Evaluación de la estructura horizontal y vertical de bosque

Evaluación de la estructura horizontal y vertical de bosque nativo usando LIDAR
J. Hernández P. y P. Corvalán V.
Laboratorio de Geomática y Ecología del Paisaje
Facultad de Ciencias Forestales y Conservación de la Naturaleza
UNIVERSIDAD DE CHILE
RESUMEN
La medición terrestre de la estructura horizontal y vertical de los bosques tiene múltiples aplicaciones
tanto en gestión del recurso forestal como en conservación de la biodiversidad, pero es un método de
obtención de información lento y caro. Por ello se analiza el uso de información LIDAR como método
alternativo en bosques naturales dominados por la especie Nothofagus oblicua en la pre-cordillera de
Curicó, Chile. Tanto los datos LIDAR como los datos de terreno fueron capturados sobre una
superficie de 1.300 ha en el mismo periodo. Se utilizaron datos de cuatro ensayos de raleo más una
zona testigo, cada una de una hectárea. De la nube de puntos LIDAR se extrajo los modelos digitales
de superficie (MDS) y de terreno (MDT). De la diferencia entre ambos de obtuvo el modelo digital de
de la vegetación (MDC), que permitió clasificar y estratificar las superficies de bosque y no-bosque.
Sobre un segmento de la información de las superficies clasificadas como bosque se realizó una
modelación y extracción de parámetros de la distribución estadística de puntos LIDAR, por unidades
de superficie cuadradas continuas, que permitió una caracterizar la estructura vertical de la vegetación,
lo cual fue calibrada con los datos de terreno. El resto de información fue utilizada para validar el
modelo. El análisis de los parámetros de la variación espacial de las variables estimadas con LIDAR
permitió evaluar la heterogeneidad horizontal de la estructura de la vegetación. Los resultados indican
que usando la clasificación de estructuras basadas en modelos que utilizan información LIDAR no
existen evidencias significativas con respecto a la clasificación realizada con los datos de terreno,
quedando de manifiesto así el potencial del uso de esta tecnología en bosques nativos y poco
accesibles.
INTRODUCCIÓN
La mensura tradicional ha sido impactada a partir de los años 80` por la aparición del uso de láser
aerotransportado que permite una colecta masiva de datos de alta precisión (Nelson et al. 1984,
Aldred y Bonnor 1985, Maclean y Krabill 1986). Los estudios iniciales se han concentrado en la
determinación del perfil de alturas, densidad del rodal, determinación de especies y estimación de
biomasa (Nelson et al. 1997, Nilsson 1996, y Holmgren 2003). A fines de los 80` la aparición
comercial del GPS permite realizar precisas mediciones espaciales a gran escala y sumado al desarrollo
de los sistemas inerciales de vuelo INS que permiten la colecta de nubes de puntos 3D del láser. Hoy es
posible colectar los reflejos del láser aerotransportado (ALS) tanto del primer, el último como los
múltiples pulsos junto con forma de ondas continuas y fotos aéreas, simultáneamente (Ackermann
1999, Wehr y Lohr 1999 y Steinvall 2003). Las primeras aplicaciones en el campo forestal fueron la
determinación de la elevación del terreno (Kraus y Pfeifer 1998), la estimación de la altura media y el
volumen del rodal (Næsset, 1997a, b), determinación de la altura y volumen de árbol individual
1
(Hyyppä y Inkinen 1999, Brandberg 1999), clasificación de especies (Brandtberg et al. 2003, Holmgren
y Persson 2004) y medición del crecimiento forestal y detección de árboles cosechados (Yu et al.
2004).Las experiencias de Canadá, Noruega, Suecia y Finlandia están reportadas en Næsset (2003),
Nilsson et al. (2003) y Hyyppä et al. (2003).
