, 2022). La medición de la AT y FL se realizó de manera muy similar a cuando se realiza con clinómetro Suunto®, con la gran diferencia de que al usar la tecnología de los sensores del iPad Pro®, la distancia entre el sensor y el árbol por medir no es relevante, solo tiene que ser >10 m de la base del árbol, cuando los árboles son demasiado altos (>30 m) conviene alejarse hasta 15 o 20 m (procedimiento completo en video S2: https://drive.google.com/file/d/1Ncvs5HSAFy2iRrLtJo0NYZUOrd3WRY1R/view?usp=sharing). Otra ventaja es que las mediciones de cada árbol quedan registradas en archivos individuales en el iPad Pro®, tanto la base de datos de árboles medidos (.csv) como las imágenes de las mediciones (.jpg) y pueden, incluso, compartirse con otros usuarios (mediante AirDrop®, correo electrónico o WhatsApp®). Para el DC, la medición se hace simultáneamente para cada árbol mientras se registran la AT y la de FL (video S2).
Evaluación y análisis de datos
El análisis de las variables se realizó comparando el valor de las variables dendrométricas estimadas de la manera tradicional (medida de referencia) versus el valor obtenido a través de la tecnología alternativa (LiDAR+AR). La hipótesis fue demostrar la igualdad de los valores de las variables con ambos métodos. Se llevó a cabo un análisis de regresión lineal simple con cada variable (Ecuación 1), mismo que se evaluó con el Coeficiente de determinación (R2) y la Raíz del Error Cuadrático Medio (RECM) con el modelo (Infante & Zárate, 2012):
Donde:
Y = Variable dependiente cuyo valor se obtuvo mediante método convencional
a = Coeficiente a estimar que corresponde al intercepto (término constante) que representa el valor de Y cuando X es 0
b = Coeficiente a estimar que corresponde a la pendiente e indica cuánto cambia Y por cada unidad de cambio en X
X = Variable independiente obtenida mediante LiDAR+AR
= Error aleatorio del modelo, que indica las variaciones de Y que no son explicadas por X
Se aplicó una prueba t-student para probar la hipótesis de que las dos alternativas de medición son significativamente diferentes para la determinación de las diferencias entre las varianzas muestrales y para la construcción del intervalo de confianza. También, se utilizó el estadístico RECM (Ecuación 2) que mide la cantidad de error que hay entre dos conjuntos de datos. En este caso, compara un valor predicho (VLAR) y un valor observado o de referencia (VTra) (Infante & Zárate, 2012).
Donde:
VLAR = Valor de la variable (DAP, AT, DC y FL) estimado o predicho por la regresión
VTra = Valor de referencia de los mismos parámetros, estimados con métodos tradicionales
n = Número de muestras utilizadas en el análisis (446 árboles) provenientes de 20 sitios de muestreo
Resultados
Mediante el uso de la app con tecnología LiDAR ForestScanner®, el tiempo de escaneo por sitio para registrar el DAP y la posición geográfica osciló entre 0.8 y 3.8 min, con un promedio de 2.3 min por sitio. Se requirió de un total de 45.6 min para los 446 árboles totales de los 20 sitios de muestreo, sin considerar el tiempo de traslado entre sitios. Esta actividad de registro fue realizada por una sola persona (Cuadro 1).
Cuadro 1. Comparación del tiempo y número de personas requeridas para medir los parámetros de inventario (446 árboles) con el método propuesto (iPad Pro®) versus el método tradicional.
|
Método LiDAR+AR |
Método tradicional |
||||||||
iPad Pro® y Arboreal® |
Tiempo total |
Forcípula |
Clinómetro |
Cinta métrica |
Tiempo total |
|||||
Parámetros medidos |
DAP y 446 coordenadas |
AT |
FL |
DC |
Todas las variables |
DAP y 1 coordenada |
AT |
FL |
DC |
Todas las variables |
Número de personas |
1* |
1* |
1 |
2** |
2** |
2** |
||||
Tiempo utilizado (h) |
0.76 |
3.55 |
4.31 |
3.99 |
10.65 |
14.64 |
||||
Personas×hora |
0.76 |
3.55 |
4.31 |
1.96 |
5.33 |
7.32 |
*Un solo operador, las mediciones se registran automáticamente en el dispositivo. **Un medidor del DAP, AT, FL y DC, y otra persona que realiza el registro en un formato, el cual después deberá de capturarse en algún programa de cómputo. DAP = Diámetro a la altura del pecho; AT = Altura total; DC = Diámetro de copa; FL = Altura de fuste limpio.
El tiempo de medición de los datos de referencia de los DAP, medidos con forcípula, entre dos personas y solo la coordenada del árbol central, fue en promedio de 12 min por sitio, con un total de 239.5 min (3 h 59.4 min). En contraste, con el método iPad Pro® se redujo el tiempo requerido para medir el DAP a 19.03 %; es decir, 5.25 veces menor (239.5 min vs. 45.6 min), con el plus de que lo realiza una sola persona (Cuadro 1). Todos los datos quedan registrados en un archivo digital exportable, además, para cada uno de los árboles escaneados se registra su posición geográfica, a diferencia del inventario tradicional, que solo obtiene la coordenada del árbol central, además se requiere que posteriormente todos los datos e información del inventario sea capturada mediante trabajo adicional de gabinete.
