ESCUELA DE DOCTORADO
INTERNACIONAL DE LA USC
Cecilia
Alonso Rego
Tesis doc o al
Es imación de biomasa y
ca ac e ís icas es uc u ales del
combus ible en comunidades de
ma o al desa bolado y pina es
en Galicia a pa i de escáne
láse e es e, láse aé eo e
in en a io de campo
Lugo, 2023
P og ama de doc o ado en Ingenie ía pa a el Desa ollo Ru al y Ci il
TESISDOCTORAL
Es imacióndebiomasayca ac e ís icas
es uc u alesdelcombus ibleencomunidadesde
ma o aldesa boladoypina esenGaliciaapa i
deescáne láse e es e,láse aé eoe
in en a iodecampo
CeciliaAlonsoRego
ESCUELADEDOCTORADOINTERNACIONAL
DELAUNIVERSIDADDESANTIAGODECOMPOSTELA
PROGRAMADEDOCTORADOENINGENIERÍAPARAELDESARROLLORURALYCIVIL
LUGO
AÑO2023
DECLARACIÓN DE LA AUTORA DE LA TESIS
Dña. Cecilia Alonso Rego
Tí ulo da ese: Es imación de biomasa y ca ac e ís icas es uc u ales del combus ible en
comunidades de ma o al desa bolado y pina es en Galicia a pa i de escáne láse e es e,
láse aé eo e in en a io de campo
P esen o mi esis, siguiendo el p ocedimien o adecuado al Reglamen o y decla o que:
1) La esis aba ca los esul ados de la elabo ación de mi abajo.
2) De se el caso, en la esis se hace e e encia a las colabo aciones que u o es e
abajo.
3) Con i mo que la esis no incu e en ningún ipo de plagio de o os au o es ni de
abajos p esen ados po mí pa a la ob ención de o os í ulos.
Y me comp ome o a p esen a el Comp omiso Documen al de Supe isión en el caso que
el o iginal no es é deposi ado en la Escuela.
En Lugo, 12 de junio de 2023.
Fi ma elec ónica
AUTORIZACIÓN
DE LOS
DIRECTORES
DE LA TESIS
Es imación de biomasa y ca ac e ís icas es uc u ales del combus ible en comunidades de
ma o al desa bolado y pina es en Galicia a pa i de escáne láse e es e, láse aé eo e
in en a io de campo
Dª.
Ana Da ía Ruíz González,
P o eso Ti ula del Depa amen o de Ingenie ía Ag o o es al
de la Uni e sidad de San iago de Compos ela.
D.
Ramón Albe o Díaz Va ela.
P o eso Con a ado Doc o del Depa amen o de Bo ánica
de la Uni e sidad de San iago de Compos ela.
INFORMAN:
Que la p esen e esis, se co esponde con el abajo ealizado po Dª. Cecilia Alonso Rego, bajo
nues a di ección, y a
u o izamos
su
p esen ación, conside ando
que eúne l os
equisi os
exigidos en el R
eglamen o
de Es udios de
Doc o ado de la USC,
y
que
como di ec o es
de es a no incu e en las causas de
abs ención
es ablecidas
en la Ley
40/2015.
De acue do con lo indicado en el Reglamen o de Es udios de Doc o ado, decla amos ambién
que la p esen e esis doc o al es idónea pa a se de endida en base a la modalidad de
COMPENDIO DE PUBLICACIONES, en los que la pa icipación de la doc o anda ue
decisi a pa a su elabo ación y las publicaciones se ajus an al Plan de In es igación.
En Lugo, 19 de junio de 2023
La p esen e esis doc o al ha sido inanciada po los siguien es p oyec os de in es igación: i)
GEPRIF (RTA 2014-00011-C04: Reducción de la se e idad del uego median e nue as
he amien as y ecnologías pa a la ges ión in eg ada de la p o ección con a incendios
o es ales) del Minis e io de Economía y Compe i i idad; ii) VIS4FIRE (RTA 2017-0042-C05-
05: Vulne abilidad in eg al de los sis emas o es ales en e a incendios: implicaciones en las
he amien as de ges ión o es al) del Minis e io de Economía, Indus ia y Compe i i idad; iii)
Ges ión y p oducción de bio ecu sos (BioReDes) Ag upación Es a égica 2018 (2018-PG099);
y i ) Ayuda de apoyo a la e apa p edoc o al (modalidad A) en las uni e sidades del SUG, en
los o ganismos públicos de in es igación de Galicia y en o as en idades del sis ema gallego de
I+D+i, inanciada po la "Conseje ía de Educación, Uni e sidad y Fo mación P o esional" y la
"Conseje ía de Economía, Empleo e Indus ia" de la Xun a de Galicia y el p og ama ope a i o
de la UE "FSE Galicia 2014-2020".
PREFACIO
La p esen e esis doc o al se ha podido desa olla g acias a la ayuda de una beca
p edoc o al de la Xun a de Galicia (modalidad A) en las uni e sidades del SUG, en los
o ganismos públicos de in es igación de Galicia y en o as en idades del sis ema gallego I+D+i,
co inanciadas pa cialmen e po el p og ama ope a i o FSE Galicia 2014-2020. Además, se
enma ca den o de las ac i idades con empladas en los dos p oyec os de in es igación
compe i i os que se de allan a con inuación y de los cuales la doc o anda ha o mado pa e del
equipo de abajo:
RTA2014-00011-C06-04. Reducción de la Se e idad del Fuego Median e Nue as
He amien as y Tecnologías pa a la Ges ión In eg ada de la P o ección con a los
Incendios Fo es ales “GEPRIF”
RTA2017-00042-C05-05. Vulne abilidad in eg al de los sis emas o es ales en e a
incendios: implicaciones en las he amien as de ges ión o es al “VIS4FIRE”.
El documen o de esis se p esen a de acue do con la no ma i a de los es udios de doc o ado
de la Uni e sidad de San iago de Compos ela bajo la modalidad de “compendio de a ículos”.
La esis incluye es a ículos cien í icos publicados en e is as in e nacionales de acceso
abie o y de e isión po pa es, inco po adas a la base de da os JCR (Jou nal Ci a ion Repo s)
de la pla a o ma Web o Science. Se ha añadido además al documen o una con ibución al 8º
Cong eso Fo es al Español (8CFE), di ec amen e elacionada con el a ículo 1. La e sión
o iginal de cada a ículo, así como de la con ibución al cong eso se incluyen en el apa ado de
Anexos del p esen e documen o.
A con inuación, se de allan las e e encias bibliog á icas comple as de los cua o
documen os, incluyendo sus índices de calidad. Después se especi ica la con ibución del
doc o ando a los mismos, así como de los p incipales au o es. También se incluye un apa ado
en el que se e e encian o as apo aciones cien í icas en las que la doc o anda ha colabo ado
du an e la ealización de su esis al o ma pa e del equipo de abajo de los p oyec os de
in es igación an e io men e ci ados.
Finalmen e se inco po a un b e e esumen de la es uc u a de la esis y de los con enidos
de los di e en es capí ulos.
Publicaciones incluidas en el documen o de esis con sus índices de calidad:
A ículo 1 (Anexo A)
Alonso-Rego, C., A ellano-Pé ez, S., Cabo, C., O doñez, C., Ál a ez-González, J.G., Díaz-
Va ela, R.A., Ruiz-González, A.D. (2020). Es ima ing uel loads and s uc u al cha ac e is ics
o sh ub communi ies by using e es ial lase scanning. Remo e Sensing, 12(22), 3704.
h ps://doi.o g/10.3390/ s12223704.
Re is a incluida en la base de da os JCR ocupando la posición 27 de 200 (86.75%) den o
del apa ado Geosciencies, Mul idisciplina y al alo a el índice de impac o (4.848) (Jou nal
Impac Fac o JIF), po lo que se a a de una e is a del p ime cua il (Q1) en el año de
publicación.
Re is a incluida en la base de da os JCR ocupando la posición 44 de 239 (81.80%) den o
del apa ado Geosciencies, Mul idisciplina y al alo a el índice de ci ación (1.15) (Jou nal
Ci a ion Indica o JCI), po lo que se a a de una e is a del p ime cua il (Q1) en el año de
publicación.
Ci as (26/05/2023): 10 ci as en Google Schola ; 8 ci as en Web o Science; 6 ci as en Scopus
Au o ización de la e is a: la e is a Remo e Sensing pe enece a la edi o ial MPDI, que
pe mi e la eu ilización del a ículo po la au o a como pa e de su esis doc o al:
h ps://www.mdpi.com/au ho s/ igh s
Comunicación 8CFE (Anexo B)
A ellano-Pé ez, S., Alonso-Rego, C., López-Fe nández, M., Ál a ez-González, J.G., Vega,
J.A., Ruíz-González, A.D. (2022). Es imaciones de ca ga y es uc u a e ical de o maciones
de ma o al a pa i de mediciones de obs ucción isual en campo. En 8º Cong eso Fo es al
Español (8CFE-211). Sociedad Española de Ciencias Fo es ales, Lleida, 27 de junio al 1 de
julio. ISBN 978-84-941695-6-4. (Ve documen o de au o ización en el Anexo B).
A ículo 2 (Anexo C)
Alonso-Rego, C., A ellano-Pé ez, S., Gue a-He nández, J., Molina-Vale o, J.A.,
Ma ínez-Cal o, A., Pé ez-C uzado, C., Cas edo-Do ado, F., González-Fe ei o, E., Ál a ez-
González, J.G., Ruiz-González, A.D. (2021). Es ima ing S and and Fi e-Rela ed Su ace and
Canopy Fuel Va iables in Pine S ands Using Low-Densi y Ai bo ne and Single-Scan Te es ial
Lase Scanning Da a. Remo e Sensing, 13(24), 5170. h ps://doi.o g/10.3390/ s13245170.