La extracción de variables de estado de rodal ha sido dividida en métodos basados en estadística y
procesos de imágenes. En primeros, las características y factores de predicción se evalúan desde
modelos de superficie derivados de las mediciones láser y de nubes de puntos, que se utilizan
directamente para la estimación de parámetros forestales, por lo general mediante una regresión o
análisis discriminante. En los segundos se utiliza más eficientemente la información de las vecindades
de nubes de puntos y píxeles de DSM. Las características físicas tales como copas, árboles
individuales, grupo de árboles, o el rodal completo, pueden ser delineadas usando técnicas de
procesamiento de imágenes. Después de ese proceso, los parámetros de rodal se evalúan usando los
modelos existentes y los métodos estadísticos. Maclean (1982) demuestra que el área del dosel está
directamente relacionada con el logaritmo del volumen de madera. Maclean y Krabill (1986) mostraron
que fijando un umbral de medición de altura, se podría estimar más precisamente el volumen de
madera que midiendo toda la cubierta del dosel. Los percentiles de distribución de alturas de dosel han
sido usadas como predictivas en modelos de regresión para estimar la altura media de los árboles, el
área basal y el volumen (Lefsky et al. 1999, Magnussen et al. 1999, 2000, Naesset 1997a,b, Naesset y
Okland 2002, Naesset 2002). En Means et al. (1999), un SLICER LIDAR de huella grande fue usado
en la estimación de la altura de los árboles, el área basal y la biomasa en bosques de Douglas-fir, con
alturas de árboles entre 7 y 52 m, con coeficientes de determinación de 0,95; 0,96 y 0,96
respectivamente. El cierre de dosel se determinó como la proporción de la suma de reflexiones del
dosel y el suelo. Naesset (2002), estimó varios atributos del rodal usando la altura y densidad del dosel
usando un procedimiento de dos pasos y datos de terreno. Las métricas de altura del dosel incluyen
quantiles correspondientes a 0,10,…. 0,90 del total de percentiles del primer pulso láser del dosel y sus
correspondientes estadísticas. Riano et al. (2003) usaron varios parámetros estadísticos para modelar el
comportamiento del fuego. La cubierta de árboles fue calculada como la proporción de reflejos de
pulso del dosel dividido por el total de pulsos. La densidad del volumen de la copa se obtuvo desde la
estimación de la biomasa foliar y el volumen de copa usando ecuaciones empíricas para la
determinación de la masa foliar. El volumen de la copa fue estimada como el área de la copa
multiplicado por la altura después de una corrección para la cobertura media del dosel.
Holmgren y Persson (2004) definieron un gran número de variables de para la clasificación de especies
de árbol, por ejemplo, la desviación estándar relativa de la altura de los árboles, la proporción de los
retorno simples y la proporción de puntos de cobertura como el numero de retornos que fueron
ubicados sobre las base de las copas dividida por el número total de retornos del segmento, la forma de
la copa -ajustando una superficie parabólica la nube de puntos láser-, la intensidad media y desviación
estándar de ambos retornos.
La estructura horizontal y vertical de los bosques es una variable de creciente interés a evaluar por su
directa relación con los temas de biodiversidad, sin embargo sus mediciones se realizan en base a
2
inventarios forestales tradicionales. Por ello es de especial interés evaluar la potencialidad de la
tecnología LIDAR en la determinación de estructuras de bosque en términos comparativos a los
inventarios tradicionales. En este trabajo se compara la estimación de la densidad de árboles, cobertura
arbórea, alturas totales máximas y diversidad del dosel medido en unidades de 20m x 20 m y la
estimación de atributos equivalentes obtenidos a partir de información LIDAR.
MATERIAL Y MÉTODOS
Zona de estudio: El estudio se realizó en el predio Monteoscuro, ubicado en la precordillera de Curicó,
VII Región de Chile. El área de trabajo se localizó en una meseta ubicada a 1000 m.s.n.m. cubierta por
renovales del tipo forestal Roble-Hualo, con predominancia de la especie Nothofagus oblicua
acompañado por Quillaja saponaria, Cryptocaria alba, Citronella mucronata, Maytenus boaria,
Austrocedrus chilensis en el estrato arbóreo y Luma apiculata, Azara petiolaris, Aristotelia chilensis y
Lomatia dentata en el estrato arbustivo.
