Traducido del afrikáans al español - www.onlinedoctranslator.

com

Detección remota del medio ambiente 216 (2018) 415–426

Listas de contenidos disponibles enCienciaDirecta

Detección Remota del Medio Ambiente

revista Página de inicio:www.elsevier.com/locate/rse

Mapeo de plantaciones de pinos en el sureste de los EE. UU. usando datos de sensores remotos
estructurales, espectrales y temporales

yo Fagana,⁎, DC MortonB, BD CocineroB, J.MasekB, F.ZhaoC,D, RF NelsonB, C.HuangC

aUniversidad de Maryland, Condado de Baltimore, Baltimore, MD 21250, Estados Unidos de América
BCentro de vuelos espaciales Goddard de la NASA, Greenbelt, MD 20771, Estados Unidos
CUniversidad de Maryland, College Park, MD 20742, Estados Unidos de América
DUniversidad de Ciencia y Tecnología de Xi'an, Xi'an 710054, China

INFORMACIÓN DEL ARTÍCULO RESUMEN

Palabras clave: El sureste de los EE. UU. produce la mayor cantidad de madera en rollo industrial de los EE. UU. cada año, principalmente de plantaciones
plantaciones comerciales de pino. La extensión de los bosques de plantación y la dinámica de manejo puede ser difícil de determinar a partir de
LIDAR inventarios forestales periódicos, sin embargo, las plantaciones de árboles de rotación corta también presentan desafíos para la
Silvicultura
teledetección. Aquí, integramos información espectral, temporal y estructural de plataformas aéreas y satelitales para distinguir las
Repoblación forestal
plantaciones de pinos de los bosques naturales y evaluar la contribución de los bosques plantados a la cubierta forestal regional en el
G-LiHT
sureste de los EE. UU. Dentro de las líneas de vuelo de la NASA Goddard's Lidar, hiperespectral y térmica (G-LiHT) generador de imágenes
Landsat
Disturbio aerotransportado, lidar m ética de La estructura forestal tuvo la precisión general más alta para las plantaciones de
clasificación de una sola fuente ns (90%) pino, pero la combinación de métricas espectrales y temporales de Landsat
con precisión comparable y (91%). generó información estructural, temporal y espectral combinada de G-LiHT y
Landsat tuvo la precisión más alta para plantaciones (92%) y bosques naturales (88%). A escala regional, las clasificaciones que utilizan métricas
espectrales y temporales de Landsat tuvieron entre 74 y 82% de precisión de clase promedio para las plantaciones. A nivel regional, las plantaciones
representaron el 28 % de la cubierta forestal en el sureste de los EE. UU., un resultado similar a las estimaciones basadas en parcelas, aunque con
mayor detalle espacial. Los mapas regionales de bosques de plantaciones diferían de los productos cartográficos existentes, incluida la Base de datos
nacional de cobertura del suelo. Al combinar la extensión de las plantaciones en 2011 con los datos de cambio forestal basados en Landsat, se
identificaron fuertes gradientes regionales en la dinámica de las plantaciones desde 1985, con distintos patrones espaciales de edad de rotación (este-
oeste) y expansión de las plantaciones (interior). Nuestro análisis demuestra el potencial para mejorar la caracterización de las clases dinámicas de
cobertura del suelo, incluyendo plantaciones madereras económicamente importantes, mediante la integración de varios conjuntos de datos de
teledetección. De manera crítica, la teledetección de múltiples fuentes proporciona un enfoque para aprovechar los datos del inventario forestal
periódico para el monitoreo anual de los paisajes forestales gestionados.

1. Introducción
La creciente demanda mundial de productos madereros, combinada con los
esfuerzos para conservar los bosques naturales, ha estimulado un aumento del 65 % en
la extensión mundial de bosques plantados desde 1990 (FAO, 2015a). Aproximadamente
la mitad de toda la producción industrial de madera en rollo en 2012 provino de bosques
establecidos artificialmente, ya sea mediante plantación o siembra (Payn et al., 2015).
Estados Unidos es el mayor productor de madera en rollo industrial y representa el 17 %
de la producción mundial, con un 41 % estimado de la producción de EE. UU. procedente
de bosques plantados que representan solo el 9 % de la superficie forestal de EE. UU. (
FAO, 2015a;Oswalt et al., 2014;Payn et al., 2015;Desgaste et al., 2016). La mayor parte del
área de bosques plantados de EE. UU. (~ 61 %) y el volumen de madera (~ 57 %) se
concentra en “plantaciones” de pinos industriales
en el sureste de los Estados Unidos (FAO, 2015b;Oswalt et al., 2014). Estos
bosques plantados de manejo intensivo son predominantemente
monocultivos de tres especies nativas de pino (pino loblolly (P. taeda),pino
de hoja corta (P. equinata)y cortar pino (P. ellotii);Oswalt et al., 2014).
A pesar de su importancia para la producción mundial de madera, las plantaciones
de pino en el sureste de los EE. UU. no están bien caracterizadas en términos de su área
total, disposición espacial o dinámica de manejo (Zhang y Polyakov, 2010). Estudios
recientes sugieren que las plantaciones de pino se están expandiendo en la región y
reemplazando tanto los bosques naturales como los hábitats no forestales (Hanberry,
2013;Desgaste y Greis, 2013), con una conversión de bosques naturales a plantaciones
estimada en 0,45% anual entre 1989 y 1999 (Desgaste y Greis, 2002). Las estimaciones
actuales del área de plantación se derivan en gran medida del Inventario y Análisis
Forestal de EE. UU. (FIA)

⁎Autor correspondiente.
Dirección de correo electrónico:mfagan@umbc.edu (ME Fagan).