Re is a incluida en la base de da os JCR ocupando la posición 30 de 202 (85.40%) den o
del apa ado Geosciencies, Mul idisciplina y al alo a el índice de impac o (5.349) (Jou nal
Impac Fac o JIF), po lo que se a a de una e is a del p ime cua il (Q1) en el año de
publicación.
Re is a incluida en la base de da os JCR ocupando la posición 49 de 245 (80.20%) den o
del apa ado Geosciencies, Mul idisciplina y al alo a el índice de ci ación (1.09) (Jou nal
Ci a ion Indica o JCI), po lo que se a a de una e is a del p ime cua il (Q1) en el año de
publicación.
Ci as (26/05/2023): 10 ci as en Google Schola ; 6 ci as en Web o Science; 7 ci as en Scopus
Au o ización de la e is a: la e is a Remo e Sensing pe enece a la edi o ial MPDI, que
pe mi e la eu ilización del a ículo po la au o a como pa e de su esis doc o al:
h ps://www.mdpi.com/au ho s/ igh s
A ículo 3 (Anexo D)
Alonso-Rego, C., Fe nandes, P., Ál a ez-González, J.G., A ellano-Pé ez, S., Ruiz-
González, A.D. (2022). Indi idual-T ee and S and-Le el Models o Es ima ing Ladde Fuel
Biomass F ac ions in Unp uned Pinus adia a Plan a ions. Fo es s, 13(10), 1697.
h ps://doi.o g/10.3390/ 13101697.
Re is a incluida en la base de da os JCR ocupando la posición 14 de 69 (80.43%) den o
del apa ado Fo es y al alo a el índice de impac o (3.282) (Jou nal Impac Fac o JIF), po
lo que se a a de una e is a del p ime cua il (Q1) en el año de publicación.
Re is a incluida en la base de da os JCR ocupando la posición 12 de 90 (87.22%) den o
del apa ado Fo es y al alo a el índice de ci ación (1.11) (Jou nal Ci a ion Indica o JCI),
po lo que se a a de una e is a del p ime cua il (Q1) en el año de publicación.
Au o ización de la e is a: la e is a Fo es pe enece a la edi o ial MPDI, que pe mi e la
eu ilización del a ículo po la au o a como pa e de su esis doc o al:
h ps://www.mdpi.com/au ho s/ igh s
Es e a ículo de i a de una es ancia ealizada en la Uni e sidad de T as os Mon es e Al o
Dou o (Vila Real-Po ugal) bajo la supe isión del D . Paulo Alexande Ma ins Fe nandes y
inanciada po la beca p edoc o al de la Xun a de Galicia an e io men e mencionada.
Con ibución del au o a las publicaciones incluidas en el documen o de esis
La au o a de la p esen e esis igu a como p ime au o en los es a ículos JCR y como
segundo au o en la comunicación del 8CFE y ha enido una con ibución signi ica i a en las
siguien es a eas:
Concep ualización del abajo de in es igación jun o a los di ec o es de esis, la D a.
Ana Da ía Ruíz González y el D . Ramón Albe o Díaz Va ela, además del D . Juan
Gab iel Ál a ez (A ículo 1); la D a. Ana Da ía Ruíz González y el D . Juan Gab iel
Ál a ez (A ículos 2 y 3) y el u o esponsable de la es ancia de in es igación en la
Uni e sidad de T as os Mon es e Al o Dou o, el D . Paulo Alexande Ma ins
Fe nandes (A ículo 3).
Toma de da os de campo jun o con Ma io López Fe nández y los D s. S é ano A ellano
Pé ez y Ana Da ía Ruiz González.
P ocesado de la in o mación y análisis es adís ico de los da os conjun amen e con los
di ec o es, des acando además la especial ayuda del D . Juan Gab iel Ál a ez
González (A ículos 1, 2 y 3) y del D . Paulo Alexande Ma ins Fe nández (A ículo
3).
Análisis y Discusión de los esul ados jun o con el es o de los coau o es.
Redacción de los documen os jun o con los di ec o es de esis y el D . Juan Gab iel
Ál a ez González, y e isión inal de los mismos po los demás coau o es.
O as apo aciones cien í icas en las que la doc o anda ha colabo ado du an e el
desa ollo de la esis
A ículos cien í icos
Alonso-Rego, C., Ruíz-González, A.D., A ellano-Pé ez, S. (2018). E aluación y
ca og a iado de la se e idad de los g andes incendios ocu idos en el dis i o o es al XIV
(Ve ín-Viana) en e 2006-2016. Cuade nos de la Sociedad Española de Ciencias Fo es ales
44, (2):169-182.
A ellano-Pé ez, S., Cas edo-Do ado, F., Ál a ez-González, J.G., Alonso-Rego, C.,
Vega, J.A., Ruiz-González, A.D. (2020). Mid- e m e ec s o a hin-only ea men on uel
complex, po en ial i e beha iou and se e i y and pos - i e soil e osion p o ec ion in as -
g owing pine plan a ions. Fo es Ecology and Managemen 460, 117895.
Vega, J.A., A ellano-Pé ez, S., Ál a ez-González, J.G., Fe nández, C., Jiménez, E.,
Fe nández-Alonso, J.M., Vega-Nie a, D., B iones-He e a, C., Alonso-Rego, C., Fon ú bel, T.,
Ruiz-González, A.D. (2022). Modelling abo eg ound biomass and uel load componen s a
s and le el in sh ub communi ies in NW Spain. Fo es Ecology and Managemen , 505, 119926.
Vega, J.A., A ellano-Pé ez, S., Ál a ez-González, J.G., Fe nández, C., Jiménez, E.,
Cuiñas, P., Fe nández-Alonso, J.M., Vega-Nie a, D.J., Cas edo-Do ado, F., Alonso-Rego, C.,
Fon ú bel, T., Ruiz-González, A.D. (2022). Modelling uel loads o unde s o ey ege a ion and
o es loo componen s in pine s ands in NW Spain. Fo es Ecosys ems, 9, 100074.
Cong esos y euniones cien í icas
A ellano-Pé ez, S., Ruíz-González, A.D., Ál a ez-González, J.G., Vega-Hidalgo, J.A.,
Díaz-Va ela, R.A., Alonso-Rego, C. (2018). Mapping i e se e i y le els o bu ned a eas in
Galicia (NW Spain) by Landsa images and he dNBR index: P elimina y esul s abou he
in luence o opog aphical, me eo ological and uel ac o son he highes se e i y le el.
Fo ma o pós e . En VIII In e na ional Con e ence on Fo es Fi e Resea ch. Coimb a
(Po ugal), 10 a 16 de no iemb e.
Alonso-Rego, C., A ellano-Pé ez, S., Ruíz-González, A.D. (2019). Ca og a iado de los
ni eles de se e idad del uego de las zonas quemadas y de e minación de la impo ancia ela i a
de la me eo ología, opog a ía y ege ación en el dis i o o es al XIV (Ve ín-Viana) usando el
índice RdNBR (imágenes LANDSAT). (2019). Comunicación o al. En I cong eso de la
ju en ud in es igado a en p oducción p ima ia sos enible y calidad y segu idad alimen a ia
(JIPAS). Lugo, 28 a 29 de no iemb e.
Alonso-Rego, C., A ellano-Pé ez, S., Molina-Vale o, J.A., Ma ínez-Cla o, A., Pé ez-
C uzado, C., Cas edo-Do ado, F., González-Fe ei o, E., Ál a ez-González, J.G. y Ruíz-
González, A.D. (2021). Es imación de las a iables del combus ible de so obosque y del dosel
de copas elacionadas con el iesgo de incendios a pa i de da os de un único escaneo con TLS.
Comunicación o al. En I Wo kshop sob e Telede ección P óxima Te es e pa a Aplicaciones
Fo es ales. Lugo, 1 a 3 de sep iemb e.
Alonso-Rego, C., A ellano-Pé ez, S., Ruíz-González, A.D., Ál a ez-González, J.G.,
López-Fe nández, M., Romay-Río, M.F. (2022). Va iación de la humedad de los combus ibles
inos i os en o maciones de ma o al con p edominio de E ica aus alis y P e ospa um
iden a um en la mon aña o ien al de Lugo. Comunicación o al. En 8º Cong eso Fo es al
Español (8CFE-223). Sociedad Española de Ciencias Fo es ales, Lleida, 27 de junio al 1 de
julio. ISBN 978-84-941695-6-4.
A ellano-Pé ez, S., Gue a-He nández, J., Bo equim, B., Alonso-Rego, C., López-
Fe nández, M., Ál a ez-González, J.G., Guilhe me-Bo ges. J., Ruíz-González, A.D. (2022).
Es imación de la al u a del complejo de combus ible en comunidades de ma o al desa bolado
a pa i de da os LIDAR de baja densidad. Fo ma o pós e . En 8º Cong eso Fo es al Español
(8CFE-448). Sociedad Española de Ciencias Fo es ales, Lleida, 27 de junio al 1 de julio. ISBN
978-84-941695-6-4.
Es uc u a de la esis
El documen o de esis se es uc u a en 6 capí ulos y un apa ado de anexos donde se
inco po an los a ículos que la con o man. P e iamen e a los capí ulos se incluye un esumen
de la esis en cas ellano, inglés y gallego.
El p ime capí ulo se co esponde con una in oducción a la emá ica gene al del sec o
o es al de Galicia, los incendios o es ales, la impo ancia de la ca ga de combus ible y su
es imación, p opo cionado una isión global de los concep os básicos pa a con ex ualiza el
documen o.