Descripción de los ensayos:Con el objeto de evaluar la aplicación de la tecnología LIDAR en la
detección de la estructura de la vegetación, se realizaron 4 ensayos de raleo sobre parcelas de 1 ha. El
tratamiento T1 (2 parcelas) dejó un individuo por cepa, un distanciamiento medio de cinco metros y la
eliminación de todo el sotobosque. El tratamiento T2 (2 parcelas) tuvo el mismo tratamiento que el
tratamiento T1 pero además sin eliminar el sotobosque. Adicionalmente, se evaluó una parcela testigo
T3, también de 1 ha, adyacente a los ensayos de raleo anteriores. En cada parcela de registró las
siguientes variables para cada individuo: coordenadas UTM, especie, diámetro normal (DAP),
diámetros de copa en dirección Norte-Sur y Este Oeste y la altura total. La distribución espacial de los
tratamientos se indica en la figura 1.
200 m
CHILE
REGIONES
Figura 1. Ubicación de zona de estudio y ensayos de Raleo. T1, T2 y T3 indican los tratamientos de raleo de árboles más
sotobosque, solo árboles y testigo, respectivamente.
3
Los datos LIDAR e imagen digital aérea (VIS-IR) fueron adquiridos a fines de Febrero del año 2011
por la empresa Digimapas Chile Ltd. (www.digimapas.cl), usando un set Harrier 56/G4 Dual System
montado sobre un Piper PA-24 Comanche. El vuelo fue conducido a una altura predio sobre el nivel del
suelo de 580 m sin error de GPS, a una velocidad promedio entre los 180 a 210km/h y con una
densidad de 4.64 puntos por m2 (p/m2). Los parámetros más importantes se muestran en la Tabla 1.
Parámetros
Valores
Sensor
Harrier 56 (Trimble)
Scanner
Riegl LMS-Q560
Tiempo
14:05-15:23
Velocidad de vuelo
180 a 210 km/h
Frecuencia de pulso
100 kHz
Ángulo de divergencia
0.5 mrad
Frecuencia de escaneo
100 Hz
Visión de campo
22.5 °
Diámetro de la huella
29 cm
Longitud de onda del laser 1550 nm
Altura de vuelo
580 m
Densidad de puntos
4.64 p/m2
Tabla 1. Parámetros del vuelo LIDAR.
Procesamiento de datos LIDAR: En primer lugar, se convirtió los datos ASCII a formato *.LAS
(ASPRS, 2010) y luego se aplicó el algoritmo de curvatura multiescala (MCC-LIDAR) para clasificar
los puntos que corresponden a terreno (Evans y Hudak, 2007). Se utilizó los valores de 1,5 y 0,3 como
parámetros de escala y el umbral. Una vez que los puntos de terreno fueron clasificados se realizó una
interpolación sobre los datos para obtener los modelos digitales de terreno (MDT) utilizando solo los
puntos clasificados previamente como terreno, y un modelo digital de superficies (DSM) utilizando
todos los puntos restantes o no-terreno (Isenburg et al. 2006). Posteriormente, se obtuvo la diferencia
entre ambos modelos los datos para obtener un modelo normalizado de objetos digitales que en el caso
de ambientes forestales se asume como un modelo digital de copas (DCM). Todos los modelos
digitales tienen una resolución espacial de 1 metro. Paralelamente se trabajó directamente sobre la nube
de puntos (NDP) normalizada (i.e. a cada punto se resto la altura de terreno). Para ello se desarrolló un
algoritmo que permite contar el número de puntos LIDAR al interior de cubos en el espacio 3D (ver
figura 2). Los cubos pueden tener un tamaño variable en los ejes X, Y, y Z (ej.: 4m x 4m x 1m) y se
apilan en el sentido vertical hasta que ya no existan puntos LIDAR. De esta forma se obtiene una malla
completa de cubos apilados para toda la superficie de estudio. Estos datos son complementarios al
DCM pues dan cuenta de la densidad de puntos bajo el dosel arbóreo dominante y no solo de sus
máximos.
Procesamiento de imágenes aéreas: Las imágenes digitales aéreas (VIS+IR) fueron ortorectificadas
usando los propios datos LIDAR y dispuestas en formato IMG de Erdas Imagine (Leica
GeosystemsRM). La resolución espacial final fue de 1 metro.