El tiempo de medición de los parámetros AT, DC y FL con la app Arboreal® osciló entre 2.5 y 18.9 min, con un promedio de 10.7 min por sitio y un tiempo total de 213.2 min (3 h 33 min), y fue realizado por una sola persona (Cuadro 1). En contraste, con instrumentos clásicos de medición para la AT, FL y DC con dos personas, el tiempo total de medición fue de 638.8 min (10 h 39 min). Se determinó que con el uso del iPad Pro® se redujeron las horas y personas requeridas para realizar las mediciones referidas a 33.37 % (cuadros 1 y 2), es decir, 3 veces menos (638.8 min vs. 213.2 min). Además, se tiene el plus de que lo realiza una sola persona y todos los datos quedan registrados en un archivo digital exportable, a diferencia del método tradicional, que requiere de dos personas, y la información de campo se tiene que capturar en gabinete, lo cual implica mayor consumo de tiempo y personal de oficina.
Cuadro 2. Estadísticas derivadas de la prueba t-student de dos muestras, entre el tiempo consumido en las mediciones de LiDAR+AR y con el método tradicional.
Parámetro |
Valor de t |
Grados de libertad |
Valor de p |
Estimaciones de muestra |
|
Media x |
Media y |
||||
DAP |
9.775 |
20.669 |
3.36E-09 |
11.97 |
2.28 |
AT-DC-FL |
7.558 |
25.275 |
6.06E-08 |
31.94 |
10.66 |
DAP = Diámetro a la altura del pecho; AT = Altura total; DC = Diámetro de copa; FL = Altura de fuste limpio.
Al comparar el tiempo registrado para realizar las mediciones con ambos métodos mediante la prueba t-student, se detectó que existen diferencias significativas (valor p<0.05) (Cuadro 2).
En el comparativo por regresión lineal de los parámetros analizados, en términos de la desviación de las estimaciones con la tecnología LiDAR+AR y de las mediciones de referencia, se observó en general un buen ajuste, con una R2=0.991 y un RECM=0.657 cm para el DAP; R2=0.985 y un RECM=0.369 m para la AT, R2=0.955 y un RECM=0.341 cm para el DC, y R2=0.973 y un RECM=0.208 cm para el FL (Figura 2, Cuadro 3).
A = DAP; B = AT; C = DC; D = FL.
Figura 2. Regresión lineal de la relación entre las mediciones de LiDAR+AR y las mediciones de los parámetros del arbolado con el método tradicional.
Cuadro 3. Valores de los coeficientes (a y b) para los parámetros del arbolado obtenidos por regresión lineal.
Parámetro |
Estadístico |
Error estándar residual (444 grados de libertad) |
R2 |
Estadística F (444 grados de libertad) |
Valor de p |
||||
Coeficiente estimado |
Error estándar |
Valor de t |
Pr(>|t|) |
||||||
DAP |
a |
-0.122 |
0.107 |
-1.146 |
0.252 |
0.658 |
0.991 |
50 490.0 |
2.2E-16 |
b |
0.999 |
0.004 |
224.691 |
2.0E-16 |
|||||
AT |
a |
0.030 |
0.094 |
0.320 |
0.749 |
0.370 |
0.985 |
29 870.0 |
2.2E-16 |
b |
0.985 |
0.006 |
172.840 |
2.0E-16 |
|||||
DC |
a |
0.104 |
0.050 |
2.087 |
0.038 |
0.341 |
0.955 |
9 462.0 |
2.2E-16 |
b |
0.956 |
0.010 |
97.272 |
2.0E-16 |
|||||
FL |
a |
0.008 |
0.028 |
0.272 |
0.786 |
0.208 |
0.973 |
16 260.0 |
2.2E-16 |
b |
0.976 |
0.008 |
127.519 |
2.0E-16 |
DAP = Diámetro a la altura del pecho; AT = Altura total; DC = Diámetro de copa; FL = Altura de fuste limpio.
El buen ajuste de las ecuaciones de predicción de los parámetros dendrométricos medidos con los métodos LiDAR+AR y tradicional (Figura 2, Cuadro 3), también se corroboró con la prueba t de dos muestras de Welch, con la cual no se detectaron diferencias significativas (p-value>0.05) para obtener las mediciones del DAP, AT, DC y FL (Cuadro 4). Por lo tanto, se puede asumir que existe igualdad en las estimaciones de tales parámetros medidos con el iPad Pro® como método alternativo (LiDAR+AR) y los obtenidos de forma convencional (forcípula, clinómetro y cinta métrica), debido a los altos valores de R2 y bajos valores del RECM.
Cuadro 4. Estadísticas derivadas de la prueba t-student de dos muestras, entre las mediciones de LiDAR+AR y el método tradicional.
Parámetro |
Prueba t de dos muestras |
||||
Valor de t |
Grados de libertad |
Valor de p |
Estimaciones de muestra |
||
Media x |
Media y |
||||
DAP |
0.323 |
889.990 |
0.746 |
22.966 |
22.814 |
AT |
0.999 |
889.950 |
0.317 |
16.231 |
16.025 |
DC |
0.978 |
889.570 |
0.328 |
4.787 |
4.680 |
FL |
0.884 |
889.890 |
0.377 |
3.414 |
3.338 |
DAP = Diámetro a la altura del pecho; AT = Altura total; DC = Diámetro de copa; FL = Altura de fuste limpio.