En el segundo capí ulo se plan ean los obje i os p incipales que mo i a on la necesidad de
es a in es igación, odos ellos elacionados la es imación de ca gas y ca ac e ís icas
es uc u ales del combus ible, ya sea de ma o al desa bolado, so obosque bajo pina o dosel de
copas.
El e ce capí ulo, ma e ial y mé odos, desc ibe la in o mación u ilizada, así como las
me odologías de análisis empleadas, de allando la localización de las á eas de es udio, la
ecogida de da os y los di e en es p ocedimien os u ilizados pa a su a amien o. Se es uc u a
en unción de los a ículos, pues las me odologías y el a amien o de los da os son pa cialmen e
di e en es en cada uno de ellos. Además, pa a acili a su comp ensión, al inicio del apa ado
se mues a una abla esumen compa ando los di e en es aspec os más ele an es de cada uno
de los a ículos incluidos en la p esen e esis.
El cua o capí ulo, esul ados y discusión, se es uc u a sepa adamen e po a ículos,
exponiendo los esul ados ob enidos y apo ando una discusión en base a las di e en es
apo aciones de o os au o es elacionados con la emá ica de es udio.
A con inuación, se incluye el quin o capí ulo con las p incipales conclusiones de i adas
del abajo de in es igación; y, pa a inaliza , en el sex o capí ulo se enume an las e e encias
bibliog á icas u ilizadas.
ÍNDICE
RESUMEN .................................................................................................................................. I
RESUMO .................................................................................................................................. V
ABSTRACT ............................................................................................................................. IX
1.INTRODUCIÓN .............................................................................................................. 3
1.1 Sec o o es al de Galicia .................................................................................................. 3
1.1.1 Los pina es de Pinus adia a ...................................................................................... 5
1.1.2 Los pina es de Pinus pinas e ..................................................................................... 6
1.1.3 Las comunidades de ma o al desa bolado ................................................................. 7
1.2. El combus ible o es al .................................................................................................. 10
1.2.1. Clasi icación po es ado biológico y g oso ............................................................ 11
1.2.2. El complejo de combus ible, su dis ibución e ical y el ipo de incendio ............ 11
1.2.3. La ca ga de combus ible de supe icie ..................................................................... 13
1.2.4 Las a iables es uc u ales del dosel de copas y los combus ibles de con inuidad .. 14
1.2.5. La ges ión del combus ible ...................................................................................... 15
1.3 Uso del LiDAR aé eo y e es e en la e aluación de los combus ibles ......................... 16
1.3.1 Escáne láse Ae o anspo ado (ALS) ..................................................................... 17
1.3.2 Escáne láse Te es e (TLS) ................................................................................... 18
1.3.3 Combinación de TLS y ALS..................................................................................... 20
1.3.4 Técnicas es adís icas Machine Lea ning ................................................................... 21
2. OBJETIVOS ......................................................................................................................... 27
3. MATERIAL Y MÉTODOS ................................................................................................. 31
3.1 A ículo 1 y comunicación p esen ada al 8CFE ............................................................. 33
3.1.1. Á ea de es udio, selección de comunidades de ma o al y de pa celas ................... 33
3.1.2 In en a ios de campo y de e minación de ca ac e ís icas del combus ible .............. 35
3.1.3 Modelos de es imación de ca gas de combus ible .................................................... 42
3.2 A ículo 2 ........................................................................................................................ 46
3.2.1 Á ea de es udio y ed de pa celas ............................................................................. 46
3.2.2 Ob ención de da os y a iables calculadas................................................................ 48
3.2.3 Desa ollo de modelos .............................................................................................. 55
3.3. A ículo 3 ....................................................................................................................... 57
3.3.1 Selección de pa celas, in en a ios y cálculo de a iables ......................................... 57
3.3.2 Ecuaciones de es imación de biomasa o al po acciones pa a los p ime os 6 m del
onco a ni el de á bol indi idual ...................................................................................... 61
3.3.3. Dis ibución e ical de la biomasa po acciones en los p ime os 6 m del onco a
ni el de á bol indi idual. ................................................................................................... 62
3.3.4 Ca gas y dis ibución e ical de combus ibles en los p ime os 6 m del onco a ni el
de odal .............................................................................................................................. 63
3.3.5 Análisis es adís ico ................................................................................................... 63
4. RESULTADOS Y DISCUSIÓN ......................................................................................... 67
4.1 A ículo 1 y comunicación p esen ada al 8 CFE ............................................................ 67
4.1.1. Me odología de es imación di ec a de ca gas (ED) con TLS .................................. 67
4.1.2 Me odología de es imación indi ec a de ca gas (EI) con TLS ................................. 71
4.1.3. Me odología de obs ucción isual en campo ......................................................... 77
4.2 A ículo 2 ........................................................................................................................ 81
4.2.1. Modelos basados en mé icas de i adas de TLS ..................................................... 81
4.2.2. Modelos basados en mé icas de i adas de ALS .................................................... 84
4.2.3. Modelos MARS que combinan mé icas de i adas de TLS y ALS ........................ 87
4.3. A ículo 3 ....................................................................................................................... 97
4.3.1 Ecuaciones de es imación de biomasa o al po acciones pa a los p ime os 6 m del
onco a ni el de á bol indi idual y su dis ibución e ical ............................................. 97
4.3.2. Ecuaciones de es imación de ca ga de combus ible o al po acciones pa a los
p ime os 6 m del onco a ni el de odal y su dis ibución e ical ................................ 101
5. CONCLUSIONES ............................................................................................................. 109
6. BIBLIOGRAFÍA ............................................................................................................... 117
ANEXO A .............................................................................................................................. 141
ANEXO B .............................................................................................................................. 165
ANEXO C .............................................................................................................................. 183
ANEXO D .............................................................................................................................. 211
ÍNDICE DE FIGURAS
Figu a 1. 1. Dis ibución geog á ica de las masas de P. adia a en la Comunidad Au ónoma de
Galicia. Elabo ado a pa i de las eselas de Mapa Fo es al Español 1:25.000 (MFE25). ......... 5
Figu a 1. 2. Dis ibución geog á ica de las masas de P. pinas e en la Comunidad Au ónoma de
Galicia. Elabo ado a pa i de las eselas de Mapa Fo es al Español 1:25.000 (MFE25). ......... 7
Figu a 1. 3. Dis ibución geog á ica de las masas de ma o al desa bolado en la Comunidad
au ónoma de Galicia. Elabo ado a pa i de las eselas de Mapa Fo es al Español 1:25.000
(MFE25). .................................................................................................................................... 8
Figu a 1. 4. Ejemplos de las comunidades de ma o al desa bolado incluidas en la p esen e esis.
De a iba abajo: comunidades con dominancia de E ica aus alis, P e ospa um iden a um,
Ulex gallii y Ulex eu opaeus. ................................................................................................... 10
Figu a 1. 5. Esquema de los p incipales ipos de ap endizaje au omá ico (Machine lea ning), la
me odología u ilizada, los ipos de da os y las posibles aplicaciones en la ges ión de los
incendios o es ales. BRT = Boos ed eg ession ees; CART = Classi ica ion and eg ession
ee; DT = Decision ees; FA = ac o analysis; GA = Gene ic algo i hms; GAM = Gene alized
addi i e model; GLM = Gene alized linea model; GMM = Gaussian mix u e models; GP =
Gaussian p ocesses; KNN = K-nea es neighbo ; KM = k-means clus e ing; LDA = Linea
disc iminan analysis; LR = Logis ic eg ession; MaxEn = Maximum en opy; MARS =
Mul i a ia e adap i e eg ession splines; MLR = Mul iple linea eg ession; MM = Ma ko
models; PCA = P incipal componen analysis; RF = Random o es y SVM = Suppo ec o
machines. Elabo ación p opia a pa i de Jain e al. (2020). .................................................... 23
Figu a 3. 1. Localización geog á ica de las 55 pa celas ag upadas en 4 comunidades de ma o al
desa bolado empleadas en el desa ollo de modelos de es imación de ca gas de combus ible a
pa i de da os de TLS y de mé icas de i adas de da os de obs ucción isual. ...................... 34
Figu a 3. 2. Ejemplo de cuad ados de mues eo es ablecidos en comunidades dominadas po
Ulex gallii / Ulex mino (a iba, izquie da), Ulex eu opaeus (a iba, de echa), P e ospa um
iden a um (abajo, izquie da) y E ica aus alis (abajo, de echa) pa a el desa ollo de modelos
de es imación de ca gas de combus ible a pa i de da os de TLS y de mé icas de i adas de
da os de obs ucción isual. ...................................................................................................... 35
Figu a 3. 3. Ejemplo de uno de los cuad ados de mues eo incluyendo el ansec o lineal
(pe íme o y diagonal del cuad ado), la ubicación de la banda g aduada (cen o de la imagen) y
c oquis con la ubicación del TLS y las anjas limpias de ege ación (a iba, de echa). ......... 36
I
RESUMEN
Los incendios igu an en e las pe u baciones más des uc i as de los bosques, causando
impo an es daños económicos, ecológicos y sociales. El c ecien e núme o de g a es incendios
o es ales de los úl imos años concue da con las p e isiones de que el cambio climá ico
p o oca á enómenos ex emos más ecuen es, en o ma de megaincendios, que a ec a án a
g andes zonas y end án g a es e ec os sob e el suelo, la ege ación, los hábi a s de la auna e
incluso la pé dida de idas humanas. Los ges o es o es ales a an de p e eni el inicio y la
p opagación de los incendios o es ales median e la ges ión del combus ible, especialmen e en
las zonas p opensas a uegos de copas debido a su mayo in ensidad y ápida p opagación, que
a menudo supe an los es ue zos de ex inción y amenazan la segu idad.