https://doi.org/10.1016/j.rse.2018.07.007
Recibido el 11 de enero de 2018; Recibido en forma revisada el 30 de junio de 2018; Aceptado el 4 de julio de 2018
0034-4257 / © 2018 Elsevier Inc. Todos los derechos reservados.
ME Fagan et al.
parcelas (Oswalt et al., 2014;Pan et al., 2011;Desgaste y Greis, 2013; Zhang y
Polyakov, 2010). Con métodos de muestreo uniformes desde el año 2000, los
datos de la FIA brindan estimaciones sólidas de los bosques plantados a
gran escala (unidades administrativas del condado o del estado;O'Connell et
al., 2015; Schroeder et al., 2014;Desgaste y Greis, 2002;Zhang y Polyakov,
2010). Sin embargo, las parcelas FIA muestrean una pequeña proporción del
paisaje (0,6 ha por 2428 ha;O'Connell et al., 2015), reduciendo su utilidad
para caracterizar patrones de uso de la tierra a escala fina (1–100 ha) o
eventos de baja frecuencia como perturbaciones forestales, regeneración
natural en tierras abandonadas y expansión de plantaciones (Boisvenue et
al., 2016; Czaplewski, 2010;Schleeweis et al., 2013;Schroeder et al., 2014;
Williams et al., 2014).
Por el contrario, los datos de teledetección satelital brindan una cobertura
espacial completa a resoluciones espaciales consistentes con el manejo forestal de
plantaciones, sin embargo, los paisajes dinámicos de plantaciones siguen siendo
un desafío para la clasificación tradicional de la cobertura terrestre o los productos
de cambio forestal. Los mapas de cobertura del suelo nacionales y regionales no
aíslan las plantaciones de árboles como una clase de mapa (Hansen et al., 2013;
Masek et al., 2013;Ruefenacht et al., 2008; Xian et al., 2009;Yeo y Huang, 2013,
pero miraDrummond et al., 2015). Estudios previos de teledetección en el sureste
de los EE. UU. han caracterizado el cambio forestal sin atribuirlo a los tipos de
bosques plantados o naturales (Hansen et al., 2013;Jin et al., 2013;Masek et al.,
2013). Además de las cosechas de madera, el manejo de las plantaciones de pino a
través del aclareo, la quema o los tratamientos con herbicidas pueden detectarse
como cambios en el bosque a la resolución Landsat (Cohen et al., 2016;Harris et
al., 2016; Masek et al., 2013;Schleeweis et al., 2013). Varios estudios han utilizado
sensores remotos ópticos o lidar para caracterizar las plantaciones de pino en
áreas pequeñas (Banskota et al., 2011;Blinn et al., 2012;Petersen et al., 2016;
Popescu et al., 2004;Shamsoddini et al., 2013;Van Aardt y Wynne, 2007). Sin
embargo, depender de un solo tipo de datos de teledetección puede limitar la
capacidad de aislar las plantaciones de árboles, especialmente para las especies
de árboles nativos que son espectral y estructuralmente similares a la vegetación
natural (Drummond et al., 2015;Fagan et al., 2015; Puyravaud et al., 2010). El
potencial para superar estas limitaciones mediante la integración de diferentes
tipos de datos no ha sido ampliamente explorado para el mapeo de plantaciones
de árboles. Las clasificaciones de “cultivos arbóreos” (plantaciones de árboles para
la producción de cultivos) como el caucho y la palma aceitera se han beneficiado
de la fusión del SAR óptico (Chen et al., 2016;Dong et al., 2013;Gutiérrez-Vélez y
DeFries, 2013;Joshi et al., 2016;Qin et al., 2016;Torbick et al., 2016), pero las
plantaciones madereras suelen tener una mayor semejanza estructural con los
bosques naturales que las plantaciones de cultivos arbóreos (Brockerhoff et al.,
2008).
Las plantaciones de árboles tienen varias características espectrales, estructurales y
temporales distintas que pueden aumentar la probabilidad de detección utilizando una
diversidad de tipos de datos de teledetección. Primero, la mayoría de las plantaciones
establecidas para la producción de madera son monocultivos de una sola especie, lo que
conduce a una homogeneidad espectral a escalas espaciales consistentes con imágenes
multiespectrales e hiperespectrales de resolución moderada (30 m) (Danson y Curran,
1993;van Aardt y Norris-Rogers, 2008). En segundo lugar, los rodales de monocultivo de
edad uniforme tienden a tener una estructura de dosel homogénea, lo que podría
detectarse utilizando imágenes de muy alta resolución (Shamsoddini et al., 2013), lidar o
radar (p. ej.,Dong et al., 2013;Donoghue et al., 2007). Finalmente, la señal temporal de la
tala y replantación regulares de los rodales puede ser perceptible usando largas series de
tiempo de datos de sensores remotos pasivos o activos (le Maire et al., 2014). Algoritmos
para detectar la perturbación forestal anual o subanual y el rebrote en datos ópticos de
resolución moderada (p. ej.,Cohen et al., 2017) proporcionan estimaciones del cambio de
la cubierta forestal desde 1984 utilizando datos de Landsat. En el sureste de los EE. UU.,
las cosechas de madera son comunes tanto en los bosques naturales como en las
plantaciones de pinos, pero el manejo intensivo en las plantaciones de pinos
generalmente da como resultado rotaciones de cosecha más cortas que los bosques de
pinos naturales y mixtos de hoja caduca (Smith et al., 2006;Desgaste y Greis, 2002;Zhou
et al., 2013).
En este estudio, cuantificamos la extensión de las plantaciones en el sureste
de los EE. UU. utilizando datos estructurales, espectrales y temporales de
plataformas de teledetección aéreas y satelitales. Específicamente, evaluamos la
capacidad de tres tipos principales de datos de teledetección, solos y en
416
Detección remota del medio ambiente 216 (2018) 415–426
combinación, para distinguir las plantaciones de pino de los bosques naturales mixtos de
pino y especies caducifolias. A lo largo de las líneas de vuelo de la cámara
aerotransportada Lidar, Hiperespectral y Térmica (G-LiHT) de Goddard de la NASA,
primero evaluamos (1) datos estructurales de lidar de huella pequeña, (2) datos
espectrales de Landsat NDVI, reflectancia aparente de lidar y datos terrestres nacionales.
clasificaciones de cobertura derivadas de imágenes de Landsat, y (3) datos temporales
sobre perturbaciones forestales derivados de series de tiempo de Landsat. Presumimos
que los datos estructurales o temporales por sí solos serían más efectivos que los datos
espectrales para distinguir las plantaciones de pino, dada la variabilidad dentro y entre
plantaciones basada en la diversidad de clases de edad, impactos del manejo (por
ejemplo, raleo) y composición de especies (Desgaste y Greis, 2002). En segundo lugar,
después de evaluar los métodos para mapear los bosques de plantaciones usando solo
métricas espectrales y temporales de Landsat, estimamos la extensión regional de los
bosques de plantaciones y la dinámica de cosecha. Los mapas regionales de plantaciones
forestales son fundamentales para cuantificar las diferencias espaciotemporales en la
gestión forestal y los impactos de las plantaciones forestales en la conectividad del
hábitat, la fragmentación del paisaje y la contribución de la gestión forestal a las fuentes
y sumideros de carbono de los bosques de EE. UU. (Coulston et al., 2015;Desgaste y
Greis, 2013;Zhou et al., 2013).
2. Métodos
2.1. Área de estudio y sistema
La región de estudio abarcó dos grandes ecorregiones (Olson et al., 2001), los
bosques mixtos del sureste y los bosques costeros del Atlántico medio (HIGO. 1), y cubrió
la mayor parte de las llanuras costeras y el pie de monte del sureste de los EE. UU., donde
los bosques de pinos industriales son comunes. Los monocultivos de plantaciones de
pino en la región de estudio se originan a través de la plantación directa, la siembra
directa o la regeneración natural seguida de la eliminación con herbicidas de las especies
caducifolias competidoras. El aclareo de los rodales de madera es común, ya sea
mediante la tala selectiva o la eliminación directa de árboles jóvenes en hileras. El hábitat
natural de tierras altas en este paisaje está dominado por bosques mixtos de coníferas y
caducifolios, con rodales ocasionales de pinos de hoja larga en suelo arenoso, y los
hábitats ribereños están dominados por bosques caducifolios de tierras bajas.
2.2. Fuentes de datos
2.2.1. Datos estructurales
Los datos Lidar fueron recopilados entre junio y agosto de 2011 por el G-LiHT
Airborne Imager de la NASA (Nelson et al., 2017). El lidar G-LiHT utiliza una longitud de
onda de 1550 nm, con 5–10 pulsos/m2y un máximo de 4 retornos por pulso (Cocine et al.,
2013). Los datos Lidar se restringieron al campo de visión central de 30 °. Un total de
doce líneas de vuelo caen dentro de la región de estudio (HIGO. 1), con un total de ~ 81
000 ha (2700 km × 0,3 km;Nelson et al., 2017). Los datos de G-LiHT están disponibles en
línea enhttps://gliht.gsfc.nasa.gov/.
Los datos lidar de G-LiHT se utilizaron para caracterizar la estructura de la vegetación
en plantaciones de árboles, bosques naturales y hábitats abiertos a lo largo de las líneas
de vuelo. Calculamos las métricas LIDAR estándar con una resolución de 15 m para que
sean coherentes tanto con el radio de 7,3 m de las subparcelas FIA como con los datos
Landsat de 30 m. Tres métricas novedosas que caracterizaron la variabilidad espacial en
el perfil vertical de los retornos LIDAR se describen con más detalle en los Materiales
complementarios. Se utilizó un total de 24 métricas (Tabla S1) para capturar los atributos
estructurales de los bosques de plantación y otra vegetación después de eliminar las
métricas altamente correlacionadas (r> 0.9).
2.2.2. Datos espectrales
Utilizamos tres fuentes principales de datos espectrales para discriminar los bosques
de plantación, los bosques naturales y las clases de cobertura terrestre no forestal.
Primero, para caracterizar la fenología de la vegetación siempre verde y caducifolia,
calculamos las métricas NDVI estacionales de los compuestos Landsat 5 en Google Earth
Engine. Se crearon composiciones espectrales libres de nubes y nieve para 2011
utilizando valores medios de píxel de todas las imágenes disponibles para el verano
(junio a agosto) y el invierno (noviembre a febrero). Métricas estacionales
ME Fagan et al.
HIGO. 1.Un mapa del sureste de EE. UU., que delimita la región de estudio (líneas blancas) y las líneas de vuelo del lidar G-LiHT (líneas azul oscuro). El mapa que se muestra es la base de datos nacional
de cobertura terrestre (NLCD) de 2011; consulte la leyenda completa enhttps://www.mrlc.gov/nlcd11_leg.php). (Para la interpretación de las referencias al color en la leyenda de esta figura, se remite al
lector a la versión web de este artículo).
incluyeron el NDVI de invierno, el NDVI de verano, la diferencia entre el NDVI de invierno y el de
verano, y la desviación estándar en las métricas del NDVI (ventana de 3 × 3; Tabla S1). En segundo
lugar, la Base de Datos Nacional de Cobertura Terrestre (NLCD, por sus siglas en inglés) Homero
et al., 2015) El mapa de cobertura terrestre para 2011 se reclasificó en ocho tipos principales de
cobertura terrestre, incluidos cinco tipos de bosques (Tabla S2). En tercer lugar, se calculó la
reflectancia aparente LIDAR (1550 nm) utilizando valores de reflectancia corregidos por rango y
calibrados por instrumentos para disparos de láser de retorno único (Cocine et al., 2013;
Pfennigbauer y Ullrich, 2010). Calculamos las métricas resumidas de la reflectancia aparente
LIDAR a una resolución de 15 m (consulte la Tabla S1). Los datos de reflectancia Lidar estaban
disponibles solo a lo largo de las líneas de vuelo de G-LiHT, mientras que los datos espectrales
derivados de Landsat se extendían por toda el área de estudio.
2.2.3. datos temporales
Utilizamos dos fuentes de datos derivados de Landsat sobre la perturbación forestal,
laHansen et al. (2013)el conjunto de datos de cambio forestal global (HGFC; 2000–2011) y
el conjunto de datos Vegetation Change Tracker (VCT; 1985–2011) desarrollado por el
estudio North American Forest Dynamics (NAFD) (Huang et al., 2010;Masek et al., 2013;
Zhao et al., 2018). Del conjunto de datos HGFC, usamos productos anuales de ganancia
forestal y año de pérdida. Calculamos varias métricas temporales adicionales a partir del
conjunto de datos anual de VCT que describen la dinámica del bosque, incluida la edad
del nuevo crecimiento del bosque (reforestación), el número total de perturbaciones, la
ocurrencia del nuevo crecimiento después de una perturbación reciente, la alteración del
nuevo crecimiento existente y el tiempo transcurrido como no forestal entre la
perturbación y el rebrote (Tabla S1: ver Materiales complementarios). El algoritmo VCT
identifica el rebrote cuando alcanza una etapa en la que los árboles que vuelven a crecer
son espectralmente similares a un bosque; en nuestro procesamiento de los datos VCT,
un evento de rebrote se refiere a este punto en el tiempo, cuando un píxel pasa de no
bosque a cubierta forestal. En este documento, nos referimos con frecuencia al producto
de ganancia forestal HGFC ("ganancia HGFC") y la edad de reforestación VCT
417
Detección remota del medio ambiente 216 (2018) 415–426
(“edad del bosque VCT”).
2.3. Clasificación del uso de la tierra
2.3.1. Desarrollo de datos de entrenamiento y prueba a lo largo de las líneas de vuelo lidar Se
seleccionó aleatoriamente una muestra de 21 segmentos de línea de vuelo LIDAR de los
segmentos de 420 a 7 km de datos G-LiHT en la región de estudio para capacitación y validación
de productos de clasificación de uso de la tierra. Parches de cobertura terrestre≥Se asignaron 2
ha dentro de cada segmento de la línea de vuelo a uno de los tres tipos de cobertura terrestre
utilizando series temporales de imágenes de alta resolución disponibles en Google Earth:
plantaciones de pinos, bosques naturales y tipos de cobertura abiertos (no forestales) (consulte
los materiales complementarios para obtener más detalles). . Cuando las series temporales de
imágenes no estaban disponibles, los datos se cotejaron en los datos de GeoEye o DigitalGlobe
correspondientes (Relincho et al., 2013).
2.3.2. Clasificación a lo largo de las líneas de vuelo LIDAR
Dentro de las líneas de vuelo lidar de G-LiHT, las métricas estructurales, espectrales y
temporales se usaron solas y en combinación para discriminar las plantaciones de árboles de
