Documentos de Académico
Documentos de Profesional
Documentos de Cultura
CIAIQ2016
>>Investigação
Qualitativa
em
Engenharia
e
Tecnologia//Investigación
Cualitativa
en
Ingeniería
y
Tecnología//Volume
4
2 2
José
Luis
Marcos
Robles1,
María
de
la
luz
Gil
Docampo ,
Juan
Ortiz
Sanz ,
Santiago
Martínez
Rodríguez2,
3 4 4
Fermín
Garrido
Laurnaga ,
Luis
Fernando
Sánchez
Sastre ,
Salvador
Hernández
Navarro ,
Zacarías
Clérigo
1
Pérez ,
Luis
Ortiz
Sanz1
1
Departamento
de
Ciencias
de
los
Materiales,
Universidad
de
Valladolid.
España
jlmarcos@iaf.uva.es.
2
Departamento
de
Enxeñaría
Agroforestal.
Universidad
de
Santiago
de
Compostela.
España. ml.gil@usc.es
3
Departamento
de
Producción
Vegetal
y
Recursos
Forestales.
Universidad
de
Valladolid.
España.
fegala@pvs.uva.es
4
Departamento
de
Ingeniería
Agrícola
y
Forestal.
Universidad
de
Valladolid.
España.
lux@iaf.uva.es
Resumen.
Estimar
con
precisión
la
biomasa
por
métodos
tradicionales
con
muestreos
de
campo
destructivos
es
caro
y
tedioso.
Los
métodos
basados
en
sensores
remotos
aeroportados
con
vehículos
aéreos
no
tripulados
pueden
ser
utilizados
para
generar
la
información
necesaria
y
estimar
la
biomasa
y
el
carbono
fijado
por
los
sistemas
agroforestales
en
un
amplio
rango
de
escalas.
La
velocidad
de
obtención
y
procesamiento
de
los
datos
y
el
relativo
bajo
coste
de
este
procedimiento
hace
que
su
potencial
empleo
en
sistemas
agroforestales
pudiera
tener
una
gran
importancia.
En
este
estudio
se
desarrolla
un
procedimiento
para
evaluar
la
biomasa
aérea
en
distintas
parcelas
agroforestales
en
España
por
medio
de
la
fotogrametría
de
rango
cercano,
un
multirrotor
y
una
cámara
fotográfica
convencional.
Como
conclusión
de
este
estudio,
se
propone
una
metodología
de
trabajo
mediante
el
uso
de
estas
tecnologías
que
estime
la
producción
de
biomasa
de
manera
precisa,
fiable
y
económicamente
rentable.
Palabras
clave:
Vehículos
Aéreos
No
tripulados.
Drones.
Estimación
de
Biomasa.
MDS.
MDT.
Fotogrametría
de
rango
cercano.
Cambio
climático.
CO2
Determination
of
biomass
in
areas
of
arable
crops
with
high
optical
cameras
using
UAVs
Abstract.
To
accurately
estimate
the
biomass
by
using
traditional
methods
with
destructive
field
sampling
is
expensive
and
tedious.
Methods
based
on
airbone
remote
sensing
with
UAVs
can
be
used
to
generate
the
necessary
information
and
to
estimate
biomass
and
carbon
fixed
by
agroforestry
systems
in
a
wide
range
of
scales.
Speed
on
collecting
and
processing
data
and
the
relatively
low
cost
of
this
procedure
makes
that
their
potential
use
in
agroforestry
systems
could
have
a
great
importance.
In
this
study,
a
process
is
developed
to
evaluate
aboveground
biomass
in
different
agroforestry
areas
in
Spain
by
using
a
close
range
photogrammetry,
a
multirotor
and
a
conventional
camera.
As
a
conclusion
of
this
study,
a
methodology
is
proposed
in
which
these
technologies
are
used
in
order
to
estimate
biomass
production
in
an
accurate,
reliable
and
economic
way.
Keywords:
UAV, Estimating biomass,
DSM,
DEM,
Close
range
photogrammetry.
Climate
Change.