La ca ga de biomasa de las o maciones ege ales, es deci , el peso seco de biomasa po
unidad de supe icie y su dis ibución po acciones de amaño y es ado biológico
( i o/mue o), jun o con o as ca ac e ís icas es uc u ales como su al u a media, o la densidad
apa en e (biomasa po unidad de olumen), a ec an en g an medida a la can idad de combus ible
consumida du an e el incendio, a la elocidad de p opagación o la in ensidad, así como a los
po enciales e ec os del uego.
En Galicia, egión en la que se enma ca p incipalmen e es e es udio, la ges ión del
combus ible es una a ea especialmen e necesa ia po el ápido c ecimien o de la ege ación y
la g an acumulación de combus ible, an o en ma o ales desa bolados como en el so obosque
bajo a bolado. Además, el c ecien e abandono de los e enos ag ícolas y el aumen o de la
in e az u bano- o es al es án a o eciendo la con inuidad de la supe icie o es al. Po o o
lado, el aumen o de la demanda de made a jun o con unas condiciones climá icas a o ables,
han p opiciado el es ablecimien o de plan aciones o es ales de especies de c ecimien o ápido
como Pinus pinas e Ai . y Pinus adia a D. Don. cuya ges ión es undamen al pa a educi el
iesgo de uego de copas. Pinus adia a en conc e o, es una especie con muy mala poda na u al
cuyos odales, si no se ges ionan as el cie e de copas, mues an una p eocupan e con inuidad
e ical en e los combus ibles de supe icie y del dosel pues o que las amas in e io es al
seca se acumulan can idades signi ica i as de biomasa ina mue a, incluyendo amillas y
acículas suspendidas.
Una co ec a ges ión del combus ible debe de i acompañada de una p e ia ca ac e ización
del mismo que pe mi a alo a la e icacia de di e en es al e na i as median e el uso de modelos
o sis emas de simulación del compo amien o y de los e ec os del uego. De es a o ma, se
op imiza á la epe cusión de la ges ión del combus ible en la ges ión del incendio y en su
se e idad. Hoy en día exis en po enciales al e na i as al adicional in en a io de campo pa a
la ca ac e ización de los combus ibles, incluyendo la ecnología LiDAR, an o e es e (TLS)
como ae o anspo ado (ALS), cuya p incipal o aleza es su capacidad de aplicación a g an
escala pa a acili a el ca og a iado de los combus ibles.
Teniendo en cuen a lo an e io , los obje i os de es a in es igación doc o al, que apa ecen
más desglosados en el apa ado 2 son: i) e alua el uso po encial de da os p oceden es de un
único escaneo de TLS y de écnicas de obs ucción isual en campo pa a p opo ciona
es imaciones p ecisas de ca gas de combus ible desag egadas po clase de amaño y es ado
ege a i o en cua o de las p incipales comunidades de ma o al desa bolado de Galicia: Ulex
II
eu opaeus L, Ulex gallii Planch, P e ospa um iden a um L. Wilk y E ica aus alis L.
(A ículo 1 y comunicación 8CFE); ii) ca ac e iza la es uc u a e ical y espacial de la
biomasa en odales de Pinus pinas e y Pinus adia a median e el empleo de senso es emo os
(TLS y ALS), es udiando el uso po encial de sus mé icas po sepa ado y la in eg ación de
ambas pa a p opo ciona es imaciones p ecisas de a iables del combus ible elacionadas con
los incendios de supe icie y del dosel de copas (A ículo 2); y iii) desa olla modelos de
es imación de la biomasa mue a que se acumula en las amas secas de la pa e in e io de las
copas (ladde uels) a ni el de á bol indi idual y de odal en plan aciones de Pinus adia a sin
poda (A ículo 3).
Pa a el desa ollo del p ime obje i o (A ículo 1 y comunicación 8CFE), se ealiza on
in en a ios no des uc i os en un o al de 55 pa celas en comunidades de ma o al desa bolado
con dominancia de las especies an e io men e mencionadas y dis ibuidas po oda Galicia. A
pa i de los in en a ios se de e minó la al u a media y la cobe u a de la ege ación, así como
el espeso de la hoja asca y man illo en cada pa cela, es imándose las ca gas a pa i de
ecuaciones especí icas pa a cada especie. Además, se lle ó a cabo un único escaneo con un
láse e es e (TLS) en cada pa cela y se calcula on mé icas elacionadas con la dis ibución
e ical y ho izon al de las nubes de pun os ob enidas. Se compa a on dos en oques al e na i os
pa a es ima las ca gas de combus ible desag egadas po acciones a pa i de los da os del
TLS: i) es imación indi ec a en dos pasos (EI) basada en el ajus e de es ecuaciones pa a
es ima espec i amen e la al u a del ma o al, su cobe u a y el espeso de la hoja asca a pa i
de los da os del TLS pa a después, u iliza es as es imaciones como en adas de las ecuaciones
exis en es de ca ga de combus ible; y ii) es imación di ec a (ED), consis en e en ajus a
ecuaciones pa a cada acción de combus ible de in e és, elacionando di ec amen e las
es imaciones de ca ga con los da os del TLS. En gene al, el en oque di ec o p odujo mejo es
es adís icos de bondad de ajus e pa a las acciones conside adas conjun amen e, con
ecuaciones que explican más del 80% de la a iabilidad obse ada pa a odas las especies y
acciones, excep o pa a la ca ga de hoja asca. La écnica de obs ucción isual se basa en
coloca una banda g aduada e icalmen e en el in e io del ma o al, en ealiza mediciones
del po cen aje de supe icie de las bandas de la ba a ocul ado po el mismo a di e en es al u as,
y en el cálculo de una se ie de mé icas a pa i de ellas. Los modelos ob enidos a pa i de es as
mé icas ambién esul a on obus os pa a la es imación de las ca gas de odas las acciones,
explicando, en la mayo ía de los casos, más del 70% de la a iabilidad obse ada.
Pa a el desa ollo del segundo obje i o (A ículo 2), se u iliza on da os p oceden es de
in en a ios de a bolado y so obosque ealizados en una ed de pa celas de ensayo de cla as
es ablecidas en plan aciones pu as y coe áneas de Pinus adia a y Pinus pinas e ( o al 102
pa celas dis ibuidas en 34 si ios, p incipalmen e en Galicia). A pa i de las mediciones se
es ima on a iables del odal y ambién las a iables es uc u ales más elacionadas con el
iesgo de incendio: al u a media del combus ible de supe icie, espeso de la hoja asca y el
man illo, ca gas de ege ación del so obosque y del combus ible del suelo, al u a media del
odal, al u a de la base de la copa (CBH), discon inuidad e ical en e los es a os de supe icie
y de copas, ca ga de combus ible disponible en el dosel (CFL) y densidad apa en e (CBD).
Además, a pa i de las nubes de pun os ob enidas de ALS de baja densidad y de la ealización
de un único escaneo con TLS en cada pa cela se calcula on di e sas mé icas elacionadas con
la dis ibución e ical y ho izon al de los combus ibles o es ales. Finalmen e, se compa a on
es écnicas no pa amé icas di e en es de ap endizaje au omá ico (machine lea ning) pa a
e alua su uso po encial, po sepa ado e in eg ado, pa a p opo ciona es imaciones p ecisas de
III
las a iables an e io men e mencionadas. Las écnicas u ilizadas son: i) Mul i a ia e Adap i e
Reg ession Splines (MARS), ii) Suppo Vec o Machine (SVM), y iii) Random Fo es (RF).
La selección de la mejo al e na i a pa a la modelización se basó en una compa ación de la aíz
del e o medio cuad á ico (RMSE) ob enido, op imizando los pa áme os de cada écnica y
ealizando una alidación c uzada. En gene al, los mejo es esul ados se ob u ie on con las
écnicas MARS pa a los da os de ambos senso es. Los da os TLS p opo ciona on los mejo es
esul ados pa a las a iables asociadas con las ca ac e ís icas in e nas de la es uc u a del dosel
y el combus ible del so obosque, pe o ue on menos iables pa a es ima las a iables asociadas
con la pa e supe io del dosel, debido a la oclusión p oducida po la pa e in e media del dosel.
La combinación de las mé icas ALS y TLS mejo ó la p ecisión de las es imaciones pa a odas
las a iables analizadas, excep o la al u a y la ca ga de la ege ación de so obosque. La
a iabilidad explicada po el uso combinado de ambos ipos de mé icas osciló en e el 43.11%
pa a la biomasa de las capas de man illo y el 94.25% pa a la al u a dominan e del a bolado. Los
esul ados sugie en que la combinación de écnicas de ap endizaje au omá ico, mé icas
de i adas de da os ALS de baja densidad, mé icas de i adas de un solo escaneo con TLS, o
una combinación de ambas mé icas, puede se una al e na i a p ome edo a a los in en a ios
de campo adicionales pa a ob ene in o mación aliosa sob e a iables del combus ible de
supe icie y del dosel de copas a g an escala.