otros usos de la tierra (HIGO. 2). Los datos espectrales y temporales basados en Landsat se
volvieron a muestrear (vecino más cercano) a la resolución de cuadrícula de 15 m utilizada para
las métricas estructurales LIDAR. Los datos de entrenamiento y prueba para todos los modelos
de clasificación se crearon dividiendo aleatoriamente los datos de referencia en cada segmento
de la línea de vuelo en dos grupos (Norte y Sur, separados por una zona de influencia de 150 m
en el medio), con la mitad asignada aleatoriamente a los datos de entrenamiento y la otra mitad
al azar. otros a los datos de prueba. Las ubicaciones de los datos de prueba se submuestrearon
aleatoriamente (100 píxeles por segmento de vuelo; 4,7 % del número total de píxeles dentro de
los polígonos de prueba) para disminuir la influencia de la autocorrelación espacial dentro de los
polígonos de prueba.
Para cada combinación de datos de entrada, desarrollamos un modelo de
árbol de decisión (CART:Breiman et al., 1984) para clasificar los datos y analizar
ME Fagan et al.
HIGO. 2.Un diagrama del flujo de trabajo en este estudio. La Parte A muestra el análisis centrado en las líneas de vuelo G-LiHT, y la Parte B muestra el análisis regional con datos derivados de Landsat.
contribuciones variables específicas. Los modelos de árboles de decisión se
crearon con parámetros predeterminados y un criterio de poda uniforme (alfa =
0,002). Todos los análisis de clasificación se realizaron en R 3.02 (Equipo central R,
2013) utilizando el paquete rpart (Therneau et al., 2015).
2.3.3. Clasificación regional del uso de la tierra y evaluación de la precisión
Se desarrolló una segunda clasificación de uso de la tierra para la región sureste más
amplia utilizando solo las métricas espectrales y temporales derivadas de Landsat (HIGO.
2). Los datos de entrenamiento para los modelos de clasificación regional se derivaron de
los polígonos de uso del suelo de la línea de vuelo descritos anteriormente. Para la
clasificación regional, se utilizaron tres combinaciones de datos de entrada para
desarrollar modelos de clasificación: datos espectrales, temporales y temporales y
espectrales combinados. El mapa regional predicho de tres clases fue
418
Detección remota del medio ambiente 216 (2018) 415–426
tamizado; los grupos con <25 píxeles contiguos se reclasificaron utilizando la
cobertura terrestre mayoritaria de píxeles vecinos (algoritmo de tamiz GDAL,
conectividad reina). Esta unidad cartográfica mínima de 2,25 ha mejoró la
precisión general del mapa al disminuir las manchas dentro de las plantaciones y
los bosques naturales (Tablas S3, S4).
La precisión del mapa regional se evaluó utilizando dos conjuntos independientes
derivados de parcelas de campo FIA (n = 2938) e imágenes de Google Earth (n = 300), con
un estimador posestratificado (Olofsson et al., 2013). Las plantaciones de pino se
identificaron en la base de datos de parcelas de campo de la FIA en función de la especie
dominante, la edad <50 años y el estado de origen del rodal como plantación o siembra
artificial. Por lo tanto, la definición de origen de los rodales de la FIA excluye los bosques
industriales creados a través de herbicidas y el raleo de rodales de pinos que se
regeneran naturalmente. Evaluamos las predicciones del modelo (en
ME Fagan et al.
parcelas de 0,81 ha) frente a todas las parcelas de campo de la FIA (0,6 ha) de 2010 a
2012 (consulte el Suplemento para obtener más detalles). Para corregir posibles
inconsistencias en la definición de bosque plantado entre los datos de la FIA y nuestros
datos de capacitación, se ubicaron al azar 300 ubicaciones de datos de prueba
adicionales (0,81 ha) en toda la región. En cada ubicación, se utilizó la serie temporal
completa disponible de imágenes de alta resolución en Google Earth para identificar
monocultivos de coníferas durante el manejo intensivo de plantaciones.
También evaluamos la precisión de los mapas de cobertura terrestre existentes
utilizando una metodología similar. Evaluamos cuatro productos, incluidos la cobertura
terrestre NLCD, la edad del bosque VCT y la ganancia forestal HGFC, junto con un mapa
compuesto ("NLCD-VCT-HGFC") para ver si era posible mapear plantaciones simplemente
seleccionando tipos de bosques clave que eran perturbado recientemente. El mapa
compuesto predijo plantaciones en las que las clases de bosques siempreverdes y
arbustivos del NLCD se clasificaron como rebrotes en los mapas VCT o HGFC. El
rendimiento de estos mapas de cobertura terrestre se evaluó utilizando los datos de
referencia de la línea de vuelo (entrenamiento y prueba) y los datos de validación
independientes de FIA y Google Earth.
2.4. Análisis de dinámica forestal
Los patrones espaciales en la expansión de las plantaciones de árboles,
la frecuencia de las perturbaciones y las tasas de rotación se analizaron
combinando la clasificación regional de las plantaciones de pinos en 2011
con los datos de cambio forestal VCT de 1985 a 2011. La expansión de las
plantaciones se identificó con base en el establecimiento de plantaciones de
pinos después≥8 años consecutivos de clasificación no forestal, para evitar
contar la reforestación después del aprovechamiento como expansión (ver
Materiales complementarios). La frecuencia de disturbios para áreas
clasificadas como plantaciones de pino en 2011 se estimó mediante el
conteo de eventos de disturbios observados en la serie temporal de VCT. La
edad de rotación se calculó para las áreas de plantaciones de pino en 2011
con un historial de un evento de rebrote seguido de un evento de
perturbación (los píxeles sin rebrote ni eventos de perturbación no se
incluyeron en los cálculos de la edad de rotación). Para analizar las
diferencias regionales en las tasas de perturbación, el área de expansión y la
edad de rotación, los píxeles se agregaron a celdas de cuadrícula de 5 km y
las superficies de tendencia de segundo orden se ajustaron para probar las
tendencias espaciales generales. A escala local,
Para caracterizar aún más las tasas de rebrote de las plantaciones en la región, se
evaluó la consistencia entre la edad estimada de la plantación (VCT) y la altura del árbol
derivada de LIDAR (altura media de CHM) a lo largo de las líneas de vuelo G-LiHT. La
metodología de filtrado de altura descrita porNeigh et al. (2016)se usó para corregir los
desajustes de escala entre las alturas de los árboles individuales medidos con lidar y la
edad de desbroce derivada de la VCT (es decir, los árboles semilleros que quedan
después de los eventos de desbroce).
Resultados
3.1. Clasificación con datos estructurales, espectrales y temporales
La precisión general para las clasificaciones de líneas de vuelo fue> 85% para cada
modelo (HIGO. 3; Tabla S3). El modelo de todos los datos tuvo la precisión general más
alta (92,1 %), pero los resultados de los modelos de dos fuentes fueron comparables
(91,1–92,0 %). Las clases de bosque se distinguieron fácilmente de las que no son de
bosque utilizando solo una fuente de datos: datos estructurales, espectrales o
temporales (Tabla S3).
La precisión de la clase media para las plantaciones de árboles varió más entre los modelos (
HIGO. 3). En la clasificación de líneas de vuelo, las métricas estructurales derivadas de LIDAR
discriminaron mejor las plantaciones de árboles de otros tipos de bosques, con una precisión de
clase media del 79,6 % (HIGO. 3). La precisión de clasificación de las plantaciones de pino mejoró
con la adición de otros tipos de datos (83,1 % de precisión de clase media para el modelo de
todos los datos;HIGO. 3). Sin embargo, la combinación por pares de datos espectrales y
temporales tuvo la precisión de clase media más alta (85,8 %) para distinguir las plantaciones de
árboles dentro de las líneas de vuelo de G-LiHT.
El mejor modelo de árbol de decisión general para la clasificación de líneas de
vuelo destacó las contribuciones relativas de estructuras, temporales y
419
Detección remota del medio ambiente 216 (2018) 415–426
datos espectrales. Los datos estructurales sobre la variabilidad de la altura del dosel se seleccionaron en las dos divisiones superiores
del árbol de decisión, primero dividiendo los datos en bosque/no bosque y luego separando los bosques bajos de los bosques
medianos y altos (Fig. S1). Se realizaron divisiones adicionales utilizando las tres fuentes de datos, con contribuciones importantes de
los datos espectrales (NLCD, reflectancia lidar). En general, los datos temporales fueron menos importantes que los datos espectrales
y estructurales, pero tres métricas temporales se encontraban entre las diez variables más importantes en el modelo de todos los
datos (presencia de rebrote, edad del rebrote y tiempo entre la perturbación y el rebrote). Los tipos de datos diferían en su capacidad
para distinguir los usos de la tierra, y las 15 variables principales en el modelo de todos los datos no eran equivalentes a las 5
variables principales para los tres modelos de fuente de datos única (Tabla S4). Cuatro de las cinco variables más importantes fueron
estructurales, lo que brinda apoyo adicional de que los datos estructurales eran los más adecuados para distinguir entre las tres
clases de uso de la tierra. Las variables estructurales que distinguen claramente entre bosques naturales y plantaciones incluyen
varias métricas de la variabilidad del dosel (p. ej., desviación estándar de la altura de retorno), cobertura fraccional y el porcentaje de
retornos que llegaron al suelo (percentil 10; ver Fig. S1). La altura media de retorno, una métrica común para modelar la biomasa
forestal, no se utilizó para la clasificación debido a la alta correlación (r = 0,9) con otras métricas LIDAR. Las variables estructurales que
distinguen claramente entre bosques naturales y plantaciones incluyen varias métricas de la variabilidad del dosel (p. ej., desviación
estándar de la altura de retorno), cobertura fraccional y el porcentaje de retornos que llegaron al suelo (percentil 10; ver Fig. S1). La
altura media de retorno, una métrica común para modelar la biomasa forestal, no se utilizó para la clasificación debido a la alta
correlación (r = 0,9) con otras métricas LIDAR. Las variables estructurales que distinguen claramente entre bosques naturales y
plantaciones incluyen varias métricas de la variabilidad del dosel (p. ej., desviación estándar de la altura de retorno), cobertura
fraccional y el porcentaje de retornos que llegaron al suelo (percentil 10; ver Fig. S1). La altura media de retorno, una métrica común
para modelar la biomasa forestal, no se utilizó para la clasificación debido a la alta correlación (r = 0,9) con otras métricas LIDAR.
La altura de los árboles de plantación dentro de la cobertura LIDAR aumentó en
función de la edad del rodal derivada de Landsat (HIGO. 4; Ajuste de ley de potencia f, p
<0.0001, r2= 0,72). El índice del sitio de plantación (es decir, la altura esperada del rodal a
una edad determinada) estimado a lo largo de las líneas de vuelo LIDAR tuvo una
predicción media de 17,1 m a 25 años, con un intervalo de confianza del 95 % entre 10 y
29,5 m (HIGO. 4). En varias parcelas de campo de producción de madera, el índice de sitio
de plantación osciló entre 12 y 30 m a los 25 años (mediana de 18 m;Sabatia y Burkhart,
2014). En nuestro estudio, el filtrado de la tasa de crecimiento redujo la varianza de las
tasas de crecimiento estimadas, pero no la forma general de la línea de tendencia de
mejor ajuste. La alta variabilidad en la relación altura-edad es de esperar tanto por
cuestiones metodológicas (p. ej., lapsos de tiempo para la detección de rebrotes en las
imágenes, eventos de perturbación perdidos, silvicultura de árboles semilleros), como
por las diferencias en las condiciones del sitio y el manejo que influyen en la
productividad a través de la región.
3.2. Clasificación regional con datos espectrales y temporales
En general, los modelos de clasificación regional creados usando solo métricas
espectrales y temporales derivadas de Landsat tuvieron menor precisión que los
modelos de clasificación creados con las tres fuentes de datos dentro de las líneas de
vuelo G-LiHT (HIGO. 3). El modelo de datos espectral-temporal combinado tuvo la mayor
precisión de clasificación general entre los modelos regionales (88,3 % de precisión
general, LSPEC-TEMP;HIGO. 3). El modelo espectral-temporal clasificó las plantaciones de
árboles con una precisión de clase media del 77,8% (HIGO. 3, Tabla S3), y el filtrado
posterior a la clasificación de grupos <2,25 ha mejoró aún más la precisión de la clase
media de plantación de árboles al 82,2% (Tabla S5). Tanto las métricas espectrales como
las temporales contribuyeron al mejor modelo combinado. El tipo de bosque NLCD fue la
primera división, separando el conjunto de datos en bosque y no bosque. Las
subsiguientes divisiones en el árbol de decisiones explicaron la presencia de rebrote,
antes de que se seleccionaran los umbrales de edad del bosque, tipo NLCD y NDVI para
separar el rebrote en plantaciones y bosques naturales y, en menor medida, separar el
bosque natural de los más antiguos (sin rebrote) plantaciones (Fig. S2).
Una evaluación independiente de la precisión posestratificada utilizando imágenes
de Google Earth del mejor mapa regional de uso de la tierra filtrado fue comparable a la
precisión utilizando los datos de prueba de la línea de vuelo, con una precisión general
del 92,6 % y una precisión de clase media del 81,8 % para las plantaciones (Mesas 1B,
S6B). Las estimaciones independientes de la FIA posestratificadas de las precisiones de
clase media para el mapa filtrado fueron más bajas (n = 5404;Mesas 1A, S6A; 85,2% para
bosques naturales y 73,6% para plantaciones de árboles). Cuando se restringió a parcelas
FIA en bosques dominados por coníferas de menos de 50 años, la capacidad del
clasificador para distinguir bosques naturales de plantaciones de árboles disminuyó
drásticamente junto con el tamaño de la muestra de parcelas FIA naturales (n = 364,
Tabla S6C; 39,6 % de media precisión de clase para bosques naturales y 78,9% para
plantaciones de árboles).
ME Fagan et al. Detección remota del medio ambiente 216 (2018) 415–426