CO2
1 Introducción
La
estimación
precisa
de
biomasa
es
esencial
para
comprender
mejor
los
ciclos
de
carbono
en
los
ecosistemas
terrestres,
donde
los
bosques
actúan
como
depósito
primario
del
carbono
terrestre
(Houghton,
2005).
Los
métodos
de
campo
tradicionales
proporcionan
medios
consistentes
para
evaluar
la
biomasa,
pero
por
lo
general
a
un
alto
costo,
ya
que
a
menudo
implica
un
muestreo
destructivo
en
una
cobertura
geográfica
limitada
(Popescu,
2007).
Los
métodos
basados
en
sensores
remotos
pueden
ser
integrados
con
evaluaciones
sobre
el
terreno
para
producir
la
información
necesaria
en
la
estimación
de
la
biomasa.
Las
ventajas
de
la
utilización
de
estos
sensores
incluyen
la
posibilidad
de
obtener
mediciones
de
cada
lugar,
la
velocidad
con
la
95
>>Atas
CIAIQ2016
>>Investigação
Qualitativa
em
Engenharia
e
Tecnologia//Investigación
Cualitativa
en
Ingeniería
y
Tecnología//Volume
4
que
los
datos
pueden
ser
recogidos
y
procesados,
el
relativamente
bajo
costo
de
muchos
de
estos
sensores,
y
la
capacidad
de
recopilar
datos
en
áreas
de
difícil
acceso
desde
el
suelo
(Bortolot
&
Wynne,
2005).
La
capacidad
de
los
sensores
LIDAR
(Light
Detection
And
Ranging)
para
medir
directamente
la
estructura
vegetal,
ha
supuesto
un
gran
avance
en
el
inventario
remoto
de
los
recursos
forestales.
A
pesar
de
que
la
tecnología
LIDAR
se
postula
como
la
más
adecuada
para
la
estimación
de
biomasa,
el
alto
coste
del
hardware
y
de
la
ejecución
de
los
vuelos,
únicamente
aconseja
su
aplicación
en
proyectos
de
gran
envergadura.
En
proyectos
más
reducidos
o
menor
presupuesto,
se
plantean
otros
sistemas
como
los
basados
en
sensores
pasivos.
Estos
dependen
de
la
variabilidad
de
las
respuestas
espectrales
de
la
vegetación
en
las
regiones
del
visible
e
infrarrojo
cercano.
Índices
ampliamente
aceptados
como
el
NDVI
(Índice
de
Vegetación
de
Diferencia
Normalizada)
y
el
LAI
(Índice
de
Área
Foliar)
(Jonckheere,
Nackaerts,
Muys,
van
Aardt,
&
Coppin,
2006;
Morsdorf
et
al.,
2004;
Morsdorf,
Kötz,
Meier,
Itten,
&
Allgöwer,
2006)
han
sido
empíricamente
correlacionados
con
parámetros
estructurales
del
dosel
de
copas.
Los
sensores
ópticos
pasivos
proporcionan
mediciones
detalladas
de
la
distribución
horizontal
del
dosel
de
copas
mientras
que
los
sistemas
LIDAR
son
capaces
de
ofrecer
información
precisa
en
ambas
dimensiones,
horizontal
y
vertical.
Al
igual
que
la
teledetección,
la
fotogrametría
permite
realizar
mediciones
detalladas
de
la
distribución
horizontal
de
la
parte
aérea
de
la
planta
(visible
desde
el
aire)
pero
no
permite
extraer
información
de
su
estructura
vertical.
Por
este
motivo,
para
calcular
la
biomasa
aérea
es
fundamental
disponer
de
un
Modelo
de
Elevación
del
Terreno
(MDT)
y
de
modelos
de
superficie
de
cultivos
(MCS)
(Bendig
et
al.,
2014).
2 Material y Métodos
El
área
de
estudio
abraca
tres
parcelas
situadas
en
tres
provincias
diferentes
de
España.