En cuan o al úl imo obje i o (A ículo 3), se ajus a on dos sis emas de ecuaciones pa a
es ima la biomasa de combus ible mue o o al y po clase de amaño en los p ime os 6 m de
onco y su dis ibución e ical en masas pu as de P. adia a sin poda : un sis ema a ni el de
á bol indi idual, cuyas a iables independien es son a iables á bol y de odal, y un sis ema a
ni el de odal basado sólo en a iables de odal. A pesa de la impo an e con ibución de es e
ipo de combus ible al conjun o de la biomasa de la copa y al iesgo de uego de copas, oda ía
no habían sido desa olladas ecuaciones pa a su es imación. Pa a el desa ollo de los modelos
se ealiza on mues eos des uc i os de amas secas has a una al u a de 6 m en un o al de 65
á boles dis ibuidos en 20 pa celas es ablecidas en el á ea de dis ibución de es a especie en la
p o incia de Lugo. Los mues eos des uc i os se acompaña on de in en a ios dasomé icos
pa a la ob ención de las po enciales a iables eg eso as de los modelos. Los es adís icos de
bondad de ajus e de los dos sis emas de modelos con i ma on la obus ez y p ecisión de las
es imaciones. A ni el de á bol indi idual, los modelos de biomasa o al y po acciones
explica on en e un 35% y un 59% de la a iabilidad obse ada, mien as que los modelos de
biomasa acumulada a lo la go del onco explica on en e un 62% y un 81%. Po o o lado, a
ni el de masa, los modelos de es imación de ca ga o al y po acciones explica on en e un
88% y un 98% de la a iabilidad obse ada, mien as que los de ca ga acumulada explica on
más del 98% de dicha a iabilidad. Los esul ados indican que es os sis emas pe mi i án a los
ges o es cuan i ica adecuadamen e los combus ibles mue os en es e ipo de masas de Pinus
adia a y, po an o, sus equisi os de ges ión pa a educi el iesgo de uego de copas.
Palab as cla e: Ges ión del combus ible o es al, ca ga de combus ible, Galicia, iesgo de
incendio, modelización del combus ible, ma o al desa bolado, so obosque, combus ibles de
con inuidad, a iables es uc u ales del dosel de copas, escáne láse ae o anspo ado (ALS),
escáne láse e es e (TLS).
V
RESUMO
Os lumes igu an en e as pe u bacións máis des u i as dos bosques, causando
impo an es danos económicos, ecolóxicos e sociais. O c ecen e núme o de g a es incendios
o es ais dos úl imos anos conco da coas p e isións de que o cambio climá ico p o oca á
enómenos ex emos máis ecuen es, en o ma de megaincendios, que a ec a án a g andes
zonas e e án g a es e ec os sob e o chan, a exe ación, os hábi a s da auna e mesmo a pe da
de idas humanas. Os xes o es o es ais a an de p e i o inicio e a p opagación dos lumes
o es ais median e a xes ión do combus ible, especialmen e nas zonas p opensas a lumes de
copas debido á súa maio in ensidade e ápida p opagación, que a miúdo supe an os es o zos
de ex inción e ameazan a segu idade.
A ca ga de biomasa das o macións exe ais, é dici , o peso seco de biomasa po unidade
de supe icie e a súa dis ibución po accións de amaño e es ado biolóxico ( i o/mo o),
xun o con ou as ca ac e ís icas es u u ais como a súa al u a media, ou a densidade apa en e
(biomasa po unidade de olume), a ec an en g an medida á can idade de combus ible
consumida du an e o incendio, á elocidade de p opagación ou a in ensidade, así como aos
po enciais e ec os do lume.
En Galicia, exión na que enma case es e es udo, a xes ión do combus ible é unha a e a
especialmen e necesa ia polo ápido c ecemen o da exe ación e a g an acumulación de
combus ible, an o en ma oguei as desa bo adas como no so obosque baixo o a bo ado.
Ademais, o c ecen e abandono dos e eos ag ícolas e o aumen o da in e ace u bano- o es al
es án a a o ece a con inuidade da supe icie o es al. Dou a banda, o aumen o da demanda
de madei a xun o cunhas condicións climá icas a o ables, p opicia on o es ablecemen o de
plan acións o es ais de especies de c ecemen o ápido como Pinus pinas e Ai . e Pinus adia a
D. Don. cuxa xes ión é undamen al pa a educi o isco de lume de copas. Pinus adia a en
conc e o, é unha especie con moi mala poda na u al cuxos odales, se non se xes ionan as o
peche de copas, mos an unha p eocupan e con inuidade e ical en e os combus ibles de
supe icie e do dosel pos o que as amas in e io es ao seca se acumulan can idades
signi ica i as de biomasa ina mo a, incluíndo amillas e acículas suspendidas.
Unha co ec a xes ión do combus ible debe de i acompañada dunha p e ia ca ac e ización
do mesmo que pe mi a alo a a e icacia de di e en es al e na i as median e o uso de modelos
ou sis emas de simulación do compo amen o e dos e ec os do lume. Des a o ma, op imiza ase
a epe cusión da xes ión do combus ible na xes ión do incendio e na súa se e idade. Hoxe en
día exis en po enciais al e na i as ao adicional in en a io de campo pa a a ca ac e ización dos
combus ibles, incluíndo a ecnoloxía LiDAR, an o e es e (TLS) como ae o anspo ado
(ALS), cuxa p incipal o aleza é a súa capacidade de aplicación a g an escala pa a acili a o
ca og a iado dos combus ibles.
Tendo en con a o an e io , os obxec i os des a in es igación dou o al, que apa ecen máis
desag egados no apa ado 2 son: i) a alia o uso po encial dos da os p oceden es dun único
escaneo de TLS e de écnicas de obs ución isual en campo pa a p opo ciona es imacións
p ecisas de ca gas de combus ible desag egadas po clase de amaño e es ado exe a i o en
ca o das p incipais comunidades de ma oguei as desa bo adas de Galicia: Ulex eu opaeus L,
VI
Ulex gallii Planch, P e ospa um iden a um L. Wilk e E ica aus alis L. (A igo 1 e
comunicación 8CFE); ii) ca ac e iza a es u u a e ical e espacial da biomasa en odales de
Pinus pinas e e Pinus adia a median e o emp ego de senso es emo os (TLS e ALS),
es udando o uso po encial das súas mé icas po sepa ado e a in eg ación de ámbalas pa a
p opo ciona es imacións p ecisas de a iables do combus ible elacionadas cos incendios de
supe icie e do dosel de copas (A igo 2); e iii) desen ol e modelos de es imación da biomasa
mo a que se acumula nas amas secas da pa e in e io das copas (ladde uels) a ni el de á bo e
indi idual e de odal en plan acións de Pinus adia a sen poda (A igo 3).
Pa a o desen ol emen o do p imei o obxec i o (A igo 1 e comunicación 8CFE),
ealizá onse in en a ios non des u i os nun o al de 55 pa celas en comunidades de ma oguei a
desa bo adas con dominancia das especies an e io men e mencionadas e dis ibuídas po oda
Galicia. A pa i dos in en a ios de e minouse a al u a media e a cobe u a da exe ación, así
como o espeso da ollaxe e man illo en cada pa cela, es imándose as ca gas a pa i de
ecuacións especí icas pa a cada especie. Ademais, le ou a cabo un único escaneo cun láse
e es e (TLS) en cada pa cela e calculá onse mé icas elacionadas coa dis ibución e ical e
ho izon al das nubes de pun os ob idas. Compa á onse dous en oques al e na i os pa a es ima
as ca gas de combus ible desag egadas po accións a pa i dos da os do TLS: i) es imación
indi ec a en dous pasos (EI) baseada no axus e de es ecuacións pa a es ima espec i amen e
a al u a da ma oguei a, a súa cobe u a e o espeso da ollaxe a pa i dos da os do TLS pa a
despois, u iliza es as es imacións como en adas das ecuacións exis en es de ca ga de
combus ible; e ii) es imación di ec a (ED), consis en e en axus a ecuacións pa a cada acción
de combus ible de in e ese, elacionando di ec amen e as es imacións de ca ga cos da os do
TLS. En xe al, o en oque di ec o p oduciu mello es es a ís icos de bondade de axus e pa a as
accións conside adas conxun amen e, con ecuacións que explican máis do 80% da
a iabilidade obse ada pa a ódalas especies e accións, excep o pa a a ca ga de ollaxe. A
écnica de obs ución isual baséase en coloca unha banda g aduada e icalmen e no in e io
da ma oguei a, e ealiza medicións da po cen axe de supe icie das bandas da ba a ocupada
pola mesma a di e en es al u as, e no cálculo dunha se ie de mé icas a pa i delas. Os modelos
ob idos a pa i des as mé icas amén esul a on obus os pa a a es imación das ca gas de
ódalas accións, explicando, na maio ía dos casos, máis do 70% da a iabilidade obse ada.
Pa a o desen ol emen o do segundo obxec i o (A igo 2), u ilizá onse da os p oceden es
de in en a ios de a bo edo e so obosque ealizados nunha ede de pa celas de ensaio de cla as
es ablecidas en plan acións pu as e coe áneas de Pinus adia a e Pinus pinas e ( o al 102
pa celas dis ibuídas en 34 si ios, p incipalmen e en Galicia). A pa i das medicións
es imá onse a iables do odal e amén as a iables es u u ais máis elacionadas co isco de
incendio: al u a media do combus ible de supe icie, espeso da ollaxe e o man illo, ca gas de
exe ación do so obosque e do combus ible do chan, al u a media do odal, al u a da base da
copa (CBH), descon inuidade e ical en e os es a os de supe icie e de copas, ca ga de
combus ible dispoñible no dosel (CFL) e densidade apa en e (CBD). Ademais, a pa i das
nubes de pun os ob idas de ALS de baixa densidade e da ealización dun único escaneo con
TLS en cada pa cela calculá onse di e sas mé icas elacionadas coa dis ibución e ical e
ho izon al dos combus ibles o es ais. Finalmen e, compa á onse es écnicas non pa amé icas
di e en es de ap endizaxe au omá ica (machine lea ning) pa a a alia o seu uso po encial, po
sepa ado e in eg ado, pa a p opo ciona es imacións p ecisas das a iables an e io men e
mencionadas. As écnicas u ilizadas son: i) Mul i a ia e Adap i e Reg ession Splines (MARS),
ii) Suppo Vec o Machine (SVM), e iii) Random Fo es (RF). A selección da mello
VII
al e na i a pa a a modelización baseouse nunha compa ación da aíz do e o medio cuad á ico
(RMSE) ob ido, op imizando os pa áme os de cada écnica e ealizando unha alidación
c uzada. En xe al, os mello es esul ados ob i é onse coas écnicas MARS pa a os da os de
ambos os senso es. Os da os TLS p opo ciona on os mello es esul ados pa a as a iables
asociadas coas ca ac e ís icas in e nas da es u u a do dosel e o combus ible do so obosque,
pe o o on menos iables pa a es ima as a iables asociadas coa pa e supe io do dosel, debido
á oclusión p oducida pola pa e in e media. A combinación das mé icas ALS e TLS mello ou
a p ecisión das es imacións pa a ódalas a iables analizadas, excep o a al u a e a ca ga da
exe ación de so obosque. A a iabilidade explicada polo uso combinado de ambos os ipos de
mé icas oscilou en e o 43.11% pa a a biomasa das capas de man illo e o 94.25% pa a a al u a
dominan e do a bo ado. Os esul ados suxi en que a combinación de écnicas de ap endizaxe
au omá ica, mé icas de i adas de da os ALS de baixa densidade, mé icas de i adas dun só
escaneo con TLS, ou unha combinación de ambas as mé icas, pode se unha al e na i a
p ome edo a aos in en a ios de campo adicionais pa a ob e in o mación aliosa sob e
a iables do combus ible de supe icie e do dosel de copas a g an escala.