HIGO. 3.Precisión de clasificación entre modelos derivados de las diferentes

fuentes de datos y todas las posibles combinaciones de fuentes de datos. La
precisión del modelo se comparó utilizando los datos de referencia de línea de
vuelo (21 segmentos de línea de vuelo) tanto para los modelos de clasificación de
línea de vuelo (las tres fuentes de datos) como para los modelos de clasificación
regional (solo entradas de datos derivadas de Landsat).

tabla 1
La precisión del mapa regional fue alta usando dos evaluaciones independientes, como se
muestra en las matrices de confusión para la clasificación regional (creadas usando solo datos
espectrales y temporales derivados de Landsat y filtrados a una unidad cartográfica mínima de
2,5 ha). Las estimaciones de precisión posestratificadas provienen de a) datos de gráficos FIA
independientes yb) datos de referencia independientes derivados de imágenes de Google Earth.
La matriz de error posestratificado se expresa en términos de proporciones de área estimadas
(ver Tabla S6 para la matriz de error de conteo).

A) Precisión del mapa regional Datos de referencia de la FIA

Predicho Natural no forestal Árbol Total Usuario

bosque plantaciones Cuenta

bosque natural 0.37 0.03 0.04 0,45 82.8

0.01 0.37 0.01 0.39 95.0

Abierto

0.04 0.00 0.12 0.16 75.8

Plantaciones de árboles

0.42 0.41 0.17 1.00 En general

Total

Pinchar. Cuenta 87.6 91.7 71.3 86.5

HIGO. 4.La edad estimada del bosque predijo bien la altura de la plantación de árboles, con una mediana y B) Precisión del mapa regional Datos de referencia de Google Earth

un rango de variación que coincidieron estrechamente con las estimaciones de las parcelas de campo. Aquí
Predicho Natural no forestal Árbol Total Usuario
se muestra una regresión de la altura de los árboles LiDAR (modelo de altura media del dosel en una celda
bosque plantaciones Cuenta
de 15 m) de las plantaciones de árboles frente a la edad forestal estimada derivada del conjunto de datos
Vegetation Change Tracker (VCT). Los datos de altura de los árboles se filtraron a tasas de crecimiento bosque natural 0.42 0.00 0.03 0,45 93.2
biológicamente realistas para eliminar los valores atípicos resultantes de la retención de árboles de
semillas después de la cosecha, siguiendoNeigh et al. (2016). Los puntos negros muestran los valores 0.01 0.37 0.01 0.39 94,9
Abierto
medios de la altura, las líneas negras el primer y tercer cuartil, la línea gris la predicción de la línea de
regresión de la ley de potencia y las líneas grises punteadas muestran los intervalos de confianza del 95 % 0.02 0.003 0.14 0.16 85.7
Plantaciones de árboles

en la regresión.
0,45 0.37 0.18 1.0 En general
Total

3.3. Plantaciones de árboles en mapas existentes

Pinchar. Cuenta 92,9 99.2 78.0 92.6

La precisión de las estimaciones de los bosques de plantación a partir de los mapas

forestales existentes diferían entre un 11% y un 21% (precisión de clase media) de los resultados
bosques (Fig. S3) en una amplia gama de alturas medias del dosel (media = 7,3 m, SD =
obtenidos utilizando el enfoque de clasificación de fuentes múltiples en este estudio (Tabla 2).
4,5 m; Fig. S4). Esto limitó su utilidad para identificar plantaciones de pinos jóvenes,
Basado en datos de referencia, el mapa NLCD tenía altos errores de omisión para las
incluso en regiones como el sureste de los EE. UU. con pocos tipos de cobertura de
plantaciones de pino (Tabla 2); solo el 53 % de los datos de referencia para plantaciones de
matorrales naturales. Si las clases de cobertura terrestre de arbustos y árboles de hoja
árboles se clasificó como bosque siempre verde en NLCD (Fig. S3), con un 20 % considerado
perenne del NLCD se usaran juntas para estimar la extensión de la plantación en los
humedales leñosos, un 22 % matorrales y proporciones más pequeñas clasificadas como bosques
datos de referencia de la línea de vuelo, se omitiría el 25 % de las plantaciones y se
mixtos (2 %) o caducifolios (4 % ). Por definición, el pino en regeneración se clasificaría como una
asignaría el 26 % de los bosques naturales a la categoría de plantación.
clase de arbustos en NLCD (<5 m de altura), pero la clase de arbustos de NLCD incluía tanto
De manera similar, la presencia de plantaciones de pinos fue mal predicha por
plantaciones como plantas naturales.

420
ME Fagan et al. Detección remota del medio ambiente 216 (2018) 415–426

Tabla 2 r2= 0,09). La edad media de rotación en el área de estudio fue de 14,0 ±
Los productos de mapas forestales existentes tienen una precisión relativamente baja en la 3,1 años.
predicción de plantaciones de árboles y bosques naturales, según los datos de referencia de la
línea de vuelo. Los mapas se comparan utilizando la precisión de clase media, la precisión del 4. Discusión
usuario (100 errores de comisión) y la precisión del productor (100 errores de omisión). Las
predicciones de los mapas forestales (NLCD, VCT Forest Age, HGFC Forest Gain y un compuesto
4.1. Mapeo de plantaciones de pino con datos estructurales, espectrales y temporales
simple de los tres, VCT-HGFC-NLCD) se comparan con el mejor modelo regional (LSPEC-TEMP) y el
modelo regional filtrado (unidad mínima de mapeo de 2,5 ha). ). Los materiales complementarios
Las plantaciones industriales de pino se pueden separar con precisión de los bosques
detallan cómo se predijo la presencia de plantaciones de árboles a partir de mapas forestales
anteriores. naturales utilizando información estructural de lidar aerotransportado o una combinación de
métricas espectrales y temporales de Landsat. Solo las métricas estructurales derivadas de LiDAR
Predicción precisión del productor precisión del usuario clase media
de huella pequeña lograron una precisión de clasificación > 90 % en la distinción de tipos de
entradas exactitud
bosques sin otras fuentes de datos. La combinación de métricas espectrales y temporales de
NF TP NF TP NF TP Landsat fue más precisa que cualquiera de las fuentes de forma independiente y rivalizó con la
precisión de los datos estructurales derivados de LIDAR en la discriminación de plantaciones de
LSPEC-TEMP 88.4 82.2 90,9 90.1 89.7 86.2
pinos. Es importante destacar que la combinación de información de más de una fuente de datos
(filt)
LSPEC-TEMP 84.3 76.5 87.3 79.1 85.8 77.8 de teledetección para mapear las plantaciones condujo a mejoras en la precisión de la

VCT-HGFC- 79.6 71,9 88.1 78.8 83.8 75.2
NLCD
bosque HGFC 91.0 45.2 73,9 84.4 82.5 64.8
ganar
Edad del bosque VCT 65.3 86.6 91.5 57,9 78.4 72.3
NLCD 71.3 84.2 92.7 64.8 82.0 74.5
productos de mapas que rastrean la perturbación forestal y la
regeneración (Tabla 2). La edad del bosque VCT fue un predictor
deficiente de las plantaciones, con un error de comisión del 42,1% en
comparación con los datos de referencia de la línea de vuelo, ya que
muchos bosques de menos de 25 años eran bosques naturales, no
plantaciones (Fig. S5). El HGFC fue igualmente inexacto, con un error de
omisión de plantación del 54,8%. Las estimaciones de rebrote diferían
entre VCT y HGFC (Fig. S5), lo que subraya la complejidad de la
dinámica forestal en el sureste de los EE. UU. solo ~ 5% más bajo que el
mapa de múltiples fuentes (Tabla 2).
3.4. Dinámica de las plantaciones de pino
Utilizando el modelo espectral-temporal de mejor rendimiento, las plantaciones de
pino industrial cubren aproximadamente el 17,6 ± 3% de la ecorregión del sureste en
2011, o alrededor del 28,1% del área forestal total (HIGO. 5). Los parches individuales de
plantaciones de pino variaron en tamaño de 2,25 a 49 757 ha, con un tamaño medio de
parche de 22 ± 161 ha. Los bosques industriales mapeados tenían una edad media de
11,2 ± 9,8 años, sin una tendencia espacial aparente en la edad, mientras que la mayoría
de los bosques naturales tenían más de 25 años (antes de 1984) (Fig. S6). Las
plantaciones de pino industrial mapeadas comprendían una fracción mayor del paisaje
en la mitad sur de la región de estudio, desde la costa hasta el interior (higos. 5, 6a;
modelo de superficie de tendencia p <0,00001, r2= 0,20).
La dinámica espacial estimada de la expansión de la plantación, la perturbación y la
edad de rotación no fueron uniformes en toda la región y se caracterizaron por una
rotación y un rebrote rápidos. De 1992 a 2011, las plantaciones de pinos se expandieron
hacia zonas no forestales a una tasa media del 1,08 % anual. La expansión fue más
común en las partes interior y sur de la región de estudio (HIGO. 6B; modelo de
superficie de tendencia p <0,00001, r2= 0,12), con la mayoría de las nuevas plantaciones
adyacentes a los bosques industriales existentes (distancia de expansión media = 145 m,
distancia aleatoria esperada = 1086 m, p <0,0001). Por el contrario, el área de disturbios
de desmonte de plantaciones de pinos reflejó en gran medida la ocurrencia de
plantaciones de pinos (HIGO. 6C; modelo de superficie de tendencia p <0,00001, r2= 0,06).
Se identificaron perturbaciones en el 78% de las plantaciones de pino mapeadas desde
1985, con una tasa de perturbación media estimada del 3,6% por año de las plantaciones
mapeadas en 2011. El área de rodales perturbados al menos dos veces durante el
registro Landsat también se concentró en la costa sureste de la región de estudio, con
pequeños puntos críticos de perturbación frecuente (Fig. S7; modelo de superficie de
tendencia p <0.00001, r2= 0,08). La edad de rotación de las plantaciones de pino tuvo un
patrón espacial distinto, decreciendo hacia el suroeste del área de estudio (HIGO. 6D;
modelo de superficie de tendencia p <0.00001,
clasificación sobre los productos de mapas existentes. Nuestros hallazgos demuestran el
potencial para mejorar los productos de mapas nacionales y globales de tipos dinámicos de
cobertura terrestre en paisajes dominados por humanos utilizando datos de teledetección de
múltiples fuentes. Los mapas regionales de múltiples fuentes revelaron patrones novedosos y
espacialmente desagregados en la cubierta y la dinámica de los bosques de plantaciones,
consistentes con el muestreo de parcelas en el sureste de los EE. UU., pero a escalas temporales y
espaciales más finas que las que se pueden lograr utilizando datos de inventario.
Lidar proporciona información novedosa sobre la estructura forestal que
complementa los enfoques existentes para cartografiar la cubierta forestal y la
dinámica con datos de teledetección óptica pasiva. Tanto el lidar de huella grande
como el pequeño se han utilizado con éxito para detectar la estructura forestal y
las perturbaciones en múltiples ecosistemas (p. ej.,Brillante et al., 2012;Fagan y
DeFries, 2009;Frolking et al., 2009;Goetz et al., 2009). Donde los tipos de bosque
pueden distinguirse más fácilmente en función de la estructura en lugar de la
especie, como en el caso de las plantaciones de árboles nativos, el uso de LIDAR
para mapear la composición del bosque es una extensión natural del trabajo
anterior (Asner et al., 2008; Donoghue et al., 2007;Gopalakrishnan et al., 2015;
Zhang et al., 2011). Descubrimos que las métricas LiDAR simples desempeñaron
un papel importante en la mejora de la clasificación forestal, incluida la desviación
estándar en la altura de retorno, el decil más bajo de la altura del dosel LiDAR
(p10) y la cobertura arbórea fraccionada. La extensión global de los datos LIDAR
está creciendo, y LIDAR se puede integrar con otra información estructural
derivada de imágenes estereoscópicas de alta resolución o datos InSAR (Relincho
et al., 2016;Qi y Dubai, 2016). En este estudio, métricas más detalladas de la
estructura forestal (CHM y variabilidad del perfil vertical) mejoraron aún más la
discriminación de los tipos de bosques. El próximo lanzamiento del lidar de Global
Ecosystem Dynamics Investigation (GEDI) a la estación espacial internacional
proporcionará una gran muestra de bosques templados y tropicales (Qi y Dubai,
2016). Como demostramos, la integración de datos LIDAR con datos espectrales y
temporales de Landsat, Sentinel-2 y otros generadores de imágenes de resolución
moderada ofrece una gran promesa para evaluaciones a gran escala de paisajes
forestales gestionados.
La extracción o el dominio de las coníferas por sí mismos no son predictores únicos de los
bosques de plantación, ya que el manejo forestal ocurre tanto en las plantaciones de pinos como
en los bosques mixtos naturales de coníferas/deciduos (Schroeder et al., 2014). Los mapas de
regeneración forestal (VCT, HGFC) no distinguían la cosecha y la regeneración de las plantaciones
de la de los bosques naturales. De manera similar, las clases genéricas de NLCD asignaron
plantaciones de pinos (un uso de la tierra) a múltiples clases de cobertura de suelo (p. ej.,
cobertura forestal perenne, arbustiva y mixta en NLCD). Los productos de cobertura terrestre
existentes no son adecuados para capturar la diversidad de fisonomías de la vegetación que
comprende el ciclo de crecimiento y cosecha de las plantaciones. Estos productos individuales no
fueron diseñados específicamente para monitorear plantaciones, pero su mapeo de
perturbaciones y tipos de bosques fue bastante informativo cuando se tomaron en conjunto. En
el modelo de árbol de decisión regional final, la integración de los datos de cobertura terrestre
del NLCD con los datos sobre la ocurrencia de rebrotes estableció clases amplias que podrían
separarse en bosques naturales e industriales mediante la aplicación de umbrales espectrales a
diferentes edades de los bosques. Los bosques dominados por coníferas de diferentes edades
pueden tener firmas espectrales distintas pero superpuestas