Diseño del análisis espacial: Para realizar estimaciones a nivel local, se dividió todas la parcelas en
unidades de 20 x 20 metros usando una grilla sistemática, lo cual originó un total de 110 sub-parcelas
Adicionalmente, la fotointerpretación utiliza sólo el espectro lumínico como información básica para la
4
clasificación sin considerar la altura. Las diferencias tienen una clara tendencia gradual, que es posible
corregir con un modelo lineal o cuadrático. en total. De esta forma, los tratamientos T1, T2 y T3
contienen 45, 45 y 20 sub-parcelas, respectivamente. Este diseño se estableció para realizar las
estimaciones de las variables estructurales a nivel de sub-parcela, y posteriormente vaLIDARlas con
los datos de terreno.
Obtención de variables de estructura horizontal: Se definieron dos variables para caracterizar la
estructura horizontal, la cobertura arbórea (C) y el número de árboles por sub-parcela (N). De esta
forma, Cest fue estimado utilizando cubos apilados derivados de la NDP de cada sub-parcela, de tamaño
4m x 4m x 1m. Se clasificó como bosque a todas las pilas de cubos que tuviesen una cuenta mayor a
cero a partir de los 6m de altura (i.e. sexto cubo apilado). Para obtener los datos de referencia (C obs)se
realizó una fotointerpretación sobre la zona de estudio y con la ayuda de una malla de puntos se asignó
el porcentaje de bosque y no-bosque en cada sub-parcela. Para la estimación del número de árboles
Nest, se procesó el MDC para crear rásters que daban cuenta de la superficie disponible para rangos de
altura, cada 4 metros a partir de los 6 metros. Una vez obtenidas las superficies por clase de altura, se
calculó, la cantidad de copas factible de ser contenidas en dicha superficie usando el tamaño de copa
correspondiente a árboles cuya altura total estuviese dentro del rango obtenido del DCM. Para el
cálculo de los tamaños de copas (m2) se utilizó un modelo altura-diámetro de copas ajustado con datos
de terreno. Para las labores de validación se calculó la cantidad de árboles por sub-parcela Nobs
agregando espacialmente los datos de terreno.
Obtención de variables de estructura vertical: La estructura vertical fue evaluada a través de dos
variables de estado, la altura dominante de los árboles (A) y la diversidad vertical a través del índice de
Shannon (S). El valor estima de alturas dominantes Aest, en cada su-parcela, se estimó utilizando los
valores máximos de las pilas de cubos previamente clasificado como bosque. Los valores observados
Aobs se obtuvieron de los datos de terreno. Para dar cuenta de la diversidad estructural (i.e. número de
estratos verticales) se utilizó el índice de diversidad de Shannon. El valor estimado Sest se obtuvo
procesando todas las pilas de cubos clasificadas como arbóreas y considerando cada cubo como una
"especie" distinta y cada cuenta de puntos de la NDP como "individuos". El valor asignado a cada subparcela fue el promedio de todas las pilas consideradas. El valor observado Sobs se obtuvo clasificando
la frecuencia de alturas totales en la sub-parcela en clases de 5 metros de altura a partir de las cuales se
calculó en Índice de Shannon, asumiendo que cada clase corresponde a una “especie”.
RESULTADOS Y DISCUSIÓN
Estructura horizontal
Cobertura arbórea : A nivel de sub-parcelas de 400 m2, Cest y Cobs se correlacionan linealmente con un
coeficiente de determinación de 0,52 % el que se ilustra en la figura 2A. La variación de porcentajes de
cobertura arbórea es homogénea y es del orden de un 30% (coeficiente de variación).
5
A
Cobertura Arbórea
80
75
70
65
60
55
50
45
40
35
30
30
25
20
15
10
5
0
-5
-10
-15
-20
-25
Residuos
Cest
Cobertura Arbórea
20
30
40
50
60
70
80
20
30
40
50
Cobs
Número de Árboles
B
15
10
Residuos
Nest
20
35
30
25
20
5
0
-5
-10
-15
0
10
20
30
40
50
0
10
20
30
Nobs
40
50
Nobs
Altura Dominante
Altura Dominante
23
22
21
20
19
18
17
16
15
14
13
12
8
6
4
Residuos
Aest
80
25
15
10
5
0
2
0
-2
-4
-6
10
15
20
25
30
10
15
20
Aobs
D
25
30
Aobs
Índice de Shannon
Índice de Shannon
1.5
1.4
1.3
0.5
0.4
0.3
1.2
1.1
1
0.9
Residuos
Sest
70
Número de Árboles
50
45
40
C
60
Cobs
0.8
0.7
0.6
0.5
0.2
0.1
0
-0.1
-0.2
-0.3
-0.4
0.6
0.8
1
1.2
Sobs
1.4
1.6
1.8
0.6
0.8
1
1.2
1.4
1.6
1.8
Sobs
Figura 2. A la derecha: dispersión de observados (obs) vs estimados (est) por los modelos de regresión espacial (WGR)
para las cuatro variables estructuradas evaluadas. Los colores indican grupos de quintiles respecto a la media de los residuos
(rojo y azul indican quintiles extremos).