Discusión
Con los escaneos LiDAR con iPad Pro® se logró 100 % de detección de árboles con DAP>7.5 cm, esto implica que los escaneos y las nubes de puntos se generan de manera completa en el área del fuste que se desea medir (altura de 1.30 m desde el nivel del suelo), lo cual coincide con Bobrowski et al. (2022), Brachet al. (2023) y Çakir et al. (2021), quienes también detectaron 100 % de los árboles medidos. En otros estudios se citan porcentajes de detección menores, al comparar el uso de aplicaciones de escaneo LiDAR para iPad Pro® Gollob et al. (2021) y Wang et al. (2022) documentan una detección de 85 a 97 %; con escáner láser móvil (MLS) y escaneo láser personal (PLS); Bauwens et al. (2016), Ko et al. (2021) y Zhou et al. (2019) detectaron porcentajes inferiores a 100 % en árboles con DAP>10 cm. El porcentaje de detección disminuye en parcelas de muestreo con densidad alta de árboles y DAP<5 cm (Bauwens et al., 2016; Gollob et al., 2021; Zhou et al., 2019).
Çakir et al. (2021) utilizaron el sensor LiDAR del iPad Pro® para generar modelos 3D y estimar la variable DAP comparándolo con estimaciones hechas mediante TLS, el mejor ajuste fue para la estimación de DAP con TLS(R2=0.995, RECM=7.02 cm); con iPad Pro® la R2 fue de 0.995 y el RECM 8.72 cm. En tanto, Bobrowski et al. (2022) al comparar mediciones con TLS y nubes de puntos generadas mediante el sensor LiDAR del iPad Pro®, mediante la app Abound Capture® obtuvieron, al ajustar el perímetro a la altura del pecho (PAP), una R2=0.899 y RECM=7.41 para la tableta, y una R2=0.912 y RECM=6.51 para el TLS.
Cuando Brach et al.(2023) compararon mediciones de DAP con métodos tradicionales versus nubes de puntos generadas con iPad Pro®, registraron un ajuste con una R2=0.990 y RMSE=5.340 cm. Se resalta que las aplicaciones de escaneo LiDAR usadas por Bobrowski et al. (2022), Brachet al. (2023), Çakir et al. (2021), Gollob et al. (2021) y Wang et al. (2022) para medir DAP no fueron desarrolladas para tal efecto, a diferencia de la que se usó en el presente estudio (ForestScanner®), la cual fue exclusivamente desarrollada para la medición de DAP en inventarios forestales (Tatsumi et al., 2021). Tal situación fue favorable para mejorar la detección de todos los árboles propuestos para inventario en el presente estudio (DAP>7.5 cm), así como la calidad de las nubes de puntos (más densas).
En comparación con las técnicas de medición tradicionales, el tiempo total de medición con el iPad Pro® fue 3.4 veces más rápido (cuadros 1 y 2), lo cual coincide con los trabajos realizados por Gollob et al.(2021), Ko et al. (2021) y Wang et al. (2022), con 3.2, 2.5 y 3.8 veces más rápida la medición del DAP, respectivamente.
En relación con la variable AT, en la literatura solo se indica su estimación con dispositivos como LiDAR móvil (Heo et al., 2019) y smartphone con RGB-D SLAM (Ahamed et al., 2023; Fan et al., 2018). Para las variables DC y FL no se identificaron estudios que usen este tipo de tecnologías en dispositivos móviles para su estimación.
Gollob et al.(2021) señalaron que, en general, los DAP>5 cm se sobrestimaron y que los DAP>35 cm se subestimaron, al igual que Wang et al. (2022), tanto con el iPad Pro®como con el PLS, independientemente del método de ajuste. Asimismo, Bobrowski et al. (2022), Brachet al. (2023), Çakir et al. (2021) y Wang et al. (2022) identificaron que los errores se debían a la falta de un posproceso de la nube de puntos generada con la aplicación, para lo cual, y de acuerdo con Hernández (2020), tales nubes tienen que exportarse a una computadora y usar un software especializado para tal efecto.
Los hallazgos del presente estudio muestran que, en los cuatro parámetros estudiados, el ajuste de la línea de regresión explica de 97 a 99 % de la variabilidad en los datos (Figura 2; Cuadro 4). Esto sugiere que hay una fuerte correlación entre los métodos evaluados; las mínimas diferencias en las mediciones entre ellos se deben a la relación lineal establecida, por lo que las mediciones efectuadas con un método pueden predecirse con alta precisión en función de las del otro. Lo anterior se debe a que los algoritmos de la app ForestScanner®fueron creados exclusivamente para detección y medición de DAP en coníferas, y su uso ha sido probado en diferentes condiciones de bosque natural y bosques plantados (MAPRY Co. Ltd., 2022; Tatsumi et al., 2021).
