El capital forestal
En las últimas décadas la evaluación de los recursos forestales está recibiendo una mayor atención por parte de los gobiernos de todo el mundo debido a la mayor concienciación sobre el cambio climático global y la mayor apreciación de los servicios ecosistémicos proporcionados por los bosques.
El conocimiento de las existencias de madera de nuestros bosques, es decir, del capital forestal, ya sea a escala nacional, regional o incluso a escala monte, es indispensable para poder abordar una planificación óptima del recurso y así dar respuesta a estos retos globales.
No sería muy aventurado decir que la estimación del recurso forestal es una de las principales obsesiones profesionales, dada su trascendencia. Sin embargo, esta tarea ha sido tradicionalmente ardua, lenta y costosa económicamente, al requerir, entre otras cosas, un enorme trabajo de campo. Y además, dependiendo del área geográfica, muchas veces poco precisa. Por poner un ejemplo, en muchos montes asturianos se consideraban estas estimaciones de campo suficientemente aceptables con errores de muestreo del 45%, ya que mejorar esta precisión sólo era posible con inventarios pie a pie, algo completamente inasumible.
La automatización de estos procesos mediante el uso de distintos sensores remotos y la aplicación de la inteligencia artificial ha sido toda una revolución que ha simplificado las estimaciones, mejorando notablemente la precisión de cálculo y abaratado costes hasta cifras impensables hace pocos años.
Los objetivos
El objetivo principal de este estudio fue generar una base de datos de alta resolución espacial con información sobre variables clave del rendimiento forestal, como el volumen total con corteza (m3/ha) y la biomasa aérea total (t/ha).
Como objetivos secundarios, necesarios para lograr el anterior, se incluyen los siguientes: (i) desarrollo de un procedimiento para armonizar los datos del Cuarto Inventario Forestal Nacional (IFN4) y de la primera cobertura nacional del proyecto PNOA-LiDAR; (ii) selección de los mejores modelos empíricos que relacione las mediciones de campo del IFN4 y las métricas derivadas de PNOA-LiDAR, y (iii) generar mapas espacialmente continuos de las variables de rendimiento forestal.
El noroeste atlántico: más madera
Los métodos de cuantificación automática de la madera/biomasa, dada la gran importancia económica de la madera, se han vuelto muy relevantes para todos los agentes involucrados en el manejo y conservación de los recursos forestales.
En este trabajo se puso el foco en el noroeste de España (Galicia, Asturias y Cantabria), una de las áreas forestales más productivas de Europa, en donde las principales plantaciones forestales comerciales empleadas para producir madera aserrada, madera para trituración o pasta de celulosa corresponden a Eucalyptus globulus, Pinus pinaster y Pinus radiata. Juntas, estas tres regiones contribuyen alrededor del 58% de la extracción de madera que se realiza anualmente en nuestro país (42% de las coníferas y el 79% de las frondosas).
El área de estudio (45.499 km2) forma parte de la Región Biogeográfica de la Europa Atlántica, excepto en el sudeste Galicia, que pertenece a la Región Biogeográfica Mediterránea. Los bosques ocupan una extensión de 2.190 km2, lo que representa el 46,5% de la superficie total del área de estudio. Considerando la superficie ocupada, Eucalyptus globulus es la especie forestal dominante (22,5%) seguida de Pinus pinaster (20,2%), Quercus robur (15,5%), Quercus pyrenaica (8%), Castanea sativa (8%), Pinus radiata (7,5%) y Fagus sylvatica (5,7%) [1].
Los sensores remotos
En este estudio, utilizamos las bases de datos del Cuarto Inventario Forestal Nacional (IFN4) y de la primera cobertura nacional del proyecto PNOA-LiDAR para desarrollar modelos predictivos de crecimiento y producción para las tres principales especies forestales comerciales (Eucalyptus globulus, Pinus pinaster y Pinus radiata) en el noroeste de España. La integración de ambos tipos de datos requirió de una armonización temporal y espacial previa, debido a las diferencias en el tiempo de adquisición de los datos y en los errores de precisión en la geolocalización de las parcelas del IFN4.