421
ME Fagan et al.
HIGO. 5.El predominio de las plantaciones de árboles como uso de la tierra en la región de estudio se muestra en el mapa clasificado final, creado utilizando el mejor modelo regional (LSPEC-TEMP,
filtrado). El mapa clasificado se superpone sobre el mapa NLCD, con dos recuadros que comparan la clasificación del mapa de 2011 con imágenes recientes de alta resolución (Bing; invierno de 2015).
Las plantaciones de pinos aparecen como grandes parches de color verde oscuro en las imágenes de alta resolución. (Para la interpretación de las referencias al color en la leyenda de esta figura, se
remite al lector a la versión web de este artículo).
(Canción et al., 2007), y las plantaciones industriales tenían tamaños de parche
más grandes que los parches de coníferas naturales en este estudio (y formas
potencialmente distintas; verBoschetti y Huo, 2016). Los resultados de la
clasificación espectral-temporal en este estudio indican que la integración de la
cobertura de coníferas derivada de las métricas de fenología estacional derivadas
de Landsat con estimaciones de perturbaciones anuales podría mejorar la
discriminación de las plantaciones de pino de los bosques de pinos naturales con
perturbaciones menos frecuentes. Este enfoque computacionalmente intensivo ha
sido promovido por varios grupos (Brooks et al., 2014;Zhu et al., 2012).
Este estudio aprovechó una firma espectral relativamente única que separó las
especies de plantación objetivo de otras especies de bosques naturales; Fenología
perennifolia de las coníferas. Donde existan tales diferencias espectrales entre las
especies nativas, los datos espectrales pueden usarse de manera efectiva y simple para
discriminar monocultivos potenciales. Cuando las diferencias espectrales entre las
plantaciones y los bosques naturales son mínimas, una combinación de datos
estructurales y temporales aún podría ser eficaz para identificar los ciclos de
perturbación y rebrote típicos del manejo de plantaciones de rotación corta o la
estructura de dosel de edad uniforme en las plantaciones. Aunque la disponibilidad de
datos LIDAR proporciona una cobertura espacial y temporal limitada, otras medidas de la
estructura forestal obtenidas por teledetección del SAR (Reiche et al., 2016) e imágenes
estéreo de alta resolución (Relincho et al., 2016) cubren grandes áreas y las series
temporales de estas mediciones abarcan una década o más. Como en muchos estudios
de teledetección, la naturaleza complementaria de los tipos de datos de teledetección
independientes puede proporcionar múltiples limitaciones en aspectos complejos del
sistema terrestre. En este estudio, los resultados generales de precisión demostraron
claramente el valor de agregar tipos de datos. Sin embargo, no todas las combinaciones
llevaron a mejorar el rendimiento del clasificador con el algoritmo del árbol de decisiones
CART, posiblemente debido a las combinaciones de predictores correlacionados (Hayes et
al., 2015).
422
Detección remota del medio ambiente 216 (2018) 415–426
4.2. Desafíos con el uso de múltiples productos de teledetección para mapear
plantaciones
A pesar de los beneficios potenciales para el mapeo de plantaciones de árboles
nativos, la sincronización de múltiples productos de teledetección en el espacio y el
tiempo sigue siendo un desafío. Las diferencias en las ubicaciones de la perturbación y el
rebrote entre los conjuntos de datos VCT y HGFC fueron comunes, al igual que las
diferencias en la cobertura forestal pronosticada por los conjuntos de datos lidar
aerotransportado, NLCD, VCT y HGFC. Los bosques plantados son un tipo de bosque
dinámico con perturbaciones frecuentes, por lo que las diferencias de meses entre las
fechas de adquisición de imágenes pueden explicar algunas de las discrepancias entre
los productos de mapas VCT y HGFC. Los algoritmos subyacentes a los productos de
cambio forestal actuales también difieren en su sensibilidad a la gestión forestal (Cohen
et al., 2017).
Tres desafíos temporales adicionales también impactan los mapas de plantaciones
de pino desarrollados en este estudio. En primer lugar, el registro histórico relativamente
corto de Landsat (1985–2011) limitó nuestra capacidad para detectar patrones de
cosecha y rebrote en plantaciones con ciclos de manejo más largos. Aunque las
plantaciones de pino > 26 años eran espectralmente distintas de los bosques naturales,
las mejores prácticas para las plantaciones madereras en el sureste de los EE. UU.
recomiendan una edad de rotación de 25 a 35 años (Sohngren y Brown, 2008). Por lo
tanto, es posible que se haya subestimado el área total de plantaciones de pinos más
antiguos en el sureste de los EE. UU. En segundo lugar, la separabilidad espectral y
estructural de los bosques de plantación y naturales difería en función de la edad del
rodal. El destino del rebrote joven es particularmente incierto en los años posteriores a la
cosecha (Fig. S6). Las estrategias de manejo alternativas para el aclareo o el
establecimiento de rodales de pino más productivos también pueden generar confusión
para las clases de mayor edad. Tercero, un mapa de fecha única de plantaciones de
árboles no puede detectar la conversión histórica de bosques naturales a plantaciones de
pinos o viceversa (“deforestación críptica” sensu
ME Fagan et al.
HIGO. 6.Las plantaciones de pino en toda la región de estudio en 2011 mostraron patrones distintos para A) área estimada, B) área de plantaciones que se expandieron hacia áreas no forestales (1992–
2011), C) área de plantaciones en 2011 perturbadas al menos una vez entre 1985 y 2011, y D ) edad de rotación de plantaciones. El área se resumió como la frecuencia de ocurrencia en celdas de
cuadrícula de 5 km, mientras que la edad de rotación se resumió como el valor medio en celdas de cuadrícula de 5 km.
Puyravaud et al., 2010). La práctica de reemplazar los bosques naturales por
plantados está muy extendida en la región y es bastante importante para la
biodiversidad regional y el almacenamiento de carbono (Hanberry, 2013;Desgaste
y Greis, 2013).
Armonizar las definiciones de cobertura forestal entre los estudios de campo y de
teledetección también puede mejorar la utilidad de los productos satelitales para los
administradores forestales. Por ejemplo, las diferentes definiciones de plantaciones
pueden explicar parcialmente las inconsistencias entre los datos de validación de la FIA y
las estimaciones de cobertura forestal de plantaciones derivadas de satélites en este
estudio. Los códigos de uso de la tierra de la FIA consideran que los bosques integrados
en una matriz no forestal no son bosques (O'Connell et al., 2015), y la mayoría de los
errores de la comisión no forestal en este análisis se debieron a elementos forestales
integrados en otros usos de la tierra (datos no publicados;ver tambiénJohnson et al.,
2015, 2014). Las plantaciones industriales de pino en este estudio se definieron como
monocultivos de pino manejados y de edad uniforme, que incluyen bosques plantados o
sembrados artificialmente y bosques plantados seminaturales (SNPF) manejados para
aumentar la proporción de especies deseables. A diferencia de la FAO, la definición de
bosque plantado de la FIA excluye al SNPF (Jürgensen et al., 2014; O'Connell et al., 2015).
Sin embargo, los monocultivos de pino de edad uniforme resultantes de la sucesión
gestionada intensivamente son comunes en la región (Desgaste y Greis, 2002), con
silvicultura de árboles semilleros seguida de extracción de madera dura y aclareo de
pinos. Estas prácticas de manejo fueron directamente observables en la serie temporal
de imágenes de alta resolución utilizada para desarrollar los datos de referencia y
validación, sin embargo, los SNPF son en gran medida indistinguibles de los bosques
plantados después del cierre y el raleo de los rodales. Ampliar la descripción del origen
del stand de la FIA para incluir una amplia gama de
423
Detección remota del medio ambiente 216 (2018) 415–426
las prácticas de gestión forestal alinearían mejor los inventarios de la FIA con las estimaciones de los
bosques de plantación obtenidas mediante sensores remotos.
4.3. Distribución y dinámica de los bosques de plantación
Los mapas regionales de la cubierta forestal de las plantaciones fueron consistentes
con las estimaciones existentes de la extensión de las plantaciones de pino, las tasas de
crecimiento y la dinámica de la cosecha, aunque con un detalle espacial más fino. Las
plantaciones de pino mapeadas en este estudio representaron un porcentaje
ligeramente mayor (28,1 %) de la cubierta forestal regional que las estimaciones previas
basadas en parcelas para la región sur o sureste más grande en su conjunto (18,1–25 %;
Oswalt et al., 2014;Desgaste y Greis, 2013, 2002;Zhang y Polyakov, 2010). La distribución
espacial de las plantaciones mapeadas también estuvo de acuerdo con mapas anteriores
a nivel de condado de cobertura de plantaciones de árboles (Desgaste y Greis, 2013;