Soto
de
Cerrato
en
Palencia
(Castilla
y
León)
con
una
superficie
modelada
de
1,37
ha,
San
Mateo
de
Gállego
en
Zaragoza
(Aragón)
con
una
superficie
modelada
de
1,77
ha
y
Ayoó
de
Vidriales
en
Zamora
(Castilla
y
León)
con
una
superficie
modelada
de
2,27
ha.
Las
tres
parcelas
están
sembradas
con
cultivos
herbáceos
anuales.
Es
un
vehículo
aéreo,
autónomo,
con
despegue
y
aterrizaje
vertical.
Su
construcción
a
base
de
fibra
de
carbono
lo
hace
robusto,
muy
ligero
y
resistente.
Los
giros
y
desplazamientos
de
la
aeronave
se
consiguen
variando
la
potencia
de
uno
o
varios
rotores
simultáneamente.
Por
ser
de
cuatro
hélices
está
encuadrado
en
el
grupo
de
los
cuadricópteros
y
por
tener
unas
dimensiones
pequeñas
en
la
subcategoría
micro
UAV
(Nebiker,
Christen,
Eugster,
Flückiger,
&
Stierli,
2007). Es
capaz
de
soportar
un
peso
máximo
de
1,2
kg
(aunque
el
rendimiento
de
la
batería
será
menor),
más
que
suficiente
para
sustentar
el
sensor
que
se
manejará
en
este
trabajo.
A
mayor
peso
menor
será
la
autonomía
de
vuelo,
que
en
ningún
caso
supera
los
60
minutos.
La
altura
máxima
está
fijada
en
120
metros
mientras
que
la
altura
máxima
sobre
el
nivel
del
mar
no
deberá
superar
los
2.500
metros.
Las
96
>>Atas
CIAIQ2016
>>Investigação
Qualitativa
em
Engenharia
e
Tecnologia//Investigación
Cualitativa
en
Ingeniería
y
Tecnología//Volume
4
condiciones
meteorológicas
exigidas
para
su
buen
funcionamiento
son:
humedad
menor
al
90%,
vientos
máximos
de
10-‐13
m/s
y
temperaturas
entre
0
y
40ºC.
El
trabajo
fotográfico
se
ha
llevado
a
cabo
íntegramente
con
una
cámara
fotográfica
digital
convencional:
la
Olympus
Pen
EPM-‐1
(12,3
Megapíxeles
y
sensor
Live
MOS
de
4/3”).
Se
trata
de
una
cámara
cuyo
sistema
micro
cuatro
tercios
posibilita
el
utilizar
objetivos
intercambiables,
pero
con
un
tamaño
y
peso
menor
(265
g
el
cuerpo
con
batería
y
tarjeta
de
memoria
incluidas).
Junto
a
la
cámara
se
empleó
el
objetivo
M.Zuiko
Digital
ED
12
mm
f/2
de
130
g
de
peso.
2.4. Software
El
procesado
de
las
imágenes
obtenidas
con
las
cámaras
fotográficas
se
realizó
mediante
el
programa
Agisoft
PhotoScan
(PS)
(Agisoft
LLC,
San
Petersburgo,
Rusia).
Se
trata
de
una
de
las
principales
soluciones
informáticas
de
restitución
fotogramétrica,
de
tipo
comercial,
disponibles
actualmente
que
implementa
la
SFM-‐DMVR.
Estas
siglas
hacen
referencia
a
la
Fotogrametría
Digital
Automatizada
(SFM,
Structure
From
Motion)
y
a
los
algoritmos
de
Reconstrucción
en
3D
de
Alta
Densidad
a
partir
de
Múltiples
Puntos
de
Vista
(DMVR,
Digital
Multi-‐View
3D
Reconstruction),
que
permiten
producir
modelos
3D
de
alta
precisión
y
calidad
fotorrealista
a
partir
de
una
colección
de
imágenes
desordenadas
de
una
escena
u
objeto,
tomadas
desde
diferentes
puntos
de
vista.
La
gran
precisión
del
sistema
(Doneus
et
al.,
2011)
y
la
baja
desviación
existente
frente
a
los
modelos
obtenidos
a
partir
de
datos
provenientes
de
escáneres
láser
son
avaladas
en
múltiples
trabajos
(Rodriguez-‐Navarro,
2012).