6
Utilizando Cobs como valor de comparación, Cest tiende a estimar menos claros cuando la cobertura
arbórea es muy alta y a estimar más claros cuando la cobertura es muy escasa, teniendo un valor similar
a Cobs entorno a un 50 % de cobertura, como se observa en la figura 2A. Las diferencias obtenidas se
pueden explicar por la metodología de medición: fotointerpretación, la cual presenta dificultades en los
casos de cobertura arbórea extrema, ya que el conteo de puntos se realiza por comparación visual en un
contexto que es la sub-parcela, siendo propenso a clasificar como claros áreas situadas en la vecindad
de las copas cuando la cobertura es alta y que en realidad pueden corresponder a cobertura arbórea no
observada por sombra, y a clasificar como cobertura arbórea vegetación menor cuando el terreno tiene
baja cobertura.
Número de árboles por unidad de superficie: Para el número de árboles estimados en las sub-parcelas,
Nest y Nobs se correlacionan linealmente con un coeficiente de determinación de 0,62 % y un
coeficiente de variación de 70% el que se ilustra en la figura 2B. En áreas con muy baja densidad (100
árboles por hectárea o menos) las estimaciones con LIDAR son muy parecidas a la densidad realmente
medida en terreno. En áreas con baja densidad arbórea (250 árboles por hectárea) Nest tiende a estimar
mas árboles que los realmente contados, situación que se revierte con altas densidades donde tiende a
estimar menos árboles que los reales. Esta situación se puede explicar por varios factores: a) por el tipo
de origen de los árboles y su densidad, donde la relación área disponible por clase de altura dividido
por el área de copa promedio de su clase de altura varía dependiendo del tipo de bosque. En árboles
aislados y originados de semilla, la cantidad de individuos es menor que en renuevos densos de igual
área de copa y altura, b) por la diversidad de especies cuyos tamaños de copa difieren respecto de una
misma altura, c) por la estratificación de doseles, donde las copas de los árboles dominados quedan
ocultas en capas inferiores de altura. Del análisis gráfico de diferencias que se indica en la figura 2B,
entre Nobs y Nest se deduce que es posible corregir las estimaciones con un modelo parabólico.
Altura dominante: A diferencia de la cobertura y el número de árboles, la altura dominante
caracterizada como un atributo dendrométrico –el de la altura del árbol mayor- resulta ser un valor
puntual y por lo tanto sujeto a los errores propios de la identificación del individuos, los resultados de
la correlación entre Aobs y Aest presentan un coeficiente de determinación de 0,42 %, con un coeficiente
de variación de 22% que se ilustra en la figura 2C. Las diferencias entre Aobs y Aest tienen una
tendencia a aumentar a medida que la altura máxima es creciente. Este hecho se puede explicar en parte
por la estricta clasificación realizada sobre la posición y clasificación espacial de los árboles en las
subparcelas, situación que es altamente dependiente del error del GPS y también por errores propios de
la medición de alturas de terreno. De la observación de la gráfica de diferencias entre Aobs y Aest que se
indica en la figura 2C se advierte que los sesgos pueden ser fácilmente corregidos con un modelo
lineal. También se advierte algunos casos donde claramente existen discrepancias en la identificación
de individuo, situación que de ser mejorada subiría notablemente la correlación de las estimaciones.