Zhang y Polyakov, 2010). Sin embargo, la escala espacial más fina de los datos de Landsat
identificó puntos críticos no indicados en trabajos anteriores, más notablemente la
aparición de bandas lineales de alta cobertura de plantaciones en la costa de las
Carolinas, el interior de las Carolinas hasta Georgia y el centro de Alabama. Las
plantaciones fueron cada vez más dominantes en las regiones más planas del sur y la
costa, superando el 70% de la cobertura total en lugares seleccionados. Las relaciones de
altura y edad para las plantaciones basadas en datos de edad forestal VCT y lidar en este
estudio fueron bastante similares a las estimaciones de rendimiento del pino loblolly
manejado en toda la región (Devan y Burkhart, 1982;Diéguez-Aranda et al., 2006). A pesar
de la posible subestimación de la edad del rodal, ya que VCT considera tanto la tala total
como los eventos de raleo como perturbaciones del despeje del rodal (Masek et al., 2013
), estimaciones VCT de la edad del rodal
ME Fagan et al.
podría usarse junto con imágenes LIDAR o estéreo (Relincho et al., 2016)
para evaluar la dinámica regional del carbono en plantaciones de pino
manejadas.
Los mapas de las plantaciones forestales y la dinámica de la cosecha ofrecen
información específica sobre la gestión forestal regional. Aunque las tasas estimadas de
perturbación de los rodales (3,6 %/año) y la expansión de las plantaciones hacia áreas no
boscosas (1,08 %/año) fueron consistentes con los datos de las parcelas de la FIA (3,1 % y
1,10 % por año, respectivamente;Desgaste y Greis, 2002), nuestro análisis reveló distintos
patrones espaciales para la expansión de la plantación y la perturbación general de la
plantación. La capacidad de desglosar las tendencias regionales de los bosques
utilizando estimaciones espacialmente explícitas de la dinámica de las plantaciones
puede revelar diferentes impulsores biofísicos y socioeconómicos subyacentes de la
expansión y cosecha de las plantaciones (Desgaste y Greis, 2013, 2002;Zhang y Polyakov,
2010). Por ejemplo, la edad de rotación promedio estimada de 14 años fue concordante
con los datos de las parcelas regionales, que muestran un pico en la cosecha de 10 a 15
años (Coulston et al., 2015). Esta rotación relativamente corta puede deberse a la
combinación de edades promedio de aprovechamiento de la madera (25 a 35 años;
Sohngren y Brown, 2008) y pulpa/biomasa (10+ años;Desgaste y Greis, 2013). Se prevé
que el aumento de los precios de los biocombustibles y los gránulos de madera
incentivará la cosecha temprana (Abt et al., 2014; Abt y Abt, 2013;Coulston et al., 2015), y
las tendencias espaciales pronosticadas en la demanda de pulpa y producción de
bioenergía se corresponden aproximadamente con la disminución observada de este a
oeste en la edad de rotación en este estudio (Abt et al., 2014). En el trabajo futuro, puede
ser posible combinar mapas de alta resolución del área de plantación y perturbaciones
forestales para rastrear los impactos de los cambios en la demanda del mercado y la
gestión en la edad y la cosecha del bosque.
4.4. Implicaciones más amplias
Es posible mapear y monitorear los monocultivos de pino industrial en base a
la detección remota de múltiples fuentes de su fenología distinta, historial de
perturbaciones, reflectancia específica de la edad y tamaño del parche. El mapeo
de plantaciones con imágenes satelitales ofrece la oportunidad de aprovechar las
mediciones periódicas de las parcelas de los bosques plantados para generar
estimaciones espacialmente explícitas del área plantada (p. ej.,Schroeder et al.,
2014). La creciente extensión de las plantaciones de pino industrial en el sureste
de los EE. UU. contribuye a cambios en el futuro secuestro regional de carbono,
producción de madera y disponibilidad de hábitat (Coulston et al., 2015;Masek y
Collatz, 2006;Desgaste y Greis, 2013;Zhou et al., 2013). Dada su importancia
regional, agregar una clase de plantación de árboles a los mapas de cobertura
terrestre regionales y nacionales (p. ej., NLCD) captaría mejor la influencia
distintiva de los bosques industriales en los estudios de la dinámica de la
cobertura terrestre, la biodiversidad y el ciclo biogeoquímico. La integración de
datos estructurales, espectrales y temporales también puede generar beneficios
para mapear otros tipos de cobertura en paisajes gestionados. La creciente
disponibilidad de datos de imágenes ópticas pasivas de resolución moderada y
sensores activos de radar y lidar respaldará el uso rutinario de enfoques de fusión
de datos para esfuerzos de mapeo a escala regional y global.
Declaraciones de interés
Ninguna.
Expresiones de gratitud
El financiamiento para este estudio fue proporcionado por una beca del Programa
Postdoctoral de la NASA (M. Fagan) y los Programas de Ciencias del Ciclo del Carbono y el Sistema
de Monitoreo del Carbono de la NASA.
Apéndice A. Datos complementarios
Los datos complementarios a este artículo se pueden encontrar en línea en
https: //doi.org/10.1016/j.rse.2018.07.007.
424
Detección remota del medio ambiente 216 (2018) 415–426
Referencias
Abt, RC, Abt, KL, 2013. Impacto potencial de la demanda de bioenergía en la sostenibilidad de
el recurso forestal del sur. J. Sostener. Para. 32, 175–194.
Abt, KL, Abt, RC, Galik, CS, Skog, KE, 2014. Efecto de las políticas en la producción de pellets
y bosques en el sur de EE. UU.: un documento técnico que respalda la actualización del servicio
forestal de la evaluación RPA de 2010, Gen. tecnología Reps. SRS-202. Servicio Forestal del
Departamento de Agricultura de EE. UU., Estación de Investigación del Sur, Asheville, NC (33 págs.).
Asner, GP, Knapp, DE, Kennedy-Bowdoin, T., Jones, MO, Martin, RE, Boardman, J.,
Hughes, RF, 2008. Detección de especies invasoras en las selvas tropicales de Hawái mediante
espectroscopia de imágenes aéreas y LiDAR. Sensores remotos Reinar. 112, 1942–1955.https: //
doi.org/10.1016/j.rse.2007.11.016.
Banskota, A., Wynne, RH, Kayastha, N., 2011. Mejora de las especies de árboles dentro del género
Discriminación utilizando la transformada wavelet discreta aplicada a datos hiperespectrales
aerotransportados. En t. J. Sensores Remotos. 32, 3551–3563.https://doi.org/10.1080/
01431161003698302.
Blinn, CE, Albaugh, TJ, Fox, TR, Wynne, RH, Stape, JL, Rubilar, RA, Allen, HL,
2012. Un método para estimar la competencia de hoja caduca en rodales de pino usando
Landsat. Sur. Aplicación J. Para. 36, 71–78.https://doi.org/10.5849/sjaf.10-034. Boisvenue, C.,
Smiley, BP, White, JC, Kurz, WA, Wulder, MA, 2016. Integración de
Series de tiempo Landsat y diagramas de campo para estimaciones de productividad forestal en modelos de
apoyo a la toma de decisiones. Para. Ecol. Administrar 376, 284–297.https://doi.org/10.1016/j.foreco. 2016.06.022
.
Boschetti, L., Huo, LZ, 2016. Perturbaciones forestales, deforestación y extracción de madera
patrones en los Estados Unidos Contiguos. En: Resúmenes de la reunión de otoño de AGU.
Breiman, L., Friedman, J., Stone, CJ, Olshen, RA, 1984. Clasificación y regresión
Árboles. CRC Press, Monterey, CA.
Bright, BC, Hicke, JA, Hudak, AT, 2012. Estimación de las existencias de carbono sobre el suelo de un
bosque afectado por el escarabajo del pino de montaña en Idaho usando imágenes lidar y
multiespectrales. Sensores remotos Reinar. 124, 270–281.https://doi.org/10.1016/j.rse.2012.05. 016.
Brockerhoff, EG, Jactel, H., Parrotta, JA, Quine, CP, Sayer, J., 2008. Bosques de plantación
y biodiversidad: ¿oxímoron u oportunidad? Biodiversos. Conservar 17, 925–951.
https://doi.org/10.1007/s10531-008-9380-x.
Brooks, EB, Wynne, RH, Thomas, VA, Blinn, CE, Coulston, JW, 2014. Sobre la marcha
Detección masiva de cambios multitemporales utilizando gráficos de control de calidad estadísticos y
datos de Landsat. Trans. IEEE. Geosci. Sensores remotos 52, 3316–3332.https://doi.org/10. 1109 /
TGRS.2013.2272545.
Chen, B., Li, X., Xiao, X., Zhao, B., Dong, J., Kou, W., Qin, Y., Yang, C., Wu, Z., Sun, R.,
Lan, G., Xie, G., 2016. Mapeo de bosques tropicales y plantaciones de caucho de hoja caduca en la isla
de Hainan, China mediante la integración de imágenes Landsat multitemporales y PALSAR de 25 m.
En t. Aplicación J. Observación de la Tierra Geoinf. 50, 117–130.https://doi.org/10.1016/j.jag.
2016.03.011.
Cohen, WB, Yang, Z., Stehman, SV, Schroeder, TA, Bell, DM, Masek, JG, Huang, C.,
Meigs, GW, 2016. Perturbación forestal en los Estados Unidos contiguos entre 1985
y 2012: el dominio emergente del declive forestal. Para. Ecol. Administrar 360, 242–
252.https://doi.org/10.1016/j.foreco.2015.10.042.
Cohen, W., Healey, S., Yang, Z., Stehman, S., Brewer, C., Brooks, E., Gorelick, N., Huang,
C., Hughes, M., Kennedy, R., Loveland, T., Moisen, G., Schroeder, T., Vogelmann, J., Woodcock, C., Yang,
L., Zhu, Z., 2017. ¿Qué tan similares son los mapas de disturbios forestales derivados de diferentes
algoritmos de series temporales de Landsat? Bosques 8, 98.https://doi.org/10. 3390 / f8040098.
Cook, BD, Corp, LA, Nelson, RF, Morton, DC, Middleton, EM, McCorkel, JT,
