Especialización en Sistemas de Información Geografica · 2020
Estimación de la biomasa en coberturas vegetales utilizando tecnología LiDAR en el municipio de Barbosa, departamento de Antioquia
The accelerated loss of plant coverages has caused irreparable damage to the ecosystems and biodiversity in which they live. Because of this, today is very important and necessary to have full knowledge of the forest species found in our territories. The purpose is to preserve and quantify biomass ecosystems contain using advanced technologies capturing information in short time, with precises results and lower production cost. One of these is known as LiDAR (acronym for Light Detection and Ranging), this one allows measuring distances from objects located far away, emitting electromagnetic pulses. In addition, this technology has several applications among which we find the estimation of dasometric variables in plant coverages.According to previous information, this document present an estimate based on LiDAR data of the biomass whose interest area is located in Antioquia, department of Colombia, specifically in a town called Barbosa, where we find Filoverde with an area of 1,82 hectares (ha) next to Rio Grande near to Niquia – Hatillo highway above kilometer 25 following by Parque de las Aguas recreation center. This biomass is subsequently contrasted with the one calculated with taken data in the study area determining the difference between both measures
Texto completo 78 páginas con texto
Leer la tesis completa Ficha en el repositorio
Contenido
- RESUMENp. 9
- ABSTRACTp. 10
- PLANTEAMIENTO DEL PROBLEMAp. 11
- A. Antecedentesp. 12
- II. JUSTIFICACIÓNp. 15
- OBJETIVOSp. 16
- A. Objetivo generalp. 16
- B. Objetivos específicosp. 16
- HIPÓTESISp. 17
- A. Hipótesis de Trabajop. 17
- V. MARCO TEÓRICOp. 28
- A. Medidas dasométricasp. 18
- B. Ecuaciones para el cálculo de biomasap. 20
- C. Teledetección espacial y Tecnología LiDARp. 21
- D. Softwares libres de información geográficap. 25
- E. Softwares licenciados de información geográficap. 27
- METODOLOGÍAp. 28
- A. Definición del área de estudiop. 28
- B. Planteamiento del problemap. 28
- C. Marco teóricop. 28
- D. Procesamiento de datos LiDARp. 28
- E. Procesamiento de datos tomados en campop. 28
- F. Validación del modelop. 28
- G. Conclusionesp. 28
- DISCUSIÓN Y RESULTADOSp. 29
- A. Ubicación geográfica de la zona de estudiop. 29
- B. Caracterización biótica del área del proyectop. 30
- Zonas de vidap. 30
- Biomasp. 30
- C. Procesamiento de información LiDARp. 31
- Recorte del área de estudiop. 32
- Inspección de los datosp. 35
- Obtener estadísticos básicos de la nube de puntosp. 37
- Crear filtro del terrenop. 39
- Crear modelo digital del terrenop. 41
- Crear modelo digital de superficiep. 41
- Crear modelo de vegetaciónp. 42
- Normalización de la nube de puntosp. 44
- Creación de modelos digitales con ArcGISp. 48
- Estimación de biomasap. 53
- Individualización desde modelos de copasp. 55
- Selección del modelo de estimación de biomasap. 60
- D. Selección de la ecuación de biomasap. 60
- E. Validación del modelop. 62
- VIII. CONCLUSIONESp. 64
- REFERENCIASp. 65
- ANEXOSp. 69
- TABLA I. ECUACIONES ALOMÉTRICASp. 20
- TABLA II. PARÁMETROS ESTADÍSTICOSp. 38
- TABLA III. ESTIMACIÓN DE ECUACIONES ALOMÉTRICASp. 62
- TABLA IV. RESULTADOS ANÁLISIS DE BIOMASAp. 62
- [c] Clinómetro Electrónico e [d] Hipsómetro Vertex. Fuente: [13]p. 19
- Fig. 3. Elementos que componen un sistema de teledetecciónp. 23
- Fig. 4. Esquema de la captura de datos LiDAR desde un vehículo aéreop. 24
- Fig. 5. Esquema de retorno de pulsos láserp. 25
- Fig. 6. Individuos censados en el área de estudio del proyectop. 29
- Fig. 7. Pantalla de inicio del algoritmo laszipp. 32
- Fig. 8. Área límite de estudio procesada con el algoritmo laszipp. 33
- Fig. 9. Información generada una vez ejecutado el algoritmo laszipp. 33