En can o ao úl imo obxec i o (A igo 3), axus á onse dous sis emas de ecuacións pa a
es ima a biomasa de combus ible mo o o al e po clase de amaño nos p imei os 6 m de onco
e a súa dis ibución e ical en masas pu as de P. adia a sen poda : un sis ema a ni el de á bo e
indi idual, cuxas a iables independen es son a iables á bo e e de odal, e un sis ema a ni el
de odal baseado só en a iables de odal. A pesa da impo an e con ibución des e ipo de
combus ible ao conxun o da biomasa da copa e ao isco de lume de copas, aínda non o an
desen ol idas ecuacións pa a a súa es imación. Pa a o desen ol emen o dos modelos
ealizá onse mos axes des u i as de amas secas a a unha al u a de 6 m nun o al de 65 á bo es
dis ibuídas en 20 pa celas es ablecidas na á ea de dis ibución des a especie na p o incia de
Lugo. As mos axes des u i as acompañá onse de in en a ios dasomé icos pa a a ob ención
das po enciais a iables eg eso as dos modelos. Os es a ís icos de bondade de axus e dos dous
sis emas de modelos con i ma on a obus ez e p ecisión das es imacións. A ni el de á bo e
indi idual, os modelos de biomasa o al e po accións explica on en e un 35% e un 59% da
a iabilidade obse ada, men es que os modelos de biomasa acumulada ao longo do onco
explica on en e un 62% e un 81%. Dou a banda, a ni el de masa, os modelos de es imación
de ca ga o al e po accións explica on en e un 88% e un 98% da a iabilidade obse ada,
men es que os de ca ga acumulada explica on máis do 98% da de andi a a iabilidade. Os
esul ados indican que es es sis emas pe mi i án aos xes o es cuan i ica adecuadamen e os
combus ibles mo os nes e ipo de masas de Pinus adia a e, po an o, os seus equisi os de
xes ión pa a educi o isco de lume de copas.
Palab as cha e: Xes ión do combus ible o es al, ca ga de combus ible, Galicia, isco de
incendio, modelización do combus ible, ma oguei a desa bo ado, so obosque, combus ibles de
con inuidade, a iables es u u ais do dosel de copas, escáne láse ae o anspo ado (ALS),
escáne láse e es e (TLS).
IX
ABSTRACT
Wild i es a e amongs he mos des uc i e ypes o dis u bance a ec ing o es s and ha e
impo an economic, ecological and social impac s. The inc ease in he numbe o se e e o es
i es in ecen yea s is consis en wi h p edic ions indica ing ha clima e change will cause mo e
equen ex eme e en s in he o m o mega i es, which will a ec la ge a eas, wi h se ious
e ec s on soil, ege a ion, wildli e habi a s and e en loss o human li e. Fo es manage s use
uel managemen p ac ices in o de o p e en i e ini ia ion and p opaga ion, especially in
zones whe e c own i es a e likely o occu . C own i es a e usually in ense, p opaga e apidly
and o en exceed ex inc ion e o s and h ea en he sa e y o i e igh e s.
The biomass load o plan o ma ions, i.e. he d y weigh o biomass pe uni o a ea and
i s dis ibu ion by size ac ions and biological s a e (li e/dead), along wi h o he s uc u al
cha ac e is ics, such as mean heigh o bulk densi y (biomass pe uni o olume), g ea ly a ec
he amoun o uel consumed du ing i es, he a e o i e p opaga ion o in ensi y, as well as
he po en ial impac s o he i e.
In Galicia, he egion whe e mos o he p esen s udy was ca ied ou , uel managemen is
pa icula ly impo an due o he apid g ow h o ege a ion and he accumula ion o la ge
amoun s o uel, bo h in eeless sh ubland and in he o es unde s o ey. In addi ion, he
abandonmen o ag icul u al land and he inc ease in he u ban- o es in e ace a e a ou ing
he con inui y o o es co e . On he one hand, he inc ease in demand o imbe and he
a ou able clima e condi ions ha e p omo ed he es ablishmen o plan a ions o apidly
g owing o es species such as Pinus pinas e Ai . and Pinus adia a D. Don., managemen o
which is essen ial o educe he isk o c own i es. S ands o P. adia a display poo na u al
p uning. I hese s ands a e no managed a e c own closu e, a dange ous inc ease in he
e ical con inui y be ween he su ace uel and he canopy will he e o e occu , because he
lowe b anches accumula e la ge amoun s o dead biomass, including wigs and suspended
needles, as hey d y ou .
Co ec uel managemen should be accompanied by p io cha ac e iza ion o he uel, o
e alua e he e ec s o di e en al e na i e me hods by using i e beha iou models o
simula ion sys ems. This will enable he op imiza ion o uel managemen s a egies in i e
managemen and in i s se e i y. Some al e na i es o adi ional ield in en o ies a e now
a ailable, including bo h e es ial lase scanning (TLS) LiDAR and ae ial lase scanning
(ALS) LiDAR. The main s eng h o hese me hods is ha hei la ge scale applica ion
acili a es uel mapping.
Taking all o he abo e in o accoun , he objec i es o he doc o al esea ch epo ed in his
hesis (p esen ed in g ea e de ail in sec ion 2) we e as ollows: i) o e alua e he po en ial use
o da a de i ed om a single TLS scan and o isual obs uc ion measu emen s in he ield o
p o ide p ecise es ima es o uel loads disagg ega ed by size classes and ege a i e s a e in ou
o he main eeless sh ub communi ies in Galicia: Ulex eu opaeus L, Ulex gallii Planch,
P e ospa um iden a um L. Wilk and E ica aus alis L. (A icle 1 and communica ion 8CFE);
ii) o cha ac e ize he e ical and spa ial s uc u e o he biomass in P. pinas e and P. adia a
s ands by he use o emo e senso s (TLS and ALS), s udying he po en ial indi idual and
CECILIA ALONSO REGO
4
De los ap oximadamen e 1.4 millones de ha que con o man la supe icie o es al a bolada
de Galicia, el 30% co esponden a masas de coní e as pu as, el 20% a eucalip ales y el es o a
ondosas au óc onas mezcladas con o as especies (MARM, 2011a). Den o del g upo de las
coní e as, iene mayo ep esen ación e i o ial como especie dominan e Pinus pinas e , con
más del 15% de la supe icie a bolada y en segundo luga la especie Pinus adia a, que ocupa
el 7% y ap oximadamen e el mismo po cen aje en exis encias espec o al o al gallego (MARM,
2011a). Teniendo en cuen a los da os del Anua io Fo es al de Es adís ica de la Conselle ía de
Medio Ru al sob e los olúmenes medios de ap o echamien os made e os de Galicia (Xun a
de Galicia, 2022), es as dos especies ocupan la segunda y e ce a posición espec i amen e,
solo po de ás de los eucalip ales, con ap o echamien os de made a de más de 1.8 millones de
m3 (P. pinas e ) y de 1.7 millones de m3 (P. adia a) en el pe íodo comp endido en e 2018 y
2022, siendo Lugo la p o incia con mayo olumen made e o de pino adia a y A Co uña de
pino pinas e . Además, las condiciones climá icas empladas de la Comunidad y el aumen o de
la demanda de made a han a o ecido el es ablecimien o de plan aciones o es ales come ciales
de es as coní e as de c ecimien o ápido (MARM, 2011a).
Hay que des aca ambién que una pa e impo an e de los mon es de Galicia es án incluidos
en la Red Gallega de Espacios Na u ales P o egidos, lo que pone de mani ies o la ele ancia e
impo ancia que és os ienen en el man enimien o y conse ación de la iqueza y biodi e sidad
de la lo a y auna, sis emas hid ológicos, p o ección del suelo y ecosis emas en gene al.
No obs an e, el sec o o es al gallego se e amenazado po una se ie de ac o es en e los
que des acan: i) el inc emen o del abandono de la p opiedad o es al, e idenciado po el
cons an e despoblamien o del medio u al; ii) el accionamien o de la p opiedad o es al, con
más de 650 mil p opie a ios o es ales con una pa cela media de ap oximadamen e 2-3 ha
(Xun a de Galicia, 2022); y, iii) po los incendios o es ales, siendo Galicia una de las egiones
más a ec ada en Eu opa (Kou sias e al., 2015; San-Miguel-Ayanz e al., 2020), gene ando
daños ambien ales (FAO, 2007), económicos (Rod íguez y Sil a e al., 2012) y sociales.