El
procesado
de
los
modelos
digitales
del
terreno
se
realiza
a
través
de
Global
Mapper
(Blue
Marble
Geographics,
Maine,
Estados
Unidos).
Global
Mapper
es
un
software
de
análisis
y
procesamiento
de
datos
SIG
(Sistemas
de
Información
Geográfica).
El
programa
puede
ejecutarse
de
forma
autónoma
o
bien
integrado
como
un
módulo
en
otras
herramientas
SIG,
y
tiene
capacidad
para
acceder
a
gran
cantidad
de
repositorios
de
imágenes,
datos
topográficos
y
archivos
DEM/DSM.
Permite
cálculos
de
distancias
y
superficies,
análisis
espectral,
cálculo
de
volúmenes
de
corte
y
relleno,
etc.,
además,
es
también
compatible
con
datos
LIDAR.
97
>>Atas
CIAIQ2016
>>Investigação
Qualitativa
em
Engenharia
e
Tecnologia//Investigación
Cualitativa
en
Ingeniería
y
Tecnología//Volume
4
Fig.
2.
(Muestreo
de
la
biomasa
con
aro
metálico)
2.6. Creación, ajuste y edición del Modelo Digital de Superficie (MDS)
Las
fotografías
en
formato
ORF
(formato
sin
procesar
RAW
de
las
cámaras
Olympus)
se
deben
revelar
digitalmente
a
JPG
mediante
cualquier
programa
de
tratamiento
de
imágenes.
Tras
ello,
se
cargan
los
JPG
en
el
PhotoScan
para
que
calcule
la
orientación
externa
de
las
cámaras
(su
posición
relativa
en
el
espacio
en
el
momento
de
la
captura).
Con
ello
se
obtiene
la
malla
de
puntos
homólogos
sobre
la
cual
se
genera
un
modelo
3D
aproximado
de
la
superficie.
Con
ayuda
del
modelo
3D
se
marcan
los
puntos
de
control
y
se
ajusta
su
posición
en
cada
fotografía.
Se
le
adjudican
las
coordenadas
medidas
en
campo
y
se
optimiza
la
orientación
externa.
Tras
ello
se
genera
el
modelo
3D
definitivo
con
la
mayor
densidad
de
malla
posible
(calidad
“Ultra
Alta”).
Es
importante
limitar
la
densidad
de
caras
de
la
malla
a
10
millones
para
evitar
que
se
colapse
el
ordenador.
Al
finalizar
este
proceso
automático
se
está
en
disposición
de
generar
la
textura
fotorrealista.
El
programa,
también
automáticamente,
aplica
la
textura
sobre
el
modelo
3D
aplicado
las
imágenes
utilizadas
para
hacer
el
modelo,
lo
que
garantiza
la
exactitud
de
su
colocación.
98
>>Atas
CIAIQ2016
>>Investigação
Qualitativa
em
Engenharia
e
Tecnologia//Investigación
Cualitativa
en
Ingeniería
y
Tecnología//Volume
4
El
MDS
generado
en
el
paso
anterior
se
carga
en
el
programa
Global
Mapper
junto
con
el
MDT
de
la
zona.
El
MDT
puede
ser
descargado
a
través
del
centro
de
descargas
de
la
Web
del
Instituto
Geográfico
Nacional
(IGN).
Este
modelo
posee
una
resolución
espacial
de
5
m.
Una
vez
se
han
cargado
ambos
modelos
digitales,
se
procede
a
identificar
30
puntos
sin
vegetación
en
el
MDS
y
se
anota
su
coordenada
Z.
Del
mismo
modo,
se
anota
la
coordenada
Z
de
esos
mismos
puntos
medidos
sobre
el
MDT.
Para
finalizar,
se
calcula
la
media
de
las
diferencias
entre
la
coordenada
Z
del
MDT
y
del
MDS.