Las comparaciones gráficas (Figura 2) evidencian que la relación entre la estimación de los parámetros con tecnología LiDAR+AR y la realizada con métodos tradicionales, presentan una tendencia similar. Esto coincide con Zhou et al. (2019), quienes estimaron los DAP con MLS y obtuvieron un ajuste con una R2=0.99 y RECM=0.70 cm. Asimismo, Heo et al. (2019) calcularon con alta precisión la AT de árboles urbanos (R2=0.98 y RECM=0.359 m), mientras que en árboles de un bosque plantado la R2 fue de 0.99 y el RECM de 0.462 m. No se identificó algún estudio en el que se hayan estimado mediante algún dispositivo móvil (LiDAR móvil, AR o algún otro sensor) los parámetros DC y FL.
Una de las principales ventajas de los sistemas de escaneo láser personales y móviles, como ha sido demostrado en el presente estudio y otros estudios (Bobrowski et al., 2022; Brachet al., 2023; Çakir et al., 2021; Gollob et al., 2021; Tatsumi et al., 2021; Wang et al., 2022) es el tiempo rápido de escaneo, la alta precisión (RECM<1 cm), pero sobre todo, el costo del dispositivo, ya que el PLS (GeoSLAM ZEB HORIZON) utilizado por Gollob et al. (2021) tiene un costo aproximado de 50 000 dólares. Otra ventaja del iPad Pro® es que está disponible una amplia variedad de apps de escaneo láser para la construcción de modelos y nubes de puntos 3D.
Los TLS convencionales tienen un alcance de entre 100 y 2 000 m (Hernández, 2020; Tomaštík et al., 2017) dependiendo de la marca; por lo tanto, pueden proporcionar mediciones para diámetros mayores, alturas totales de árboles grandes y formas diversas de copas. En contraste, el sensor LiDAR del iPad Pro® solo proporciona mediciones para una distancia máxima de 5 m. Por lo tanto, una de sus principales desventajas es su alcance limitado, el cual hace que sea casi imposible derivar otra información más allá de la posición del fuste y el DAP, además de algunas características del sotobosque. Sin embargo, los escaneos con el iPad Pro® no requieren de posproceso y es tan preciso como un TLS midiendo DAP, con una precisión de ±1 cm según el fabricante (Apple Inc., 2022; Calders, 2015; Hernández, 2020). El LiDAR del iPad Pro® en combinación con la tecnología AR también funciona para estimar la AT (Kuželka et al., 2020).
En este estudio, se usó la combinación referida, así el sensor LiDAR del iPad Pro®se aplicó para medir los DAP y las ubicaciones geográficas respectivas, información que puede ser muy útil para estudios como modelos de competencia o biodiversidad. En tanto, las alturas de los árboles y sus métricas de copa se midieron con la tecnología de AR. Dai et al. (2019) utilizaron una combinación similar, quienes fusionaron nubes de puntos obtenidas mediante TLS y ALS para medir la AT y las métricas de copa.
Con base en Gollob et al. (2021), Piermattei et al. (2019) y Tomaštík et al. (2017), se identifica como una desventaja del escaneo láser que el porcentaje de detección de árboles sería menor en bosques naturales, donde la densidad y el número de estratos vegetales podrían representar problemas para visualizar la altura a la que se mide el DAP, debido a obstrucciones por herbáceas o arbustivas. En este sentido, se deben realizar más estudios en condiciones diferentes; por ejemplo, con especies arbóreas tropicales con presencia de herbáceas y arbustivas en el sotobosque, y en condiciones de altas densidades o pendientes pronunciadas.
Comparación con otros estudios
En el Cuadro 5 se presenta para propósitos de comparación resultados de otros estudios que usaron dispositivos móviles, LiDAR o fotogrametría. Se enfatiza en investigaciones recientes que han utilizado equipo de bajo costo para medir automáticamente las variables de inventario forestal. Se identifican diferentes estudios sobre medición de parámetros de inventarios forestales (principalmente DAP y AT) mediante nubes de puntos derivadas de fotogrametría o sensores LiDAR.
Cuadro 5. Listado de estudios que han usado dispositivos móviles para registrar parámetros del arbolado para inventario forestal.