Se utilizaron datos armonizados de 477 parcelas de E. globulus (22% del total de las parcelas disponibles), 760 de P. pinaster (37,4%) y 191 de P. radiata (30,8%) para desarrollar modelos predictivos a nivel rodal para el volumen total con corteza, el incremento anual en volumen con corteza y la biomasa total aérea a partir de 36 métricas relacionadas con la estructura vertical y la cobertura del dosel de copas derivadas de la nube de puntos tridimensional de la primera cobertura PNOA-LiDAR (densidad media de 0,5 puntos/m2).
La Inteligencia Artificial
Se compararon métodos de regresión lineal múltiple y varias técnicas no paramétricas de aprendizaje automatizado (k-NN, CART, Random Forest y método de Ensamble), para posteriormente generar mapas espacialmente continuos de las variables de rendimiento forestal de las tres especies de estudio para las teselas del Mapa Forestal de España que presentan un porcentaje de ocupación por especie igual o superior al 70% aplicando los mejores modelos empíricos desarrollados en este estudio. Los resultados del estudio confirmaron que las técnicas de aprendizaje automatizado (Random Forest y Ensamble) superan a la regresión lineal múltiple [2].
Los mapas generados revelan cómo el bosque se desarrolla en entornos fragmentados, como consecuencia de la estructura de explotación de tipo minifundista. También se observa que E. globulus se concentra principalmente en la costa y P. radiata aparece principalmente en las áreas interiores de la mayoría de las provincias, pero es casi inexistente en aquellas situadas al sur (Pontevedra y Ourense); mientras que P. pinaster se distribuye indistintamente tanto en las zonas de costa como en las de interior.
En cuanto a términos de productividad de madera y biomasa, fueron mayores en las provincias costeras (Asturias, Cantabria, A Coruña y Pontevedra) que en las zonas interiores (Lugo y Ourense). Sin embargo, la productividad forestal de P. radiata es mayor en la costa noreste (Cantabria) del área de estudio que, en las otras provincias, donde no hay diferencias significativas.
Respecto a las existencias de madera y biomasa para las distintas especies analizadas, E. globulus y P. pinaster presentan mayores valores en la costa norte central y en la costa oeste (Asturias, Pontevedra y A Coruña) y más bajos en las regiones interiores (Ourense y Lugo) y Cantabria. En términos globales, las existencias de volumen de madera y biomasa forestal de E. globulus fueron más altas en la provincia de A Coruña.
El resultado
El método desarrollado permite la estimación automática y la actualización anual del volumen y la biomasa total para tamaños de pixel de 25 x 25 m sin la necesidad de trabajo de campo. Por otro lado, al ser modelos que predicen los resultados pixel a pixel (cientos o miles de pixeles para un monte), la ausencia observada de sesgos en los ajustes permite compensar errores, por lo que la predicción global para cada monte es bastante buena, como ya se comprobado sobre datos de cortas, con errores que han oscilado entre el 2 y el 12%. En un futuro próximo es esperable que una geolocalización más precisa de las parcelas del IFN4 junto con una mayor coincidencia temporal con los datos de la cobertura PNOA-LiDAR, permita mejorar más la precisión de los modelos.
Bibliografía
[1] MAPAMA. Anuario de Estadística. Avance 2017. Ministerio de Agricultura, Pesca y Alimentación: Madrid, 2018.
[2] Novo-Fernández, A.; Barrio-Anta, M.; Recondo, C.; Cámara-Obregón, A.; López-Sánchez, C.A. Integration of National Forest Inventory and Nationwide Airborne Laser Scanning Data to Improve Forest Yield Predictions in North-Western Spain. Remote Sens. 2019, 11(14), 1693;
Fuente: Grupo de Investigación SmartForest – Universidad de Oviedo. Campus de Mieres