Intelixencia xeoespacial para a xestión forestal sostible: minifundio e funcionalidade

Abstract

As ferramentas xeoespaciais baseadas na teledetección (activa e pasiva) e na propia análise espacial proporcionan solucións que axudan á toma de decisións e á creación de novos xeitos de desenvolver a xestión forestal sustentable: mellora na toma de decisións, mellora nos procesos de traballo e mellora na comunicación cos xestores e propietarios. As bases de datos de inventarios forestais baséanse principalmente en límites derivados da interpretación manual de fotografías ou da información recollida en campo. As delimitacións das mouteiras son representacións vectoriais de atributos forestais (especie, composición, alturas, fracción de cabida cuberta…). Os datos dixitais da detección remota pódense empregar para actualizar ou aportar nova información a estas bases de datos e así aumentar a calidade, a cantidade e a frecuencia da información o cal repercute nunha mellora na xestión forestal sostible. A xestión forestal en territorios con múltiples propietarios e con diversidade de coberturas resulta máis complexa que en lugares onde existe máis continuidade e homoxeneidade espacial (de propiedade, de composición e de cobertura). O recoñecemento e captura de información a partir de datos xeoespaciais complícase a medida que as mouteiras e parcelas forestais son máis pequenas debido ao efecto borde, efecto que distorsiona a información típico en territorios de minifundio e en paisaxes en mosaico con superficies pequenas e alta variabilidade de coberturas. O aumento da dispoñibilidade da alta resolución espacial e espectral, así como o incremento e abaratamento de novas plataformas de transporte de sensores (como os UAV) proporcionan melloras na discriminación da cobertura forestal e dos atributos fisiolóxicos superando nalgúns casos a limitación derivada do tamaño da propiedade forestal ou da mouteira. A medida que aumenta a resolución e a dispoñibilidade de información de detección remota de múltiples fontes tamén o fai a capacidade para que a información extraída poida aplicarse con máis fiabilidade ás pequenas parcelas forestais. A posta en marcha de técnicas baseadas na información xeoespacial para o estudo das masas forestais brinda oportunidades de moitísimo interese para o sector forestal galego que se poden resumir principalmente nunha mellora nos procedementos e nas estimacións das existencias, así como a adquisición de atributos que redundan nun mellor seguimento da certificación forestal e da xestión sostible. Crear metodoloxías e ver a súa adecuación sobre as masas e ás particularidades das diferentes parcelas forestais, baseándonos en datos reais e a súa combinación con este tipo de técnicas para contrastar posteriormente os seus resultados pode axudar a superar o grao de incertidume que existe en algunha da información forestal existente na actualidade. Se ben existen variables que se poden obter directamente dos datos procedentes da teledetección, existen outras que terán que ser capturadas directamente en campo e relacionalas coas variables obtidas dos sensores empregando para isto modelos predictivos de regresión e de clasificación. Para conseguir isto será necesario establecer procesos de inventariación (mostras de campo) para posteriormente realizar relacións das variables obtidas coas variables independentes (obtidas dos sensores). Para isto, empregaranse metodoloxías baseadas no aprendizaxe automático que nos permitirán establecer modelos que relacionen características procedentes da teledetección e das variables obxectivo (detección de patróns) que vaian mellorando a medida que se introducen novos datos.