Referencia |
Dispositivo/tecnología aplicada |
Núm. de árboles |
Tipo de bosque |
Detección (%) |
R2 |
RECM (cm) |
Este estudio |
iPad Pro®/ForestScanner® |
446 |
Plantado Coníferas |
100 |
DAP=0.99 |
DAP=0.657 |
AT=0.98 |
AT=0.369 |
|||||
iPad Pro®/Arboreal® |
100 |
DC=0.95 |
DC=0.341 |
|||
FL=0.97 |
FL=0.208 |
|||||
Guenther et al. (2024) |
iPad Pro® |
203 |
Natural Mixto |
100 |
DAP=0.98 |
DAP=1.550 |
Ahamed et al. (2023) |
Smartphon e/fotogrametría |
414 |
Urbano Mixto |
100 |
DAP=0.98 |
DAP=1.550 |
Gülci et al. (2023) |
iPhone Pro® |
105 |
Plantado Mixto |
100 |
DAP=0.89 |
DAP=2.330 |
Brach et al. (2023) |
iPad Pro®/Lumentum |
776 |
Natural Mixto |
100 |
DAP=0.990 |
DAP=5.340 |
Bobrowski et al. (2022) |
iPad Pro®/Abound Capture |
100 |
Urbano Mixto |
100 |
PAP=0.90 |
PAP=7.410 |
TLS/FARO FOCUS 3D X130 |
100 |
PAP=0.91 |
PAP=6.510 |
|||
McGlade et al. (2022) |
Azure Kinect/regular laptop single |
502 |
Plantado Mixto |
DAP=8.430 |
||
Wang et al. (2022) |
iPad Pro®/Zappcha |
150 |
Plantado Coníferas |
90 |
DAP=0.52 |
DAP=5.200 |
Çakir et al. (2021) |
iPad Pro®/Forge |
62 |
Natural Coníferas |
100 |
DAP=0.98 |
DAP=0.590 |
TLS/FARO Focus M70 |
100 |
DAP=0.99 |
DAP=0.560 |
|||
Gollob et al. (2021) |
iPad®/3D Scanner App |
424 |
Natural Mixto |
97.33 |
DAP=3.640 |
|
iPad®/Polycam® |
90.65 |
DAP=4.510 |
||||
iPad®/SiteScape® |
94.68 |
DAP=3.130 |
||||
PLS/GeoSLAM ZEB HORIZON |
99.52 |
DAP=1.590 |
||||
Tatsumi et al. (2021) |
iPad Pro®/ForestScanner |
672 |
Natural y plantado |
100 |
DAP=0.96 |
DAP=2.270 |
Mokroš et al. (2021) |
iPad Pro®/3D Scanner App |
74 |
Natural Latifoliadas |
77.24 |
DAP=0.97 |
DAP=3.140 |
Liu et al. (2020) |
MLS/Velodyne VLP-16 |
180 |
Urbano Mixto |
100 |
DAP=0.97 |
DAP=2.500 |
Zhou et al. (2019) |
MLS/Velodyne VLP-16 |
71 |
Urbano Latifoliadas |
100 |
DAP=0.99 |
DAP=0.700 |
Heo et al. (2019) |
MLS/SLAM |
39 |
Urbano Latifoliadas |
100 |
DAP=0.91 |
DAP=3.77 |
AT=0.98 |
AT=0.359 |
|||||
Piermattei et al. (2019) |
CRP/Nikon® D800 |
140 |
Natural Mixto |
84.25 |
DAP=3.090 |
|
TLS/Riegl VZ-2000 |
93.75 |
DAP=1.780 |
||||
Tomaštík et al. (2017) |
Tango®/Lenovo® Phab 2 Pro multiple |
118 |
Natural Coníferas |
DAP=1.150 |
||
CRP/Canon® EOS 5D Mark II multiple |
DAP=1.830 |
|||||
Hyyppä et al. (2018) |
Tango®/Lenovo® Phab 2 Pro single |
240 |
Natural Coníferas |
DAP=0.730 |
||
Kinect/regular computer single |
41 |
DAP=1.900 |
||||
Bauwens et al. (2016) |
MLS/ZEB1 |
331 |
Natural Mixto |
91 |
DAP=0.99 |
DAP=1.110 |
Brouwer (2013) |
Kinect/regular laptop multiple |
150 |
Natural Mixto |
83.75 |
DAP=1.300 |
|
TLS/Riegl VZ-400 multiple |
91.75 |
DAP=0.740 |
DAP = Diámetro a la altura del pecho; PAP = Perímetro a la altura del pecho; AT = Altura total; DC = Diámetro de copa; FL = Altura de fuste limpio.
La aplicación del sensor LiDAR del iPad Pro® es un método relativamente reciente por lo que puede considerarse novedoso, ha sido utilizado por Bobrowski et al.(2022), Brach et al. (2023), Çakir et al. (2021), Gollob et al. (2021), Guenther et al. (2024), Gülci et al. (2023), Mokroš et al. (2021), Tatsumi et al. (2021) y Wang et al. (2022), y solo para medir el DAP. En este estudio, se usó el iPad Pro®, el cual para México representa el primer dispositivo móvil a nivel personal con un sensor LiDAR integrado combinado con la tecnología AR, para medir los parámetros DAP, AT, FL y DC relevantes para inventarios forestales. Los otros estudios se pueden agrupar según las siguientes tecnologías: Google Tango® (Hyyppä et al., 2018; Tomaštík et al., 2017), Microsoft Kinect® (Hyyppä et al., 2018; McGlade et al., 2022) y fotogrametría (Piermattei et al., 2019; Tomaštík et al., 2017).
Con respecto al RECM en la estimación del DAP, en comparación con otros estudios, en este estudio los valores fueron mejores y similares a los que obtuvieron Bobrowski et al.(2022), Brach et al. (2023), Çakir et al.(2021), Guenther et al. (2024) y Gülci et al. (2023) que utilizaron iPad Pro®, así como a los de Hyyppä et al. (2018) y Zhou et al. (2019) que usaron Google Tango® y Kinect®, fotogrametría y MLS/Velodyne VLP-16, respectivamente (Cuadro 5).
Se resalta que el conjunto completo de parámetros de los árboles que se midieron (ubicación, DAP, AT, DC y FL), no se estimaron en los estudios que se consignan en el Cuadro 5, pues la mayoría solo estimaron DAP. Una evaluación comparativa de los parámetros medidos en los diferentes estudios se dificulta por que se usaron tecnologías diferentes bajo distintas estructuras y tipos de bosque.