Este
factor
de
corrección
se
suma
(su
valor
puede
ser
positivo
o
negativo)
a
cada
coordenada
Z
de
los
puntos
de
control
empleados
en
la
georreferenciación
del
MDS
original,
y
se
reposiciona
el
modelo
3D,
con
lo
que
se
consigue
un
MDS
modificado
que
minimiza
los
errores
de
cota.
Para
calcular
correctamente
el
volumen
y
la
superficie
es
necesario
editar
el
modelo
3D
para
eliminar
las
calles
u
otra
superficie
que
no
se
corresponda
con
la
zona
objeto
de
la
medición.
La
idea
es
obtener
el
modelo
3D
únicamente
de
la
zona
de
vegetación
cuya
superficie
se
corresponda
con
la
superficie
final
en
la
cual
se
va
a
estimar
la
biomasa.
Tras
finalizar
la
edición
se
exporta
el
nuevo
modelo
digital
de
superficie
editado
en
formato
GeoTIFF
y
con
la
coordenada
Z
ajustada
al
MDT:
el
MDSz.
Es
importante
anotar
el
dato
de
superficie
que
calcula
el
PhotoScan,
ya
que
se
corresponde
con
el
valor
real
de
la
superficie.
Fig.
3.
(Izquierda,
ortofoto
georreferenciada
de
la
parcela
de
Soto
de
Cerrato
(Palencia)
generada
a
partir
del
modelo
3D
con
PhotoScan.
Derecha,
parcela
editada
con
información
de
la
zona
a
estudiar)
2.7. Cálculo de volumen por unidad de superficie de la parcela
Se
cargan
de
nuevo
los
dos
modelos
digitales
de
elevación
(MDT
y
MDSz)
en
el
Global
Mapper
y
se
calcula
el
volumen
comprendido
entre
ambos
a
través
de
una
rutina
automatizada
del
programa.
El
resultado
generado
por
el
programa
se
da
en
m3.
Con
el
dato
de
superficie
generado
en
el
paso
anterior,
se
puede
definir
el
volumen
por
unidad
de
superficie
de
cada
parcela,
en
este
caso
en
m3/ha.
99
>>Atas
CIAIQ2016
>>Investigação
Qualitativa
em
Engenharia
e
Tecnologia//Investigación
Cualitativa
en
Ingeniería
y
Tecnología//Volume
4
Fig. 4. (Superposición del MDSz de Soto de Cerrato sobre el MDT de la zona en Global Mapper.)
Para
poder
estimar
la
biomasa
de
cada
una
de
las
parcelas
es
necesario
calcular
un
factor
de
densidad
que
nos
permita
pasar
de
m3/ha
a
kg/ha.
Para
ello
se
van
a
utilizar
los
puntos
de
muestreo
de
biomasa
medidos
en
campo.
El
proceso
del
cálculo
del
volumen
por
unidad
de
superficie
en
cada
uno
de
los
puntos
de
muestreo
implica
la
siguiente
metodología:
• Identificar
en
cada
modelo,
a
partir
de
las
coordenadas
GPS
de
los
puntos
de
muestreo
de
biomasa
realizados
en
cada
parcela.
• Recortar
cada
uno
de
los
puntos
de
muestreo
en
el
modelo
3D
mediante
PhotoScan,
cogiendo
una
superficie
amplia
alrededor
del
punto.
• Anotar
la
superficie
recortada
en
cada
punto
de
muestreo
(dato
generado
por
PhotoScan).
• Exportar
en
formato
GeoTIFF
cada
punto
independiente.
Es
decir,
obtener
un
modelo
digital
de
superficie
para
cada
punto
de
muestreo
(MDSm).
• Cargar
de
nuevo
el
MDT
junto
con
todos
los
MDSm
de
cada
parcela
en
el
Global
Mapper.
• Calcular
el
volumen
de
cada
punto
de
muestreo.
• Con
el
dato
de
superficie
y
volumen
se
definen
los
m3/ha
de
cada
punto.