Las herramientas geoespaciales basadas en la teledetección (activa y pasiva) y en el propio análisis espacial proporcionan soluciones que ayudan a la toma de decisiones y a la creación de nuevas maneras de desarrollar la gestión forestal sostenible: mejora en la toma de decisiones, mejora en los procesos de trabajo y mejora en la comunicación con los gestores y propietarios. Las bases de datos de inventarios forestales se basan principalmente en límites derivados de la interpretación manual de fotografías o de la información recogida en campo. Las delimitaciones de los rodales son representaciones vectoriales de atributos forestales (especie, composición, alturas, fracción de cabida cubierta…). Los datos digitales de la detección remota se pueden emplear para actualizar o aportar nueva información a estas bases de datos y así aumentar la calidad, y la cantidad de la frecuencia de la información lo cual repercute en una mejora en la gestión forestal sostenible. La gestión forestal en territorios con múltiples propietarios y con diversidad de coberturas resulta más compleja que en lugares donde existe más continuidad y homogeneidad espacial (de propiedad, de composición y de cobertura). El reconocimiento y captura de información a partir de datos geoespaciales se complica a medida que los rodales y las parcelas forestales son más pequeñas debido al efecto borde, efecto que distorsiona la información, típico en territorios de minifundio e en paisajes en mosaico con superficies pequeñas y alta variabilidad de coberturas. El aumento de la disponibilidad da alta resolución espacial y espectral, así como el incremento y abaratamiento de las nuevas plataformas de transporte de sensores (como los UAV) proporcionan mejoras en la discriminación de la cobertura forestal y de los atributos fisiológicos superando en algunos casos la limitación derivada del tamaño de la propiedad forestal o del rodal. A medida que aumenta la resolución y la disponibilidad de información de detección remota de múltiples fuentes también lo hace la capacidad para que la información extraída pueda aplicarse con más fiabilidad a las pequeñas parcelas forestales. La puesta en marcha de técnicas basadas en la información geoespacial para el estudio de las masas forestales brinda oportunidades de muchísimo interés para el sector forestal gallego que se pueden resumir principalmente en una mejora en los procedimientos y en las estimaciones de las existencias, así como la adquisición de atributos que redundan en un mejor seguimiento de la certificación forestal y de la gestión sostenible. Crear metodologías y ver su adecuación sobre las masas y las particularidades de las diferentes parcelas forestales, basándonos en datos reales e su combinación con este tipo de técnicas para contrastar posteriormente sus resultados puede ayudar a superar el grado de incertidumbre que existe en alguna de la información forestal existente en la actualidad. Si bien existen variables que se pueden obtener directamente de los datos procedentes de la teledetección, existen otras que tendrán que ser capturadas directamente en campo y relacionarlas con las variables obtenidas de los sensores empleando para esto modelos predictivos de regresión y de clasificación. Para conseguir esto será necesario establecer procesos de inventario (muestras de campo) para posteriormente realizar relaciones de las variables obtenidas con las variables independentes (obtenidas de los sensores). Para esto, se emplearán metodologías basadas en el aprendizaje automático que nos permitirán establecer modelos que relacionen características procedentes de la teledetección y de las variables objetivo (detección de patrones) que vayan mejorando a medida que se introducen nuevos datos.

Geospatial tools based on remote sensing (active and passive) and on spatial analysis itself provide solutions that help decision-making and the creation of new ways of developing sustainable forest management: improvement in decision-making, improvement in work processes and improvement in communication with managers and owners. Forest inventory databases are mainly based on limits derived from manual interpretation of photographs or information collected in the field. The delimitations of the stands are vector representations of forest attributes (species, composition, heights, fraction of covered space ...). The digital data from remote sensing can be used to update or add new information to these databases and thus increase the quality, and the quantity of the information frequency, which results in an improvement in sustainable forest management. Forest management in territories with multiple owners and with a diversity of coverage is more complex than in places where there is more continuity and spatial homogeneity (ownership, composition and coverage). The recognition and capture of information from geospatial data is complicated as the stands and forest parcels are smaller due to the edge effect, an effect that distorts the information, typical in smallholding territories and in mosaic landscapes with small areas and areas. high variability of coverage. The increase in the availability of high spatial and spectral resolution, as well as the increase and cheapening of new sensor transport platforms (such as UAVs) provide improvements in the discrimination of forest cover and physiological attributes, exceeding in some cases the limitation derived from the size of the forest property or the stand. As the resolution and availability of remotely sensed information from multiple sources increases, so does the ability for the extracted information to be more reliably applied to small forest plots. The implementation of techniques based on geospatial information for the study of forest masses offers opportunities of great interest for the Galician forestry sector that can be summarized mainly in an improvement in procedures and in the estimates of stocks, as well as the acquisition of attributes that result in better monitoring of forest certification and sustainable management. Creating methodologies and seeing their suitability on the masses and the particularities of the different forest plots, based on real data and their combination with this type of techniques to later contrast their results can help to overcome the degree of uncertainty that exists in some of the information forest existing today. Although there are variables that can be obtained directly from the data from remote sensing, there are others that will have to be captured directly in the field and related to the variables obtained from the sensors using predictive regression and classification models. To achieve this, it will be necessary to establish inventory processes (field samples) to later make relationships of the variables obtained with the independent variables (obtained from the sensors). For this, methodologies based on machine learning will be used that will allow us to establish models that relate characteristics from remote sensing and the target variables (pattern detection) that improve as new data is introduced.