Integrando teledetección e inventario multi-temporales a escala árbol (Eucalyptus) para predecir dinámica forestal y optimizar la gestión forestal en Mato Grosso, Brasil

  1. Tupinambá-Simões, F. 1
  2. Guerra-Hernández, J. 2
  3. Pascual, A. 3
  4. Bravo Oviedo, F. 1
  1. 1 Instituto de Investigación sobre Gestión Forestal Sostenible UVa-INIA
  2. 2 Centro de Investigación Forestal, Escuela de Agricultura, Universidad de Lisboa
  3. 3 Departamento de Ciencias Geográficas, Universidad de Maryland
Mostrar afiliaciones +
Revista:
Cuadernos de la Sociedad Española de Ciencias Forestales

ISSN: 1575-2410,  2386-8368

Año de publicación: 2023

Número: 49

Páginas: 41-58

Tipo: Artículo

DIALNET GOOGLE SCHOLAR lock_openDialnet editor

Otras publicaciones en: Cuadernos de la Sociedad Española de Ciencias Forestales

Resumen

El establecimiento de especies arbóreas de rápido crecimiento (Eucalyptus spp.) es crucial para suministrar produc- tos forestales a las economías en desarrollo. Sin embargo, la creciente frecuencia, gravedad y duración de las sequías ame- nazan la viabilidad de estos importantes ecosistemas. En Mato Grosso (Brasil), donde el estrés hídrico es el principal fac- tor limitante del eucalipto, se registró en 2019 el segundo evento de sequía más grande de toda la serie histórica. Los datos del inventario forestal que comprenden miles de mediciones de árboles tomadas en 2019, 2020 y 2021 se han modelado utilizando modelos de efectos mixtos para identificar los factores más significativos que influyen en la mortalidad y la di- námica de crecimiento de los cuatro genotipos de eucalipto diferentes. Se utilizó un vehículo aéreo no tripulado (UAV) para obtener un mosaico de imágenes en el espectro visible -rojo, verde y azul (RGB)- a muy alta resolución (VHR), además de modelos digitales de superficie (DSM) y cálculos del índice de vegetación (VI), que se utilizaron en la clasificación de la mortalidad mediante una segmentación centrada en el objeto. Las tasas de crecimiento y mortalidad se vieron significa- tivamente afectadas durante la sequía; el efecto de la sequía de 2019 fue más pronunciado en rodales con alta densidad de árboles. La selección del material genético y la densidad de plantación pueden utilizarse como factores silvícolas para ges- tionar más eficientemente las plantaciones forestales frente a los efectos del cambio climático, incluyendo los eventos de estrés hídrico extremo. Implicaciones: Este estudio ilustra la necesidad de ajustar las directrices silvícolas para reducir el impacto de la sequía en las plantaciones de Eucalyptus y cómo las tecnologías de teledetección, las mejoras genéticas y la investigación operativa aplicada pueden integrarse para mejorar la eficiencia y la resiliencia de las plantaciones de Eucalyp- tus y explorar los límites óptimos de productividad bajo el cambio global.