• Con
el
dato
de
volumen
y
peso
por
unidad
de
superficie
de
cada
punto
de
muestreo,
se
aplica
la
siguiente
fórmula
para
calcular
su
factor
de
densidad:
𝐵
𝐹𝑑 =
𝑉
Donde:
Fd:
factor
de
densidad
(kg/m3)
B:
biomasa
por
unidad
de
superficie
(kg/ha)
V:
Volumen
por
unidad
de
superficie
(m3/ha)
2.9. Cálculo de la biomasa por unidad de superficie y biomasa total aérea
El
primer
paso
es
definir
el
factor
de
densidad
de
cada
parcela
como
la
media
de
los
factores
de
densidad
de
los
puntos
de
muestreo.
Con
el
valor
obtenido
y
aplicando
la
siguiente
fórmula
se
obtiene
el
valor
de
la
biomasa
por
unidad
de
superficie:
𝐵 = 𝐹𝑑
𝑥
𝑉
100
>>Atas
CIAIQ2016
>>Investigação
Qualitativa
em
Engenharia
e
Tecnologia//Investigación
Cualitativa
en
Ingeniería
y
Tecnología//Volume
4
Todos
los
datos
necesarios
ya
han
sido
calculados
anteriormente.
Para
calcular
la
Biomasa
total,
únicamente
será
necesario
aplicar
la
siguiente
fórmula:
𝐵𝑇 = 𝐵
𝑥
𝑆
Donde:
BT=
Biomasa
Total
de
la
parcela
(Kg)
B=
Biomasa
por
unidad
de
superficie
(kg/ha)
S=
Superficie
Real
de
la
parcela
(ha)
3. Resultados
Los resultados de las muestras tomadas en campo se pueden apreciar en la tabla 1.
Tabla 1. Puntos de muestreo en biomasa medidos en campo
101
>>Atas
CIAIQ2016
>>Investigação
Qualitativa
em
Engenharia
e
Tecnologia//Investigación
Cualitativa
en
Ingeniería
y
Tecnología//Volume
4
Los
resultados
extraídos
de
la
información
generada
a
través
de
los
MDZs
de
la
parcela
se
pueden
comprobar
en
la
tabla
2.
Sup.
real
de
la
zona
Volumen
total
entre
Volumen
por
unidad
de
Parcela
(m2)
MDT
y
MDSz
(m3)
superficie
(m3/ha)
Soto
de
Cerrato
13.707
9.599
7.003
San
Mateo
de
Gállego
17.738
4.829
2.722
Ayoó
de
Vidriales
226.888
48.243
2.126
Los resultados de la biomasa obtenidos en las tres parcelas aparecen reflejados en la tabla 3.
Tabla 3. Resultados de biomasa obtenidos en las tres parcelas
4. Conclusiones
Se
ha
conseguido
determinar
la
cantidad
de
biomasa
de
las
parcelas
con
la
metodología
propuesta,
obteniendo
resultados
que
guardan
una
gran
coherencia
con
lo
observado
en
campo.
Sim
embargo,
cabe
destacar
que
en
la
determinación
de
la
biomasa,
los
factores
descritos
relativos
a
la
ejecución
de
los
vuelos,
captura
de
puntos
de
control
y
toma
de
datos
de
campo
pueden
haber
afectado
negativamente
a
la
fiabilidad
de
los
resultados
alcanzados.
Estos
factores,
pueden
condicionar
la
validez
de
los
datos
obtenidos
fundamentalmente
en
las
parcelas
de
San
Mateo
de
Gállego
y
Ayoó
de
Vidriales.
Respecto
de
la
cámara
fotográfica
empleada,
es
recomendable
recurrir
a
una
réflex
con
un
sensor
de
mayor
tamaño
y
un
mínimo
de
18
Megapíxeles.
Con
una
cámara
de
estas
características
la
altura
de
vuelo
es,
además,
menos
limitante,
ya
que
el
tamaño
del
píxel
sobre
el
terreno
a
la
misma
altura
va
a
ser
considerablemente
menor.
La
definición
de
la
metodología
aquí
propuesta
junto
con
la
consecución
de
las
condiciones
requeridas
de
los
datos
de
campo
relativos
a
muestreos,
imágenes
y
puntos
de
control,
permitirán
obtener
resultados
con
mayor
fiabilidad
en
los
ensayos
sucesivos.