El égimen de incendios depende p incipalmen e de es ac o es que lo condicionan: el
clima, los combus ibles o es ales y las uen es de ignición (Vega e al., 2021). Todos ellos
es án in e elacionados en e sí, y son una de las causas de la p oblemá ica de los incendios
o es ales en Galicia, pues exis e: i) una g an simul aneidad de pun os de ignición, ii) una
ele ada ca ga de combus ible en los mon es, que di icul a en g an medida a los ope a i os de
ex inción, iii) y una época es i al ma cada po los incendios. Au o es como Vega e al. (2009a;
2021) o Ba eal y Jannes (2020), explican que en los úl imos dos decenios uno de los máximos
en cuan o al núme o de incendios se da en el mes de agos o y que el máximo de supe icie
quemada se encuen a en dicho mes, aunque el égimen espacial y empo al del núme o de
incendios y de supe icie quemada es muy he e ogéneo. Es a emá ica es á muy desa ollada en
nume osos es udios como (Chas-Amil e al., 2013; Balsa-Ba ei o y He mosilla, 2013; Ba eal
y Lou ei o, 2015). De hecho, según el Plan de P e ención y De ensa con a Incendios de Galicia
(PLADIGA) (Xun a de Galicia, 2022), en el pe iodo 2013-2022 la supe icie media quemada
cada año no llega a las 20.000 ha de las cuales el 39% co esponde a supe icie a bolada y el
61% a supe icie asa. Vega e al. (2021) explican que las especies a bó eas más a ec adas po
los incendios o es ales son las masas de Pinus pinas e que ocupan la segunda posición de los
bosques españoles (5%) y la p ime a en cuan o a las coní e as de Galicia, y la especie Pinus
adia a que ocupa la décima posición es a al y segunda coní e a gallega.
1. In oducción
5
1.1.1 Los pina es de Pinus adia a
Pinus adia a D. Don es una coní e a de la amilia de las Pináceas, ambién conocida como
pino de Mon e ey, haciendo e e encia a su luga de o igen (coma ca cali o niana de Mon e ey
– Es ados Unidos-) o como pino adia a o pino insigne. P. adia a puede alcanza una al u a de
20 - 30 m, iene piñas se ó inas que pe manecen iables en el á bol du an e muchos años y la
ca ac e ís ica más di e encial es la mo ología de sus acículas, po lo gene al en ainadas de es
en es, de colo e de in enso y miden sob e 10 - 15 cm. P esen a mayo es c ecimien os en
zonas con abundan es p ecipi aciones a lo la go del año y con empe a u as sua es, lo ece a
inales de in ie no o p incipios de p ima e a, pe o las piñas no madu an has a el o oño del
siguien e año de la lo ación (McDonald e al., 1990). La uc i icación comienza en e los años
5 y 10, aunque depende en g an medida del g oso de los á boles y, po lo an o, de la espesu a
de la masa o es al (McDonald e al., 1990). Se pueden es ablece masas de P. adia a median e
egene ación na u al po la uc i icación de las semillas en p ima e a, sin emba go, en Galicia
la egene ación na u al de es a especie es escasa, debido a las al as densidades de las
plan aciones o es ales exis en es y a di e sos incon enien es po la ince idumb e del
egene ado, el con ol de su densidad, con mayo es cos es de cla eo, p oblemas de compe encia
inicial, meno es c ecimien os y mayo es di icul ades a la ho a de aplica a amien os sil ícolas
(Sánchez y Rod íguez, 2008). Es a especie, ampliamen e ep esen ada en Galicia, en especial
en la p o incia de Lugo ( e Figu a 1.1) cuen a con un g an ap ecio po pa e de los p opie a ios
y las indus ias o es ales debido a sus ca ac e ís icas es uc u ales, la g an adap ación y el
meno u no de co a con espec o a o as coní e as p esen es en el e i o io.
Figu a 1. 1. Dis ibución geog á ica de las masas de P. adia a en la Comunidad Au ónoma de
Galicia. Elabo ado a pa i de las eselas de Mapa Fo es al Español 1:25.000 (MFE25).
CECILIA ALONSO REGO
6
Exis en di e en es modelos sil ícolas o de ges ión o es al pa a P. adia a en Galicia, en
unción del ipo de p opiedad o es al y del des ino de la made a. El más común a di igido a
la ob ención de made a pa a i u ación con un pequeño po cen aje pa a sie a, buscando una
al a p oduc i idad (Conselle ía de Medio Ru al, 2021). Las plan aciones ca ac e ís icas de la
zona emplean un ma co de 3.5 x 3.5 m y una densidad de plan ación de 815 - 1140 plan as ha-
1, con eposición pos e io de ma as, abonado y desb oce o al en el p ime año. Como
a amien os sel ícolas se aplica una poda baja de has a 2.5 - 3 m cuando el diáme o no mal
alcanza los 10 cm y una cla a del 30 - 50% de los pies en e los años 10 - 15. Finalmen e, se
ealiza una co a a hecho a los 20 - 30 años, dependiendo de la calidad de es ación.
No obs an e, g an pa e de las plan aciones de P. adia a ca ecen de dicha ges ión,
mos ando una g an can idad de combus ible mue o dis ibuido e icalmen e en e el
combus ible de supe icie y la copa i a, lo que conlle a una cie a con inuidad en e ambos
es a os, a o eciendo la p opagación e ical del uego. Es a pa icula idad de las plan aciones
de Pinus adia a se debe, además de a una al a de ges ión, a su mala poda na u al (Keeley y
Zedley, 1998).
1.1.2 Los pina es de Pinus pinas e
La especie Pinus pinas e Ai . es o igina ia de la egión medi e ánea occiden al y del oes e
de Eu opa. Es á muy p esen e en el no oes e español po las condiciones de clima emplado y
la ausencia de la gos pe iodos de heladas o sequías, siendo la coní e a más ep esen a i a de la
Comunidad au ónoma de Galicia ( e Figu a 1.2). Se suele nomb a con o as denominaciones
di e en es de pino pinas e como, pino neg al, pino gallego o, den o de Galicia, como pino del
país. Es un á bol que alcanza no malmen e una al u a de 20-30 m. Las acículas son muy la gas
y g uesas, miden de 10-25 cm y se disponen en g upos de dos. Pueden i i y desa olla se en
suelos poco é iles y iene una g an acilidad pa a egene a . Es os pina es lo ecen en los
meses de ab il y mayo y las piñas son de g an amaño y se ó inas, madu an en o oño del
siguien e año y se ab en en ab il y mayo del e ce año (Rod íguez y Mad igal, 2008). La
in ensidad y ecuencia de los a amien os sil ícolas a las masas o es ales dependen del
des ino de la made a, es deci , si el obje i o es la ob ención de made a de calidad, se les aplica á
una mayo ges ión sil ícola, con podas pa a e i a nudos, y cla eos y cla as pa a ob ene
mayo es diáme os. Sin emba go, si el des ino de la made a es la i u ación, o la p oducción de
abla de baja calidad no se á necesa ia la ealización de podas. Las podas se pueden ealiza
du an e odo el año, sin emba go, si las amas es án i as es p e e ible que se ealice en e
agos o y eb e o pa a e i a p oblemas i osani a ios (Rod íguez y Mad igal, 2008)
Es una especie muy ap eciada po el sec o del ap o echamien o made e o, como el del
ase ado y, al igual que pa a el pino adia a, exis en di e en es modelos sil ícolas pa a P.
pinas e en Galicia, en unción del ipo de p opiedad o es al y del des ino de la made a. El más
común sigue siendo el modelo di igido a la ob ención de made a pa a i u ación con un
pequeño po cen aje pa a sie a, buscando una al a p oduc i idad (Conselle ía de Medio Ru al,
2021). Las plan aciones ípicas de la zona emplean un ma co de 3.5 m en e líneas como mínimo
y 2 o 2.5 m en e plan as, que con o man una densidad de plan ación de 1430 o 1440 plan as
1. In oducción
7
ha-1, con eposición de ma as, abonado y desb oce o al en el p ime año. Como a amien os
sil ícolas, se aplica una poda baja de has a 2.5 - 3 m cuando los á boles alcanzan una al u a de
6 - 7 m y el diáme o no mal medio alcanza los 10 cm, opcionalmen e se puede ealiza un
cla eo en los p ime os años y una cla a po lo bajo y selec i a has a deja 750 - 900 pies ha-1
(12 - 20 años), eliminando en e un 20 - 30% de los pies dependiendo del iesgo de de ibo po
ien o, y una cla a opcional a los 15 - 25 años, si se quie e aumen a el po cen aje de made a
pa a sie a. Finalmen e, se ealiza una co a a hecho a los 25 - 35 años, dependiendo de la
calidad de es ación.
Figu a 1. 2. Dis ibución geog á ica de las masas de P. pinas e en la Comunidad Au ónoma
de Galicia. Elabo ado a pa i de las eselas de Mapa Fo es al Español 1:25.000 (MFE25).