Referencias bibliográficas

  • Barnes, E. M., Clarke, T. R., Richards, S. E., Colaizzi, P. D., Haberland, J., Kostrzewski, M., Waller, P., Choi C., R. E., Thompson, T., Lascano, R. J., Li, H., & Moran, M. S. 2000. Coincident detection of crop water stress, nitrogen status and canopy density using ground based multispectral data. Proc. 5th Int. Conf. Precis Agric, July 2015.
  • Bates, D., Mächler, M., Bolker, B. M., & Walker, S. C. 2015. Fitting linear mixed-effects models using lme4. Journal of Statistical Software, 67(1). https://doi.org/10.18637/jss.v067.i01
  • Baty, F., Ritz, C., Charles, S., Brutsche, M., Flandrois, J. P., & Delignette-Muller, M. L. 2015. A toolbox for nonlinear regression in R: The package nlstools. Journal of Statistical Software, 66(5), 1-21. https://doi.org/10.18637/jss.v066.i05
  • Booth, T. H. 2013. Eucalypt plantations and climate change. Forest Ecology and Management, 301, 28-34. https://doi.org/10.1016/j.foreco.2012.04.004
  • Brook, B. W., Sodhi, N. S., & Bradshaw, C. J. A. 2008. Synergies among extinction drivers under global change. Trends in Ecology and Evolution, 23(8), 453-460. https://doi.org/10.1016/j.tree.2008.03.011
  • Buschmann, C., & Nagel, E. 1993. In vivo spectroscopy and internal optics of leaves as basis for remote sensing of vegetation. International Journal of Remote Sensing, 14(4), 711-722. https://doi.org/10.1080/01431169308904370
  • Chehata, N., Orny, C., Boukir, S., Guyon, D., & Wigneron, J. P. 2014. Object-based change detection in wind storm-damaged forest using high-resolution multispectral images. International Journal of Remote Sensing, 35(13), 4758-4777. https://doi.org/10.1080/01431161.2014.930199
  • dos Reis, G. G., Reis, M. D. G. F., Fontan, I. D. C. I., Monte, M. A., Gomes, A. N., & de Oliveira, C. H. R. 2006. Crescimento de raízes e da parte aérea de clones de híbridos de Eucalyptus grandis X Eucalyptus urophylla e de Eucalyptus camaldulensis X Eucalyptus spp submetidos a dois regimes de irrigaç ão no campo. Revista Arvore, 30(6), 921-931. https://doi.org/10.1590/S0100-67622006000600007
  • Foley, J. A., DeFries, R., Asner, G. P., Barford, C., Bonan, G., Carpenter, S. R., Chapin, F. S., Coe, M. T., Daily, G. C., Gibbs, H. K., Helkowski, J. H., Holloway, T., Howard, E. A., Kucharik, C. J., Monfreda, C., Patz, J. A., Prentice, I. C., Ramankutty, N., & Snyder, P. K. 2005. Global consequences of land use. Science, 309(5734), 570-574. https://doi.org/10.1126/science.1111772
  • Gonçalves, J., Pôças, I., Marcos, B., Mücher, C. A., & Honrado, J. P. 2019. SegOptim-A new R package for optimizing object-based image analyses of high-spatial resolution remotely-sensed data. International Journal of Applied Earth Observation and Geoinformation, 76(December 2018), 218-230. https://doi.org/10.1016/j.jag.2018.11.011
  • Grizonnet, M., Michel, J., Poughon, V., Inglada, J., Savinaud, M., & Cresson, R. 2017. Orfeo ToolBox: open source processing of remote sensing images. Open Geospatial Data, Software and Standards, 2(1), 15. https://doi.org/10.1186/s40965-017-0031-6
  • Guerra-Hernández, J., Cosenza, D. N., Rodriguez, L. C. E., Silva, M., Tomé, M., Díaz-Varela, R. A., & González-Ferreiro, E. 2018. Comparison of ALS- and UAV(SfM)-derived high-density point clouds for individual tree detection in Eucalyptus plantations. International Journal of Remote Sensing, 39(15-16), 5211-5235. https://doi.org/10.1080/01431161.2018.1486519
  • Guerra-Hernández, J., González-Ferreiro, E., Monleón, V. J., Faias, S. P., Tomé, M., & Díaz-Varela, R. A. 2017. Use of multi-temporal UAV-derived imagery for estimating individual tree growth in Pinus pinea stands. Forests, 8(8), 1-19. https://doi.org/10.3390/f8080300