Masek, JG, Ranson, KJ, Ly, V., Montesano, PM, 2013. LiDAR de NASA Goddard, generador de
imágenes hiperespectrales y térmicas (G-LiHT). Sensores remotos 5. Coulston, JW, Wear, DN,
Vose, JM, 2015. La dinámica forestal compleja indica potencial
para desacelerar la acumulación de carbono en el sureste de los Estados Unidos. ciencia Reps. 5, 8002.
https://doi.org/10.1038/srep08002.
Czaplewski, RL, 2010. Estimación de encuestas de muestra compleja en espacio de estado estático. general
tecnología Reps. RMRS-239. (Fort Collins, Colorado).
Danson, FM, Curran, PJ, 1993. Factores que afectan la respuesta de detección remota de
plantaciones forestales de coníferas. Sensores remotos Reinar. 43, 55–65.https://doi.org/10.
1016 / 0034-4257 (93) 90064-5.
Devan, JS, Burkhart, HE, 1982. Ecuaciones de índice de sitio polimórfico para pino loblolly
basado en un modelo diferencial polinomial segmentado. Para. ciencia 28, 544–555.
Diéguez-Aranda, U., Burkhart, HE, Amateis, RL, 2006. Modelo de sitio dinámico para loblolly
pino (Pinus taedaL.) plantaciones en los Estados Unidos. Para. ciencia 52, 262–272.
Dong, J., Xiao, X., Chen, B., Torbick, N., Jin, C., Zhang, G., Biradar, C., 2013. Mapeo
plantaciones de caucho de hoja caduca a través de la integración de imágenes PALSAR y
Landsat multitemporales. Sensores remotos Reinar. 134, 392–402.https://doi.org/10.1016/j.
rse.2013.03.014.
Donoghue, DNM, Watt, PJ, Cox, NJ, Wilson, J., 2007. Teledetección de especies
mezclas en plantaciones de coníferas utilizando datos de altura e intensidad LiDAR. Sensores
remotos Reinar. 110, 509–522.https://doi.org/10.1016/j.rse.2007.02.032. Drummond, MA,
Stier, MP, Auch, RF, Taylor, JL, Griffith, GE, Riegle, JL, Hester,
DJ, Soulard, CE, McBeth, JL, 2015. Evaluación del cambio del paisaje y los procesos de
recurrencia, reemplazo y recuperación en las llanuras costeras del sudeste, EE. UU. Reinar.
Administrar 56, 1252–1271.https://doi.org/10.1007/s00267-015-0574-1. Fagan, ME, DeFries,
RS, 2009. Medición y seguimiento de los bosques del mundo: una
Revisión y resumen de la capacidad técnica, 2009–2015. Los bosques del mundo:
Diseño e implementación de recursos efectivos de medición y monitoreo para el
futuro (RFF), Washington, DC.
Fagan, ME, Defries, RS, Sesnie, SE, Arroyo-Mora, JP, Soto, C., Singh, A., Townsend,
PA, Chazdon, RL, 2015. Mapeo de la composición de especies de bosques y plantaciones de
árboles en el noreste de Costa Rica con una integración de hiperespectral y
ME Fagan et al.
imágenes Landsat multitemporales. Sensores remotos 7, 5660.https://doi.org/10.3390/
rs70505660.
FAO, 2015a. Evaluación de los recursos forestales mundiales 2015. Alimentación y agricultura
Organización de las Naciones Unidas, Roma, Italia.
FAO, 2015b. Evaluación de los recursos forestales mundiales 2015. (Roma).
Frolking, S., Palace, MW, Clark, DB, Chambers, JQ, Shugart, HH, Hurtt, GC, 2009.
Perturbación y recuperación de los bosques: una revisión general en el contexto de la
teledetección espacial de los impactos sobre la biomasa aérea y la estructura del dosel. J.
Geophys. Res. 114 (doi: G00e0210.1029 / 2008jg000911).
Goetz, SJ, Baccini, A., Laporte, NT, Johns, T., Walker, W., Kellndorfer, J., Houghton, R.
a, Sun, M., 2009. Mapeo y monitoreo de reservas de carbono con observaciones satelitales: una
comparación de métodos. Gestión del Balance de Carbono 4, 2.https://doi.org/10.1186/1750-0680-4-2.
Gopalakrishnan, R., Thomas, VA, Coulston, JW, Wynne, RH, 2015. Predicción de ca-
nopy heights over a large region usando conjuntos de datos Lidar heterogéneos: eficacia y
desafíos. Sensores remotos 7, 11036–11060.https://doi.org/10.3390/rs70911036. Gutiérrez-
Vélez, VH, DeFries, R., 2013. Detección anual multirresolución de cobertura terrestre
conversión a palma aceitera en la Amazonía peruana. Sensores remotos Reinar. 129, 154–
167. https://doi.org/10.1016/j.rse.2012.10.033.
Hanberry, BB, 2013. Cambiando hojas anchas del este, mixtas del sur y mixtas del norte
ecosistemas forestales del este de los Estados Unidos. Para. Ecol. Administrar 306, 171–
178. https://doi.org/10.1016/j.foreco.2013.06.040.
Hansen, MC, Potapov, PV, Moore, R., Hancher, M., Turubanova, SA, Tyukavina, A.,
Thau, D., Stehman, SV, Goetz, SJ, Loveland, TR, Kommareddy, A., Egorov, A., Chini, L.,
Justice, CO, Townshend, JRG, 2013. Mapas globales de alta resolución del siglo XXI. cambio
de la cubierta forestal del siglo. Ciencia 342, 850–853.https://doi.org/10.1126/
ciencia.1244693.
Harris, NL, Hagen, SC, Saatchi, SS, Pearson, TRH, Woodall, CW, Domke, GM,
Braswell, BH, Walters, BF, Brown, S., Salas, W., Fore, A., Yu, Y., 2016. Atribución del cambio
neto de carbono por tipo de perturbación en las tierras forestales de los Estados Unidos
contiguos. Gestión del Balance de Carbono 11, 24.https://doi.org/10.1186/s13021-016-0066-5
. 00141.x.
Hayes, T., Usami, S., Jacobucci, R., McArdle, JJ, 2015. Usando Clasificación y
Árboles de regresión (CART) y bosques aleatorios para analizar el desgaste: resultados de
dos simulaciones. psicol. 30 años, 911–929.https://doi.org/10.1037/pag0000046. Huang, C.,
Goward, SN, Masek, JG, Thomas, N., Zhu, Z., Vogelmann, JE, 2010. Una
enfoque automatizado para reconstruir el historial reciente de perturbaciones forestales utilizando
pilas densas de series temporales de Landsat. Sensores remotos Reinar. 114, 183–198.https://doi.org/
10. 1016 / j.rse.2009.08.017.
Homer, C., Dewitz, J., Yang, L., Jin, S., Danielson, P., Xian, G., Coulston, J., Herold, N.,
Wickham, J., Megown, K., 2015. Finalización de la base de datos nacional de cobertura terrestre de
2011 para los Estados Unidos continentales, que representa una década de información sobre
cambios en la cobertura terrestre. Fotograma. Ing. Sensores remotos 81, 345–354.
Jin, S., Yang, L., Danielson, P., Homer, C., Fry, J., Xian, G., 2013. Una revisión integral
cambiar el método de detección para actualizar la Base de Datos Nacional de Cobertura Terrestre
hasta alrededor de 2011. Remote Sens. Reinar. 132, 159–175.https://doi.org/10.1016/j.rse.2013.01.
012.
Johnson, KD, Birdsey, R., Finley, AO, Swantaran, A., Dubayah, R., Wayson, C.,
Riemann, R., 2014. Integración de datos de análisis e inventario forestal en un sistema de monitoreo
de carbono basado en LIDAR. Gestión del Balance de Carbono 9, 3.https://doi.org/10.1186/
1750-0680-9-3.
Johnson, KD, Birdsey, R., Cole, J., Swatantran, A., O'Neil-Dunne, J., Dubayah, R., Lister,
A., 2015. Integración de LIDAR e inventarios forestales para llenar el vacío de datos de árboles fuera
de los bosques. Reinar. Monitorear Evaluar. 187, 623.https://doi.org/10.1007/s10661-015-4839-1. Joshi,
N., Baumann, M., Ehammer, A., Fensholt, R., Grogan, K., Hostert, P., Jepsen, M.,
Kuemmerle, T., Meyfroidt, P., Mitchard, E., Reiche, J., Ryan, C., Waske, B., 2016. Una revisión
de la aplicación de la fusión de datos de sensores remotos ópticos y de radar para mapear el
uso de la tierra y supervisión. Sensores remotos 8, 70.https://doi.org/10.3390/rs8010070.
Jürgensen, C., Kollert, W., Lebedys, A., 2014. Evaluación de la madera en rollo industrial
Producción de Bosques Plantados. Serie de Documentos de Trabajo sobre Bosques y Árboles
Plantados, No. FP/48/E Organización de las Naciones Unidas para la Agricultura y la Alimentación
(FAO), Roma. le Maire, G., Dupuy, S., Nouvellon, Y., Loos, RA, Hakamada, R., 2014. Mapping short-
plantaciones de rotación a escala regional utilizando series de tiempo MODIS: caso de plantaciones de
eucaliptos en Brasil. Sensores remotos Reinar. 152, 136–149.https://doi.org/10.1016/j.rse.2014.05.015.
Masek, JG, Collatz, GJ, 2006. Estimating forest carbon fluxes in a disturbed south-
paisaje oriental: integración de sensores remotos, inventario forestal y
modelado biogeoquímico. J. Geophys. Res. Biogeosci. 111https://doi.org/
10.1029/ 2005JG000062.(n/a/a).
Masek, JG, Goward, SN, Kennedy, RE, Cohen, WB, Moisen, GG, Schleeweis, K.,
Huang, C., 2013. Tendencias de disturbios forestales en Estados Unidos observadas utilizando series
de tiempo de Landsat. Ecosistemas 16, 1087–1104.https://doi.org/10.1007/s10021-013-9669-9. Neigh,
CSR, Masek, JG, Nickeson, JE, 2013. Datos satelitales de alta resolución abiertos para
investigación del gobierno. EOS Trans. Soy. Geofísico. Unión 94, 121–123.https://doi.org/
10.1002 / 2013EO130002.
Neigh, CSR, Masek, JG, Bourget, P., Rishmawi, K., Zhao, F., Huang, C., Cook, BD,
Nelson, RF, 2016. Índices regionales de crecimiento de bosques jóvenes de EE. UU. estimados a partir del historial
anual de perturbaciones del Landsat y las imágenes estereoscópicas de IKONOS. Sensores remotos Reinar. 173,
282–293.https://doi.org/10.1016/j.rse.2015.09.007.
Nelson, R., Margolis, H., Montesano, P., Sun, G., Cook, B., Corp, L., Andersen, H.-E.,
deJong, B., Pellat, FP, Fickel, T., Kauffman, J., Prisley, S., 2017. Estimaciones basadas en LiDAR
de la biomasa aérea en los EE. UU. continentales y México utilizando observaciones
terrestres, aéreas y satelitales. Sensores remotos Reinar. 188, 127–140.https: // doi. org/
10.1016/j.rse.2016.10.038.