Esta contribución podrá coadyuvar a que se aumente el uso o adopción de la metodología de referencia para mediciones con tecnología LiDAR y AR integrados en dispositivos móviles personales, tales como el iPad Pro® (o cualquier otro dispositivo LiDAR móvil de bajo costo), la cual a futuro se vislumbra con alto potencial de uso operativo en comparación con otras metodologías alternativas bajo el contexto de inventario forestal en bosques plantados.
Conclusiones
Se demuestra que para determinar los parámetros forestales: diámetro a la altura del pecho, altura total, altura de fuste limpio y diámetro de copa, las aplicaciones y el flujo de trabajo de la combinación LiDAR+AR requieren menos tiempo y personal, en comparación con los instrumentos de medición forestal convencionales. Esta estrategia y método sencillo puede reducir significativamente los costos para realizar el inventario forestal en bosques plantados.
La presente contribución apoya a futuros usuarios del sensor LiDAR iPad Pro®, para tomar una decisión informada sobre cómo usar esta reciente técnica de percepción remota incorporada en dispositivos móviles comerciales. Se han demostrado sus ventajas (lo puede aplicar una sola persona y el almacenamiento de datos es automático y digital), también se han identificado sus limitaciones, así como la configuración y aplicaciones que se pueden utilizar para el inventario de parcelas forestales o sitios de muestreo. Esta novedosa tecnología LiDAR móvil en dispositivos personales, representa el siguiente nivel (después de las tecnologías TLS, MLS y PLS) orientada hacia una metodología de inventario forestal asequible y eficiente.
Futuros estudios deberán enfocarse en evaluar el rendimiento de LiDAR móvil en dispositivos personales bajo condiciones diferentes a la de bosques plantados, como bosque natural tropical de latifoliadas y otros ecosistemas forestales, además de la comparación con dispositivos LiDAR terrestre y aerotransportado.
Agradecimientos
Al Programa de Becas Posdoctorales en la UNAM (POSDOC) de la Dirección General de Asuntos del Personal Académico, por el financiamiento al primer autor para realizar estancia posdoctoral. Al Instituto de Investigaciones en Ecosistemas y Sustentabilidad de la Universidad Nacional Autónoma de México, por las facilidades otorgadas para realizar la investigación.
Conflicto de intereses
Los autores declaran no tener conflicto de intereses.
Contribuciones por autor
José Antonio Hernández-Moreno: planteamiento, registro y análisis de los datos, elaboración de gráficas y redacción del manuscrito; Diego Rafael Pérez-Salicrup: planteamiento, seguimiento de los resultados, revisión y corrección del manuscrito; Alejandro Velázquez-Martínez: seguimiento de los resultados, revisión y corrección del manuscrito.
Referencias
Ahamed, A., Foye, J., Poudel, S., Trieschman, E. & Fike, J. (2023). Measuring tree diameter with photogrammetry using mobile phone cameras. Forests, 14(10), 2027. https://doi.org/10.3390/f14102027
Apple Inc. (2022, April 11). Store. Gift magic this holiday. Apple store. https://www.apple.com/store
Arboreal AB. (2022, March 22). Arboreal-Tree (3.5) [Aplicación móvil]. Apple Store. https://apps.apple.com/us/app/arboreal-tree/id1444138299
Ayrey, E. & Hayes, D. J. (2018). The use of three-dimensional convolutional neural networks to interpret LiDAR for forest inventory. Remote Sensing, 10(4), 649. https://doi.org/10.3390/rs10040649
Bauwens, S., Bartholomeus, H., Calders, K. & Lejeune, P. (2016). Forest inventory with terrestrial LiDAR: A comparison of static and hand-held mobile laser scanning. Forests, 7(6), 127. https://doi.org/10.3390/f7060127
Bobrowski, R., Winczek, M., Silva, L. P., Cuchi, T., Szostak, M. & Wezyk, P. (2022). Promising uses of the iPad Pro point clouds: The case of the trunk flare diameter estimation in the urban forest. Remote Sensing, 14(18), 4661. https://doi.org/10.3390/rs14184661
Brach, M., Tracz, W., Krok, G. & Gasior, J. (2023). Feasibility of low-cost lidar scanner implementation in forest sampling techniques. Forests, 14(4), 706. https://doi.org/10.3390/f14040706