  • Horn, B. K. P. 1981. Hill Shading and the Reflectance Map. Proceedings of the IEEE, 69(1), 14-47. https://doi.org/10.1109/PROC.1981.11918
  • Kataoka, T., & Okamoto, H. 2003. Crop Growth Estimation System Using Machine Vision. Aim, 1079-1083.
  • Kirilenko, A. P., & Sedjo, R. A. 2007. Climate change impacts on forestry. Proceedings of the National Academy of Sciences of the United States of America, 104(50), 19697-19702. https://doi.org/10.1073/pnas.0701424104
  • Laclau, J. P., Gonçalves, J. L. de M., & Stape, J. L. 2013. Perspectives for the management of eucalypt plantations under biotic and abiotic stresses. Forest Ecology and Management, 301(November 2011), 1-5. https://doi.org/10.1016/j.foreco.2013.03.007
  • Leblanc, S. 2018. Off-the-Shelf Unmanned Aerial Vehicles for 3D Vegetation Mapping. March.
  • Mao, W., Student, P. D., Wang, Y., & Wang, Y. 2003. Real-time Detection of Between-row Weeds Using Machine Vision. 0300(03).
  • Miranda, D. L. C., Lisboa, G. D. S., Silva, F. da, Sanquetta, C. R., Corte, A. P. D., & Condé, T. M. 2019. Crescimento de híbridos de eucalipto no estado de Mato Grosso. Advances in Forestry Science, 6(2). https://doi.org/10.34062/afs.v6i2.7360
  • Pena, R. F. 2018. ANÁLISE SILVICULTURAL DE CLONES DE EUCALIPTO E CARACTERÍSTICAS PRODUTIVAS DO PASTO EM SISTEMA SILVIPASTORIL, EM CORONEL PACHECO, MG.
  • Phillips, O. L., Aragão, L. E. O. C., Lewis, S. L., Fisher, J. B., Lloyd, J., López-González, G., Malhi, Y., Monteagudo, A., Peacock, J., Quesada, C. A., Van Der Heijden, G., Almeida, S., Amaral, I., Arroyo, L., Aymard, G., Baker, T. R., Bánki, O., Blanc, L., Bonal, D., … Torres-Lezama, A. 2009. Drought sensitivity of the amazon rainforest. Science, 323(5919), 1344-1347. https://doi.org/10.1126/science.1164033
  • R Core Team. 2020. R: A Language and Environment for Statistical Computing. {{ISBN} 3-900051-07-0}. http://www.r-project.org/
  • Rouse, J., Haas, R. H., Schell, J. A., & Deering, D. 1973. Monitoring vegetation systems in the great plains with ERTS.
  • Tomaštík, J., Mokroš, M., Surový, P., Grznárová, A., & Mergani?, J. 2019. UAV RTK/PPK method-An optimal solution for mapping inaccessible forested areas? Remote Sensing, 11(6). https://doi.org/10.3390/rs11060721
  • Verrelst, J., Schaepman, M. E., Koetz, B., & Kneubühler, M. 2008. Angular sensitivity analysis of vegetation indices derived from CHRIS / PROBA data. 112, 2341-2353. https://doi.org/10.1016/j.rse.2007.11.001
  • Wang, X., Wang, M., Wang, S., & Wu, Y. 2015. Extraction of vegetation information from visible unmanned aerial vehicle images. Nongye Gongcheng Xuebao/Transactions of the Chinese Society of Agricultural Engineering, 31, 152-159. https://doi.org/10.3969/j.issn.1002-6819.2015.05.022
  • Wang, Y., Soh, Y. S., & Schultz, H. 2006. Individual Tree Crown Segmentation in Aerial Forestry Images by Mean Shift Clustering and Graph-based Cluster Merging. International Journal of Computer Science and Network Security, 6(11), 40-45.
  • Wheeler, T. H. Æ. N. D. T. Æ. H. 2006. Automated crop and weed monitoring in widely spaced cereals. 21-32. https://doi.org/10.1007/s11119-005-6787-1
  • Wilson, M. F. J., O'Connell, B., Brown, C., Guinan, J. C., & Grehan, A. J. 2007. Multiscale terrain analysis of multibeam bathymetry data for habitat mapping on the continental slope. In: Marine Geodesy (Vol. 30, Issues 1-2). https://doi.org/10.1080/01490410701295962
  • Zhang, X., Zhang, F., Qi, Y., Deng, L., Wang, X., & Yang, S. 2019. New research methods for vegetation information extraction based on visible light remote sensing images from an unmanned aerial vehicle (UAV). International Journal of Applied Earth Observation and Geoinformation, 78(June 2019), 215-226. https://doi.org/10.1016/j.jag.2019.01.001
Fuente de los datos: Dialnet