Agradecimientos.
Los
autores
quieren
agradecer
al
Proyecto
Europeo
del
Programa
LIFE+
“Operación
CO2”
LIFE11/ENV/ES/000535,
así
como
a
los
Ayuntamientos
de
San
Mateo
de
Gállego
(Zaragoza),
Ayoó
de
Vidriales
(Zamora),
Fundació
Catalunya
La
Pedrera
y
al
resto
de
socios
del
proyecto.
También
agradecen
el
esfuerzo
del
personal
de
mantenimiento
de
los
campos
experimentales
de
la
UVa
en
Soto
de
Cerrato
(Palencia)
y
la
labor
de
coordinación
de
la
Fundación
General
de
la
Universidad
de
Valladolid.
102
>>Atas
CIAIQ2016
>>Investigação
Qualitativa
em
Engenharia
e
Tecnologia//Investigación
Cualitativa
en
Ingeniería
y
Tecnología//Volume
4
Referencias
Bendig,
J.,
Bolten,
A.,
Bennertz,
S.,
Broscheit,
J.,
Eichfuss,
S.,
&
Bareth,
G.
(2014).
Estimating
biomass
of
barley
using
crop
surface
models
(CSMs)
derived
from
UAV-‐based
RGB
imaging.
Remote
Sensing,
6(11),
10395-‐10412.
Bortolot,
Z.
J.,
&
Wynne,
R.
H.
(2005).
Estimating
forest
biomass
using
small
footprint
LiDAR
data:
An
individual
tree-‐based
approach
that
incorporates
training
data.
ISPRS
Journal
of
Photogrammetry
and
Remote
Sensing,
59(6),
342-‐360.
Doneus,
M.,
Verhoeven,
G.,
Fera,
M.,
Briese,
C.,
Kucera,
M.,
&
Neubauer,
W.
(2011).
From
deposit
to
point
cloud–a
study
of
low-‐cost
computer
vision
approaches
for
the
straightforward
documentation
of
archaeological
excavations.
Geoinformatics
FCE
CTU,
6,
81-‐88.
Houghton,
R.
A.
(2005).
Aboveground
forest
biomass
and
the
global
carbon
balance.
Global
Change
Biology,
11(6),
945-‐958.
Jonckheere,
I.,
Nackaerts,
K.,
Muys,
B.,
van
Aardt,
J.,
&
Coppin,
P.
(2006).
A
fractal
dimension-‐based
modelling
approach
for
studying
the
effect
of
leaf
distribution
on
LAI
retrieval
in
forest
canopies.
ecological
modelling,
197(1),
179-‐195.
Morsdorf,
F.,
Kötz,
B.,
Meier,
E.,
Itten,
K.
I.,
&
Allgöwer,
B.
(2006).
Estimation
of
LAI
and
fractional
cover
from
small
footprint
airborne
laser
scanning
data
based
on
gap
fraction.
Remote
Sensing
of
Environment,
104(1),
50-‐61.
Morsdorf,
F.,
Meier,
E.,
Kötz,
B.,
Itten,
K.
I.,
Dobbertin,
M.,
&
Allgöwer,
B.
(2004).
LIDAR-‐based
geometric
reconstruction
of
boreal
type
forest
stands
at
single
tree
level
for
forest
and
wildland
fire
management.
Remote
Sensing
of
Environment,
92(3),
353-‐362.
Nebiker,
S.,
Christen,
M.,
Eugster,
H.,
Flückiger,
K.,
&
Stierli,
C.
(2007).
Integrating
mobile
geo
sensors
into
collaborative
virtual
globes-‐design
and
implementation
issues.
En
Mobile
Mapping
Technologies
Symposium
MMT.
Citeseer.
Popescu,
S.
C.
(2007).
Estimating
biomass
of
individual
pine
trees
using
airborne
lidar.
Biomass
and
Bioenergy,
31(9),
646-‐655.
103