- Fig. 11. Visualización área datos LiDAR y área de interés del proyectop. 34
- Fig. 12. Comandos PolyClipData utilizados para el recorte del área de interésp. 35
- Fig. 13. Recorte del área de interés del proyectop. 35
- Fig. 14. Comando Catalog utilizado para generar informes con características representativasp. 36
- Fig. 15. Reporte en formato html generado con el comando Catalogp. 36
- Fig. 16. Generación de imagen de cobertura nominal, densidad de retornos e intensidadp. 37
- Fig. 17. Comando IntensityImage para la corrección de la imagen de intensidadp. 37
- Fig. 18. Archivos generados utilizando el comando IntensityImagep. 37
- Fig. 19. Comando CloudMetrics para el cálculo de parámetros estadísticosp. 38
- Fig. 20. Archivos generados utilizando el comando CloudMetricsp. 39
- Fig. 21. Información consolidada en el Excel métricasp. 39
- Fig. 22. Comando GroundFilter para el filtro de la nube de puntosp. 40
- Fig. 23. Archivos generados utilizando el comando GroundFilterp. 40
- Fig. 24. Filtro del terreno del área de interésp. 40
- Fig. 25. Comando GridSurfaceCreate para generar el DTMp. 41
- Fig. 26. Archivos generados utilizando el comando GridSurfaceCreatep. 41
- Fig. 27. Comando CanopyModel para generar el modelo digital de superficiep. 42
- Fig. 28. Archivos generados utilizando el comando CanopyModelp. 42
- Fig. 29. Modelo digital de vegetaciónp. 43
- Fig. 30. Comando CanopyModel /ground para generar el modelo digital de vegetaciónp. 43
- Fig. 31. Archivos generados utilizando el comando CanopyModel /groundp. 43
- Fig. 32. Normalización de la nube de puntosp. 44
- Fig. 33. Comando empleado para la normalización de la nube de puntosp. 44
- Fig. 34. Normalización de la nube de puntos del área de interésp. 45
- Fig. 35. Tejido urbano discontinuo presente en el área de interésp. 46
- datos LiDARp. 46
- concentración de los datos LiDARp. 47
- Fig. 38. Individuos censados y datos LiDAR procesadosp. 48
- Fig. 39. Tabla de atributos de los datos LiDAR procesadosp. 48
- Fig. 40. Herramienta Make LAS Dataset Layerp. 48
- Fig. 41. Perfil a nivel del terreno de los datos LiDAR en el área de estudiop. 49
- Fig. 42. Configuración de la herramienta LAS Dataset to Rasterp. 49
- Fig. 43. Generación del modelo digital del terreno (MDT)p. 50
- Fig. 44. Herramienta Make LAS Dataset Layer aplicada en el MDTp. 50
- Fig. 45. Perfil a nivel del terreno del MDTp. 51
- Fig. 46. Herramienta Make LAS Dataset Layer aplicada en el MDSp. 51
- Fig. 47. MDS generado con la Herramienta Make LAS Dataset Layerp. 52
- Fig. 48. Configuración de la herramienta Raster Calculatorp. 52
- Fig. 49. Modelo digital de vegetación en el área de estudiop. 53
- Fig. 50. Configuración de la herramienta Zonal Statistics en ArcGISp. 54
- Fig. 51. Tabla de atributos generada con la herramienta Zonal Statisticsp. 54
- Fig. 52. Configuración de la herramienta Estadística de zona en QGISp. 55
- Fig. 53. Tabla de atributos generada con la herramienta Estadística de zonap. 55
- Fig. 54. Configuración de la herramienta Watershed segmentation en QGISp. 56
- Fig. 55. Segmentación de las copas con la herramienta Watershed segmentationp. 57
- Fig. 56. Configuración de la herramienta Vectorising grid classes en QGISp. 57
- Fig. 57. Vectorización de archivo ráster de individualización de copasp. 58
- Fig. 58. Intercepción de archivo vectorizado e individuos censadosp. 58
- Fig. 59. Intercepción del archivo vectorizado de copas e individuos censadosp. 59
- Fig. 60. Individualización de copas en el área de estudiop. 59
- Zonal Statisticsp. 59
- Fig. 62. Número de individuos censados por especiep. 60
- Fig. 63. Individuos censados con DAP ≥ 10 cm en el área de estudio del proyectop. 61
- Fig. 64. Número de individuos censados por especie con un DAP ≥ 10 cmp. 61
- Fig. 65. Explicación de la estimación de biomasa de datos LiDAR (perfil transversal)p. 63
- Fig. 66. Explicación de la estimación de biomasa de datos LiDAR (perfil frontal)p. 63