La diversidad estructural del bosque medido a través de Sobs es sin duda una simplificación extrema de
la realidad ya que la información del dosel arbóreo medido por la simple clasificación de alturas en
frecuencias de clases resulta demasiado simple al compararla con Sest que recoge la dispersión espacial
de la biomasa arbórea en su estructura vertical. De todas formas, la correlación lineal empírica entre
7
Sobs y Sest presenta un coeficiente de determinación de 0,59 %, con un coeficiente de variación de 27 %
que se ilustra en la figura 2D. Las diferencias entre Sobs y Sest tienden a aumentar a medida que la
diversidad de estructura vertical crece. En los rodales más homogéneos (simples y poco densos), S est es
capaz de medir una mayor variación de diversidad estructural que Sobs debido a la gran cantidad de
información espacial que recoge de la nube de puntos que contienen los cubos superiores a 6 metros de
altura. En el otro extremo, - el de mayor diversidad vertical-,Sest registra una menor variación de
diversidad estructural que Sobs el que se puede explicar por la mayor uniformidad en la ocupación
espacial de la biomasa registrada en la nube de puntos. En este caso también es posible construir
modelos lineales de corrección entre Sobs y Sest.
CONCLUSIONES
Se puede afirmar que para la caracterización de la estructura horizontal del bosque, -medida a través de
la cobertura como la densidad arbórea- es posible establecer mediciones LIDAR alternativas a las
mediciones que se pueden realizar con la información habitual que recogen los inventarios forestales y
de forma más eficiente. Es claro que los datos LIDAR permite extraer información de muy buena
calidad en la medición de la cobertura arbórea, situación que debe ser mejor explorada en el caso de la
estimación de la densidad arbórea y que requiere de la construcción de algoritmos para resolver el
tema de la identificación, delimitación y medición de copas de árboles individuales actualmente en
desarrollo.
En el caso de la estructura vertical ocurre algo similar. La medición de alturas máximas con LIDAR en
las sub-parcelas es de alta precisión en comparación con las mediciones de altura de terreno. Lo mismo
ocurre con la medición de la diversidad estructural donde la caracterización de los doseles a través de la
nube de puntos da cuenta de una mejor caracterización que la deducible de los inventarios forestales.
Las mediciones realizadas con LIDAR son transformables a estimaciones utilizadas en los inventarios
forestales, lo cual permite resultados comparables con ambas metodologías.
REFERENCIAS






Ackermann, F., 1999. Airborne laser scanning - Present status and future expectations. ISPRS Journal
Of Photogrammetry and Remote Sensing 54, pp. 64-67.
Aldred, A.H. and Bonnor, G.M., 1985. Application of airborne lasers to forest surveys. Information
Report PI-X-51, Canadian Forestry Service, Petawawa national Forestry Institute, 62 p.
Brandtberg, T., 1999. Automatic individual tree-based analysis of high spatial resolution remotely
sensed data. PhD thesis, Acta Universitatis. Agriculutae Sueciae, Silvestria 118, Swedish University of
Agricultural Sciences, Uppsala, Sweden. 47 p.
Brandtberg, T., Warner T., Landenberger, R., McGraw, J., 2003. Detection and analysis of individual
leaf-off tree crowns in small footprint, high sampling density LIDAR data from the eastern deciduous
forest in North America. Remote Sensing of Environment 85, pp. 290-303.
Evans, Jeffrey S.; Hudak, Andrew T. 2007. A multiscale curvature algorithm for classifying discrete
return LIDAR in forested environments. Geoscience and Remote Sensing. 45(4): 1029-1038.
Holmgren, J., 2003. Estimation of forest variables using airborne laser scanning. PhD Thesis. Acta
Universitatis. Agriculutae Sueciae, Silvestria 278. Swedish University of Agricultural Sciences, Umeå,
Sweden.
8




















Holmgren, J., Persson, Å., 2004. Identifying species of individual trees using airborne laser scanning.
Remote Sensing of Environment 90, pp. 415-423.
Hyyppä, J., Hyyppä, H., Maltamo, M., Yu, X., Ahokas, E., Pyysalo, U., 2003a. Laser Scanning of Forest
Resources - Some of the Finnish Experience. Proceedings of the ScandLaser Scientific Workshop on
Airborne Laser Scanning of Forests, September 3-4, 2003, Umeå, Sweden, pp. 53-59.
Hyyppä, J. and Inkinen, M., 1999. Detecting and estimating attributes for single trees using laser
scanner. The Photogrammetric Journal of Finland, 16, pp. 27-42.