Brouwer, T. 2013. Low budget ranging for forest management. A microsoft kinect study [Master’s Thesis, Wageningen University]. https://edepot.wur.nl/309838
Çakir, G. Y., Post, C. J., Mikhailova, E. A. & Schlautman, M. A. (2021). 3D LiDAR Scanning of urban forest structure using a consumer tablet. Urban Science, 5(4), 88. https://doi.org/10.3390/urbansci5040088
Calders, K. (2015). Terrestrial laser scanning for forest monitoring [Doctoral’s Thesis, Wageningen University]. Researchgate. https://www.researchgate.net/publication/271212221_Terrestrial_laser_scanning_for_forest_monitoring
Ciesielski, M. & Sterenczak, K. (2019). Accuracy of determining specific parameters of the urban forest using remote sensing. iForest-Biogeosciences and Forestry, 12(6), 498-510. https://doi.org/10.3832/ifor3024-012
Cochran, W. G. (1977). Sampling techniques. John Wiley & Sons. https://fsapps.nwcg.gov/gtac/CourseDownloads/IP/Cambodia/FlashDrive/Supporting_Documentation/Cochran_1977_Sampling%20Techniques.pdf
Comisión Nacional Forestal. (2014). Inventario Nacional Forestal y de Suelos. Procedimientos de muestreo. Versión 1.2. Muestreo 2014. Comisión Nacional Forestal. www.conafor.gob.mx/apoyos/docs/externos/2022/DocumentosMetodologicos/2014/Anexo_procedimientos_muestreo_2014.pdf
Dai, W., Yang, B., Liang, X., Dong, Z., Huang, R., Wang, Y. & Li, W. (2019). Automated fusion of forest airborne and terrestrial point clouds through canopy density analysis. ISPRS Journal of Photogrammetry and Remote Sensing, 156, 94-107. https://doi.org/10.1016/j.isprsjprs.2019.08.008
Elsherif, A., Gaulton, R. & Mills, J. (2018). Estimation of vegetation water content at leaf and canopy level using dual-wavelength commercial terrestrial laser scanners. Interface Focus, 8(2), Article 29503721. https://doi.org/10.1098/rsfs.2017.0041
Estornell, J., Velázquez-Martí, A., Fernández-Sarría, A., López-Cortés, I., Martí-Gavilá J. & Salazar, D. (2017). Estimation of structural attributes of walnut trees based on terrestrial laser scanning. Revista de Teledetección, (48), 67-76. https://doi.org/10.4995/raet.2017.7429
Fan, Y., Feng, Z., Mannan, A., Khan, T. U., Shen, C. & Saeed, S. (2018). Estimating tree position, diameter at breast height, and tree height in real-time using a mobile Phone with RGB-D SLAM. Remote Sensing, 10(11), 1845. https://doi.org/10.3390/rs10111845
Gollob, C., Ritter, T., Kraßnitzer, R., Tockner, A. & Nothdurft, A. (2021). Measurement of forest inventory parameters with Apple iPad Pro and integrated LiDAR technology. Remote Sensing, 13(16), 3129. https://doi.org/10.3390/rs13163129
Guenther, M., Heenkenda, M. K., Morris, D. & Leblon, B. (2024). Tree diameter at breast height (DBH) estimation using an iPad Pro LiDAR scanner: A case study in boreal forests, Ontario, Canada. Forests, 15(1), 214. https://doi.org/10.3390/f15010214
Gülci, S., Yurtseven, H., Akay, A. O. & Akgul, M. (2023). Measuring tree diameter using a LiDAR-equipped smartphone: a comparison of smartphone-and caliper-based DBH. Environmental Monitoring and Assessment, 195, Article 678. https://doi.org/10.1007/s10661-023-11366-8
Heo, H. K., Lee, D. K., Park, J. H. & Thorne, J. H. (2019). Estimating the heights and diameters at breast height of trees in an urban park and along a street using mobile LiDAR. Landscape and Ecological Engineering, 15, 253-263. https://doi.org/10.1007/s11355-019-00379-6
Hernández M., J. A. (2020). Desarrollo de un método biométrico, mediante escáner láser terrestre, aplicado a bosques mixtos, en la Reserva de la Biosfera Mariposa Monarca [Tesis de doctorado, Colegio de Postgraduados, Campus Montecillo]. Researchgate. https://www.researchgate.net/publication/357229317_Desarrollo_de_un_metodo_biometrico_mediante_escaner_laser_terrestre_aplicado_a_bosques_mixtos_en_la_RBMM?_tp=eyJjb250ZXh0Ijp7ImZpcnN0UGFnZSI6InByb2ZpbGUiLCJwYWdlIjoicHJvZmlsZSIsInBvc2l0aW9uIjoicGFnZUNvbnRlbnQifX0
Hyyppä, J., Virtanen, J. P., Jaakkola, A., Yu, X., Hyyppä, H. & Liang, X. (2018). Feasibility of Google Tango and kinect for crowdsourcing forestry information. Forests, 9(1), 6. https://doi.org/10.3390/f9010006
Infante G., S. y Zárate de L., G. P. (2012). Métodos estadísticos: un enfoque interdisciplinario. Editorial del Colegio de Postgraduados.