O'Connell, BM, LaPoint, EB, Turner, JA, Ridley, T., Pugh, SA, Wilson, AM, Waddell,
KL, Conkling, BL, 2015. Base de datos de análisis e inventario forestal: Base de datos
425
Detección remota del medio ambiente 216 (2018) 415–426
Descripción y Guía del usuario Versión 6.0.2 para la Fase 2. (Washington, DC).
Olofsson, P., Foody, GM, Stehman, SV, Woodcock, CE, 2013. Hacer un mejor uso de
datos de precisión en estudios de cambio de suelo: estimación de la precisión y el área y
cuantificación de la incertidumbre mediante estimación estratificada. Sensores remotos Reinar. 129,
122–131.https: //doi.org/10.1016/j.rse.2012.10.031.
Olson, DM, Dinerstein, E., Wikramanayake, ED, Burgess, ND, Powell, GVN,
Underwood, EC, D'amico, JA, Itoua, I., Strand, HE, Morrison, JC, 2001. Ecorregiones terrestres del
mundo: un nuevo mapa de la vida en la tierra: un nuevo mapa global de ecorregiones terrestres
proporciona una herramienta innovadora para conservar la biodiversidad. Biociencia 51, 933–938.
Oswalt, SN, Smith, WB, Miles, PD, Pugh, SA, 2014. Recursos Forestales de los Estados Unidos
Unidos, 2012: Un documento técnico que respalda la actualización 2010 de la evaluación RPA del
Servicio Forestal. general tecnología Reps. WO-91. (Washington DC).
Pan, Y., Chen, JM, Birdsey, R., McCullough, K., He, L., Deng, F., 2011. Estructura de edad y
legado de perturbaciones de los bosques de América del Norte. Biogeociencias 8, 715.
Payn, T., Carnus, J.-M., Freer-Smith, P., Kimberley, M., Kollert, W., Liu, S., Orazio, C.,
Rodriguez, L., Silva, LN, Wingfield, MJ, 2015. Cambios en los bosques plantados y futuras
implicaciones globales. Para. Ecol. Administrar 352, 57–67.https://doi.org/10.1016/j.
foreco.2015.06.021.
Petersen, R., Goldman, ED, Harris, N., Sargent, S., Aksenov, D., Manisha, A., Esipova, E.,
Shevade, V., Loboda, T., Kuksina, N., 2016. Mapeo de plantaciones de árboles con imágenes
multiespectrales: resultados preliminares para siete países tropicales. Recursos Mundiales.
Instituto, Washington, DC.
Pfennigbauer, M., Ullrich, A., 2010. Mejora de la calidad de la adquisición de datos de escaneo láser
a través de la medición calibrada de amplitud y desviación de pulso. En:
Actas del SPIE. Tecnología y aplicaciones de radar láser 7684.
Popescu, SC, Wynne, RH, Scrivani, JA, 2004. Fusión de lidar de huella pequeña y
datos multiespectrales para estimar el volumen y la biomasa a nivel de parcela en bosques caducifolios y de
pinos en Virginia, EE. UU. Para. ciencia 50, 551–565.
Puyravaud, J.-P., Davidar, P., Laurance, WF, 2010. Destrucción críptica de los nativos de la India.
bosques Conservar Fácil. 3, 390–394.https://doi.org/10.1111/j.1755-263X.2010.
Qi, W., Dubayah, RO, 2016. Combinación de Tandem-X InSAR y lidar GEDI simulado
observaciones para el mapeo de la estructura forestal. Sensores remotos Reinar. 187, 253–
266. Qin, Y., Xiao, X., Dong, J., Zhang, G., Roy, PS, Joshi, PK, Gilani, H., Murthy, MSR,
Jin, C., Wang, J., 2016. Mapeo de bosques en Asia monzónica con imágenes de mosaico ALOS
PALSAR de 50 m e imágenes MODIS en 2010. Sci. Reps. 6, 20880.
R Core Team, 2013. R: un lenguaje y entorno para la computación estadística. Reiche,
J., Lucas, R., Mitchell, AL, Verbesselt, J., Hoekman, DH, Haarpaintner, J.,
Kellndorfer, JM, Rosenqvist, A., Lehmann, EA, Woodcock, CE, Seifert, FM, Herold, M., 2016.
Combinación de datos satelitales para un mejor monitoreo de los bosques tropicales. Mojado. Clima
Chang. 6, 120–122.
Ruefenacht, B., Finco, MV, Nelson, MD, Czaplewski, R., Helmer, EH, Blackard, JA,
Holden, GR, Lister, AJ, Salajanu, D., Weyermann, D., 2008. Mapeo de tipos de bosques
contiguos de EE. UU. y Alaska utilizando datos de inventario y análisis de bosques.
Fotograma. Ing. Remoto. Sens. 74, 1379–1388.
Sabatia, CO, Burkhart, HE, 2014. Predicción del índice del sitio de la plantación de pino loblolly de
variables biofísicas. Para. Ecol. Administrar 326, 142–156.https://doi.org/10.1016/j.
foreco.2014.04.019.
Schleeweis, K., Goward, SN, Huang, C., Masek, JG, Moisen, G., Kennedy, RE, Thomas,
NE, 2013. Dinámica regional del cambio en el dosel forestal y procesos causales subyacentes
en los Estados Unidos contiguos. J. Geophys. Res. Biogeosci. 118, 1035–1053.https: // doi.
org/10.1002/jgrg.20076.
Schroeder, TA, Healey, SP, Moisen, GG, Frescino, TS, Cohen, WB, Huang, C.,
Kennedy, RE, Yang, Z., 2014. Mejora de las estimaciones de la perturbación forestal mediante la
combinación de observaciones de series temporales de Landsat con datos del Inventario y análisis
forestal del Servicio Forestal de EE. UU. Sensores remotos Reinar. 154, 61–73.https://doi.org/10. 1016 /
j.rse.2014.08.005.
Shamsoddini, A., Trinder, JC, Turner, R., 2013. Mapeo de estructuras de plantaciones de pino usando
Imagen multiespectral WorldView-2. En t. J. Sensores Remotos. 34, 3986–4007.https: // doi.
org/10.1080/01431161.2013.772308.
Smith, JE, Heath, LS, Skog, KE, Birdsey, RA, 2006. Métodos para calcular bosques
Ecosistema y carbono recolectado con estimaciones estándar para tipos de bosques de los Estados
Unidos. general tecnología Reps. NE-343. (Newtown Square, Pensilvania).
Sohngren, B., Brown, S., 2008. Ampliación de las rotaciones de madera: implicaciones de carbono y costos.
Clima polaco 8, 435–451.https://doi.org/10.3763/cpol.2007.0396.
Song, C., Schroeder, TA, Cohen, WB, 2007. Predicción del éxito de los bosques templados de coníferas
distribuciones de etapas de transición con imágenes multitemporales de Landsat Thematic
Mapper. Sensores remotos Reinar. 106, 228–237.https://doi.org/10.1016/j.rse.2006.08.008.
Therneau, T., Atkinson, B., Ripley, B., 2015. rpart: partición recursiva y regresión
Árboles.
Torbick, N., Ledoux, L., Salas, W., Zhao, M., 2016. Mapeo regional de la extensión de las plantaciones
utilizando imágenes multisensor. Sensores remotos 8.
van Aardt, JAN, Norris-Rogers, M., 2008. Espectral: interacciones de edad en
Plantaciones de eucaliptos añosos: aplicación de análisis discriminante y enfoques de
árboles de clasificación y regresión a datos hiperespectrales. En t. J. Sensores Remotos. 29,
1841–1845.https://doi.org/10.1080/01431160701874546.
Van Aardt, JAN, Wynne, RH, 2007. Examinando la separabilidad espectral de pino usando hy-
datos perespectrales de un sensor aerotransportado: una extensión de los resultados basados en el
campo. En t. J. Sensores Remotos. 28, 431–436.https://doi.org/10.1080/01431160500444772. Wear,
DN, Greis, JG, 2002. Evaluación de recursos forestales del sur - Informe técnico.
general tecnología Reps. SRS-53. (Asheville, Carolina del Norte).
Wear, DN, Greis, JG, 2013. El Proyecto de Futuros Forestales del Sur: Informe Técnico. general
tecnología Reps. SRS-GTR-178. (Asheville, Carolina del Norte).
Wear, DN, Prestemon, JP, Foster, MO, 2016. Productos forestales estadounidenses en el mundo
economía. J. Para. 114, 483–493.https://doi.org/10.5849/jof.15-091.
ME Fagan et al.
Williams, CA, Collatz, GJ, Masek, J., Huang, C., Goward, SN, 2014. Impactos de dis-
Historial de disturbios en las existencias y flujos de carbono forestal: fusión de mapas satelitales de
disturbios con datos de inventario forestal en un marco de modelo del ciclo del carbono. Sensores
remotos Reinar. 151, 57–71.https://doi.org/10.1016/j.rse.2013.10.034.
Xian, G., Homer, C., Fry, J., 2009. Actualización de la Base de Datos Nacional de Cobertura Terrestre de 2001
clasificación de cobertura hasta 2006 mediante el uso de métodos de detección de cambios de imágenes
Landsat. Sensores remotos Reinar. 113, 1133–1147.https://doi.org/10.1016/j.rse.2009.02.004. Yeo, I.-Y., Huang, C.,
2013. Revisión de la teoría de la transición forestal con registros históricos
y datos geoespaciales: un estudio de caso de Mississippi (EE.UU.). Política de uso de la tierra 32, 1–13.
https://doi.org/10.1016/j.landusepol.2012.09.017.
Zhang, D., Polyakov, M., 2010. La distribución geográfica de los bosques de plantación y
recursos de tierra potencialmente disponibles para plantaciones de pinos en el sur de EE.UU. Biomasa
426
Detección remota del medio ambiente 216 (2018) 415–426
Bioenergía 34, 1643–1654.https://doi.org/10.1016/j.biombioe.2010.05.006. Zhang, Z., Liu, X.,
Peterson, J., Wright, W., 2011. Selva tropical templada fría y bosques adyacentes
clasificación de bosques utilizando datos LiDAR aerotransportados. Área 43, 438–448.https://doi.org/
10.1111 / j.1475-4762.2011.01035.x.
Zhao, F., Huang, C., Goward, SN, Schleeweis, K., Rishmawi, K., Lindsey, MA, Denning,
E., Keddell, L., Cohen, WB, Yang, Z., 2018. Desarrollo de mapas históricos anuales de perturbaciones
forestales de EE. UU. basados en Landsat (1986–2010) en apoyo del Programa de Carbono de
América del Norte (NACP). Sensores remotos Reinar. 209, 312–326.
Zhou, D., Liu, S., Oeding, J., Zhao, S., 2013. Tala de bosques e impactos sobre el carbono en el
Este de Estados Unidos. 3 págs. 3547.
Zhu, Z., Woodcock, CE, Olofsson, P., 2012. Monitoreo continuo de perturbaciones forestales
utilizando todas las imágenes Landsat disponibles. Sensores remotos Reinar. 122, 75–91.