Isenburg, M., Liu, Y., Shewchuk, J., Snoeyink, J. y Thirion, T. 2006. Generating Raster DEM from
Mass Points via TIN Streaming, GIScience'06 Conference Proceedings, pages 186-198, September
2006.
Kraus, K., Pfeifer, N., 1998. Determination of terrain models in wooded areas with airborne laser
scanner data. ISPRS Journal of Photogrammetry and Remote Sensing 53, pp.193¬-203.
Lefsky, M. A., Harding, D., Cohen, W. B., Parker, G. and Shugart, H. H. 1999. Surface LIDAR remote
sensing of basal area and biomass in deciduous forests of Eastern Maryland, USA. Remote Sensing of
Environment, 67, 83– 98.
Maclean, G., 1982. Timber volume estimation using cross¬sectional photogrammetric and densitometric
methods, MSc thesis, University of Wiscousin, Madison, 227p.
Maclean, G., Krabill, W., 1986. Gross-merchantable timber volume estimation using an airborne LIDAR
system. Canadian Journal of Remote Sensing 12, pp. 7-18.
Magnussen, S., Eggermont, P., LaRiccia, V.N., 1999. Recovering tree heights from airborne laser
scanner data. Forest Science 45, pp. 407-422.
Means, J., Acker, S., Harding, D., Blair, J., Lefsky, M., Cohen, W., Harmon, M., McKee, A., 1999. Use
of large¬footprint scanning airborne LIDAR to estimate forest stand characteristics in the western
cascades of Oregon. Remote Sensing of Environment 67, pp.298-308.
Næsset, E., 2002. Predicting forest stand characteristics with airborne scanning laser using a practical
two-stage procedure and field data. Remote Sensing of Environment 80, pp.88-99.
Næsset, E., 2003. Laser Scanning of Forest Resources – the Norwegian Experience. Proceedings of the
ScandLaser Scientific Workshop on Airborne Laser Scanning of Forests, September 3-4, Umeå,
Sweden, pp. 35-42.
Næsset, E. 1997 a. Determination of mean tree height of forest stands using airborne laser scanner data.
ISPRS Journal of Photogrammetry and Remote Sensing 52, pp. 49-56.
Næsset, E. 1997 b. Estimating timber volume of forest stands using airborne laser scanner data. Remote
Sensing of Environment 61, pp-246-253.
Næsset, E. ,Økland, T., 2002. Estimating tree height and tree crown properties using airborne scanning
laser in a boreal nature reserve. Remote Sensing of Environment 79, pp. 105¬-115.
Nelson, R., Krabill, W. and Maclean, G., 1984. Determining forest canopy characteristics using airborne
laser data, Remote Sensing of Environment 15, pp. 201-212.
Nelson, R., Oderwald, R., Gregoire, T, 1997. Separating the Ground and Airborne Laser Sampling
Phases To Estimate Tropical Forest Basal Area, Volume, and Biomass. Remote Sensing of Environment
60, pp. 311-326.
Nilsson, M. 1996. Estimation of tree heights and stand volume using an airborne LIDAR system.
Remote Sensing of Environment 56, pp. 1-7.
Nilsson, M., Brandtberg, T., Hagner, O., Holmgren, J., Persson, Å., Steinvall, O., Sterner, H., Söderman,
U., Olsson, H., 2003. Laser Scanning of Forest Resources – the Swedish Experience. Proceedings of the
ScandLaser Scientific.
Riaño, D., Meier, E., Allgöwer, B., Chuvieco, E., & Ustin, S. L. 2003. Modelling airborne laser scanning
data for the spatial generation of critical forest parameters in fire behaviour modelling. Remote Sensing
of Environment, 86: 177−186.
9


Steinvall, O., 2003. Laser Systems for Vegetation and Terrain mapping – a Look at Present and Future
Technologies and Capabilities. Proceedings of the ScandLaser Scientific Workshop on Airborne Laser Scanning of
Forests, September 3-4, 2003, Umeå, Sweden, pp. 9-20.
Wehr, A., Lohr, U., 1999. Airborne laser scanning -an introduction and overview. ISPRS Journal of
Photogrammetry and Remote Sensing 54, pp. 68-82.
10