Ko, C., Lee, S., Yim, J., Kim, D. & Kang, J. (2021). Comparison of forest inventory methods at plot-level between a backpack personal laser scanning (BPLS) and conventional equipment in Jeju Island, South Korea. Forests, 12(3), 308. https://doi.org/10.3390/f12030308
Kuželka, K., Slavík, M. & Surový, P. (2020). Very high-density point clouds from UAV laser scanning for automatic tree stem detection and direct diameter measurement. Remote Sensing, 12(8):1236. https://doi.org/10.3390/rs12081236
Liang, X., Kukko, A., Kaartinen, H., Hyyppä, J., Yu, X., Jaakkola, A. & Wang, Y. (2014). Possibilities of a personal laser scanning system for forest mapping and ecosystem services. Sensors, 14(1), 1228-1248. https://doi.org/10.3390/s140101228
Liang, X., Kankare, V., Hyyppä, J., Wang, Y., Kukko, A., Haggrén, H., Yu, X., Kaartinen, H., Jaakkola, A., Guan, F., Holopainen, M. & Vastaranta, M. (2016). Terrestrial laser scanning in forest inventories. ISPRS Journal of Photogrammetry and Remote Sensing, 115, 63-77. https://doi.org/10.1016/j.isprsjprs.2016.01.006
Liang, X., Hyyppä, J., Kaartinen, H., Lehtomäki, M., Pyörälä, J., Pfeifer, N., Holopainen, M., Brolly, G., Francesco, P., Hackenberg, J., Huang, H., Jo, H.-W., Katoh, M., Liu, L., Mokroš, M., Morel, J., Olofsson, K., Poveda-Lopez, J., Trochta, J., … & Wang, Y. (2018). International benchmarking of terrestrial laser scanning approaches for forest inventories. ISPRS Journal of Photogrammetry and Remote Sensing, 144, 137-179. https://doi.org/10.1016/j.isprsjprs.2018.06.021
Liu, T., Chang, L., Niu, X. & Liu, J. (2020). Pole-like object extraction and pole-aided GNSS/IMU/LiDAR-SLAM system in urban area. Sensors, 20(24), 7145. https://doi.org/10.3390/s20247145
MAPRY Co. Ltd. (2022, April 20). ForestScanner (1.0.2) [Aplicación móvil]. Apple store. https://apps.apple.com/bo/app/forestscanner/id1599055402
McGlade, J., Wallace, L., Reinke, K. & Jones, S. (2022). The potential of low-cost 3D imaging technologies for forestry applications: Setting a research agenda for low-cost remote sensing inventory tasks. Forests, 13(2), 204. https://doi.org/10.3390/f13020204
Mokroš, M., Mikita, T., Singh, A., Tomaštík, J., Chudá, J., Wężyk, P., Kuželka, K., Surový, P., Klimánek, M., Zięba-Kulawik, K., Bobrowski, R. & Liang, X. (2021). Novel low-cost mobile mapping systems for forest inventories as terrestrial laser scanning alternatives. International Journal of Applied Earth Observation and Geoinformation, 104, Article 102512. https://doi.org/10.1016/j.jag.2021.102512
Musálem, M. A. (2006). Silvicultura de plantaciones forestales comerciales. Universidad Autónoma Chapingo, División de Ciencias Forestales. https://dicifo.chapingo.mx/pdf/publicaciones/silvicultura_plantaciones_forestales_comerciales_2006.pdf
Newnham, G. J., Armston, J. D., Calders, K., Disney, M. I., Lovell, J. L., Schaaf, C. B. & Danson, F. M. (2015). Terrestrial laser scanning for plot-scale forest measurement. Current Forestry Reports, 1, 239-251. https://doi.org/10.1007/s40725-015-0025-5
Piermattei, L., Karel, W., Wang, D., Wieser, M., Mokroš, M., Surový, P., Koreň, M., Tomaštík, J., Pfeifer, N. & Hollaus, M. (2019). Terrestrial structure from motion photogrammetry for deriving forest inventory data. Remote Sensing, 11(8), 950. https://doi.org/10.3390/rs11080950
Ritter, T., Schwarz, M., Tockner, A., Leisch, F. & Nothdurft, A. (2017). Automatic mapping of forest stands based on three-dimensional point clouds derived from terrestrial laser-scanning. Forests, 8(8), 265. https://doi.org/10.3390/f8080265
Tatsumi, S., Yamaguchi, K. & Furuya, N. (2021). ForestScanner: A mobile application for measuring and mapping trees with LiDAR-equipped iPhone and iPad. Methods in Ecology and Evolution, 14(7), 1603-1609. https://doi.org/10.1101/2021.12.11.472207
Tomaštík, J., Saloň, Š., Tunák, D., Chudý, F. & Kardoš, M. (2017). Tango in forests–An initial experience of the use of the new Google technology in connection with forest inventory tasks. Computers and Electronics in Agriculture, 141, 109-117. https://doi.org/10.1016/j.compag.2017.07.015
Wang, F., Heenkenda, M. K. & Freeburn, J. T. (2022). Estimating tree diameter at breast height (DBH) using an iPad Pro LiDAR sensor. Remote Sensing Letters, 13(6), 568-578. https://doi.org/10.1080/2150704X.2022.2051635
West, P. W. (2009). Tree and forest measurement (2nd Edition). Springer Berlin.
Zhou, S., Kang, F., Li, W., Kan, J., Zheng, Y. & He, G. (2019). Extracting diameter at breast height with a handheld mobile LiDAR system in an outdoor environment. Sensors, 19(14), 3212. https://doi.org/10.3390/s19143212
Todos los textos publicados por la Revista Mexicana de Ciencias Forestales –sin excepción– se distribuyen amparados bajo la licencia Creative Commons 4.0 Atribución-No Comercial (CC BY-NC 4.0 Internacional), que permite a terceros utilizar lo publicado siempre que mencionen la autoría del trabajo y a la primera publicación en esta revista.