1.1.3 Las comunidades de ma o al desa bolado
Las comunidades a bus i as o de ma o al desa bolado (Figu a 1.3) cub en en Galicia unas
607 mil ha, lo que supone el 20% de la supe icie o al de la Comunidad y el 30% de su
supe icie o es al, p edominando los ojales (comunidades dominadas po especies del géne o
Ulex como U. eu opaeus L. o U. gallii Planch) y los b ezales (con dominancia de especies
e icáceas como Calluna ulga is L., E ica aus alis L., E. a bo ea L., E. umbella a Loe le ex
L., E mackaiana Bab. In J. Mackay o E. cilia is Loe le ex L., en e o as) que ocupan
espec i amen e el 55% y el 22% de dicha supe icie desa bolada (MARM, 2011b). Des acan
ambién, aunque con meno ep esen ación e i o ial (en o no al 11% de la supe icie
desa bolada) los e ama es de los géne os Cy isus, y Genis a o los ca quesales de P e ospa um
iden a um (L.) Wilk. Exis en además o as o maciones de ma o al de dis ibución más
es ingida como los ja ales o mad oñales que en su conjun o ocupan una ex ensión limi ada en
CECILIA ALONSO REGO
8
Galicia. Todas es as comunidades es án cons i uidas po especies leñosas pe ennes, con allos
múl iples o de g an amosidad, o man masas muy densas en é minos de núme o de plan as
po unidad de supe icie y p esen an una ele ada cobe u a, ce cana en muchos casos al 100%,
alcanzando al u as muy a iadas, pudiendo llega o incluso supe a los 3 m (A ellano e al.,
2017b; Vega e al., 2022b).
Figu a 1. 3. Dis ibución geog á ica de las masas de ma o al desa bolado en la Comunidad
au ónoma de Galicia. Elabo ado a pa i de las eselas de Mapa Fo es al Español 1:25.000
(MFE25).
A con inuación, se especi ican alguna de las ca ac e ís icas de las comunidades incluidas
en el es udio (Cas o iejo, 1986 - 2015) (Figu a 1.4): b ezales con dominancia de E ica
aus alis, ca quesales con dominancia de P e ospa um iden a um y ojales con dominancia
de Ulex eu opaeus y de Ulex gallii, odas ellas muy a ec adas po los incendios en Galicia.
Los b ezales con dominancia de E. aus alis son muy abundan es en el e i o io gallego y
an iguamen e se u ilizaban como uen e de ca bón, o como leña. La especie dominan e iene
g an amaño, llegando en algunos casos a los 2 m de al u a, con indi iduos muy ami icados,
con hojas es echas, pequeñas, pe ennes, de colo e de y posicionadas en e icilos de 4.
Flo ecen en p ima e a con lo es peduncula es de colo iole a.
Los ca quesales con dominancia de P. iden a um o man ma o ales de escaso po e,
no malmen e en e 1 - 1.5 m de al u a, y su ca ac e ís ica más di e encial es la p esencia de
amas aladas en dicha especie, que simulan las hojas. Posee lo es ama illas en p ima e a y su
u o es una pequeña legumb e ala gada.
1. In oducción
9
Ulex eu opaeus es un a bus o de g an po e, llegando a alcanza los 2.5 m de al u a. Posee
amas de colo e de oscu o con es ías longi udinales y agujas iangula es y espinosas y
lo ece en e diciemb e y mayo con lo es ama illas de has a 2 cm. Ulex gallii es de meno
po e, sus espinas son más pequeñas (has a 3 cm) que las de U. eu opaeus y lo ece en o oño.
An iguamen e los ojales de U. eu opaeus y de U. gallii enían di e en es usos como o aje
pa a los animales y pos e io abono pa a el suelo, ya que es án cons i uidos po un ma e ial
leñoso que se descompone bien y p oduce humus que se in eg a con g an acilidad en el
subs a o ino gánico del suelo (Izco e al., 2006), aunque, ac ualmen e es os usos ya no son
ecuen es.
La e aluación y modelización de la biomasa aé ea y de la ca ga de ma o al son
undamen ales desde el pun o de is a de la ecología del uego, el almacenamien o de ca bono
y de su p oduc i idad como ma e ia p ima y uen e de ene gía. Ac ualmen e, la biomasa de las
comunidades an e io men e mencionadas se puede u iliza como ma e ia p ima pa a la
combus ión. Viana e al. (2012b) mos a on como especies a bus i as de b ezo, e amas,
ca quesales y ojales del no oes e peninsula y cen o de Po ugal ienen buenas p opiedades de
combus ión; pa a combus ible, ob eniendo mejo es esul ados pa a la e icácea en cuan o al
cumplimien o de los equisi os de la no ma de biocombus ibles sólidos ISO 17225-2:2014 EN
plus B. Di e en es abajos se han cen ado en e alua las p opiedades de es as o maciones de
ma o al como uen e de ene gía. Po ejemplo, Viana e al. (2012b) exponen el aumen o del
in e és en la u ilización de biomasa o es al pa a bioene gía, como una es a egia de mi igación
del cambio climá ico y des acan que la pa e aé ea de es as o maciones iene en e un 46 - 49%
de ca bono, siendo la especie E ica aus alis la de mayo con enido.
Po su pa e, exis en nume osos abajos que es udian la p oducción de biomasa, como
Núñez-Reguei a e al. (2004) que apo an alo es medios de 20 Mg ha-1 pa a U. eu opaeus y
de 15 Mg ha-1 pa a los b ezales, lo que da mues a de su g an alo pa a un po encial
ap o echamien o ene gé ico; A ellano e al. (2017) desa olla on la ”Fo o-guía de combus ibles
o es ales de Galicia y compo amien o del uego asociado” donde se o ece una isión g á ica
y numé ica de di e en es si uaciones ep esen a i as de los combus ibles de la egión, se
clasi ican según su es uc u a y se asocian con la es imación del posible compo amien o
po encial del uego. En dicho es udio se indica, po ejemplo, que las comunidades dominadas
po Ulex galli o P e ospa um iden a um son las que ienden a acumula mayo ca ga ina (<
6mm), con alo es medios en o no a 25 Mg ha-1 mien as que los ojales de U. eu opaeus y
b ezales de E. aus alis acumulan algo menos, con un alo medio al ededo de 20 Mg ha-1.
Vega e al. (2022b), en un es udio basado en mues eos des uc i os de más de 700 pa celas de
ma o al desa bolado, ob u ie on alo es medios de ca ga o al de ma o al de 33.6, 28.4, 24.9
y 24.7 Mg ha-1 espec i amen e pa a comunidades con dominancia de U. eu opaeus, U. galli,
P e ospa um iden a um y E. aus alis. Es a in o mación ue u ilizada pa a el desa ollo de
ecuaciones de es imación de ca gas po acciones de combus ible, ob eniendo esul ados de
g an u ilidad pa a su aplicación en la ges ión del combus ible y los incendios, la e aluación del
almacenamien o de ca bono y su po encial como uen e de ene gía. En la ac ualidad, es os
es udios son de g an in e és po la incansable búsqueda de nue as uen es de ene gía que si an
de al e na i as a los combus ibles ósiles más con encionales, si bien han de ene en cuen a el
es a us de p o ección de di e en es hábi a s dominados po es as especies, que en muchos casos
se encuen an en espacios na u ales p o egidos egidos po ins umen os de plani icación y
ges ión que egulan sus ap o echamien os
CECILIA ALONSO REGO
10
Figu a 1. 4. Ejemplos de las comunidades de ma o al desa bolado incluidas en la p esen e
esis. De a iba abajo: comunidades con dominancia de E ica aus alis, P e ospa um
iden a um, Ulex gallii y Ulex eu opaeus.
1. In oducción
11
1.2. El combus ible o es al
1.2.1. Clasi icación po es ado biológico y g oso
Las ca ac e ís icas de los combus ibles o es ales son un aspec o de g an impo ancia en la
ges ión de los incendios o es ales (Sco y Reinha d , 2001; Keyes y O´Ha a, 2002), ya que
son la uen e de ene gía necesa ia pa a el desa ollo del uego. Al habla de los combus ibles
o es ales es esencial ealiza una buena ca ac e ización, di e enciando en e aspec os que
condicionan la in lamabilidad y la combus ibilidad de las pa ículas como son su es ado
biológico y g oso .
Según el es ado biológico del ege al se dis ingue en e combus ibles i os y mue os, que
se ca ac e izan po p esen a di e en es pa ones de a iación de humedad. El combus ible i o
es á cons i uido po las plan as con ac i idad isiológica, incluyendo á boles, a bus os y plan as
he báceas, así como musgos y líquenes; su humedad a ía len amen e y p esen a una limi ada
dependencia del iempo a mos é ico, es deci , es á más supedi ada a la especie y a los di e en es
es ados enológicos que a a iesan las plan as a lo la go del año como la lo ación o el
c ecimien o (Pyne e al., 1996). Los combus ibles mue os es án compues os p incipalmen e
po la biomasa mue a suspendida o que se encuen a sob e o en la cubie a o gánica del suelo
y es án inme sos en un p oceso con inuo de a iación de la humedad en el que se al e nan ciclos
de humedecimien o y de secado. Es a a iación, o almen e con olada po la e olución del
iempo a mos é ico, es de al ele ancia que a lo la go de un solo día las pa ículas mue as
inas, ya sean leñosas o he báceas, pueden eco e odo el ango de humedades acon ecidas a
lo la go de una es ación comple a (Ha on e al., 1988).
En cuan o al g oso de las pa ículas, adicionalmen e se han di e enciado cua o
ca ego ías (Bu gan y Ro he mel, 1984): combus ibles inos (diáme o in e io a 6 mm),
combus ibles medios (diáme o comp endido en e 6 y 25 mm), combus ibles g uesos (diáme o
comp endido en e 25 y 75 mm) y combus ibles muy g uesos (diáme o supe io a 75 mm).
Es as ca ego ías ambién eciben, espec i amen e, el nomb e de g upos 1, 2, 3 y 4 (G1 a G4)
(Vega e al., 2022a; 2022b) y, en el caso de se pa ículas mue as el de combus ibles de 1, 10,
100 y 1000 ho as de e a do (Fosbe g, 1971). El iempo de e a do es el iempo que a da la
humedad de los combus ibles mue os en alcanza el equilib io con el ambien e, es deci , el
iempo que necesi a un de e minado combus ible en gana o pe de dos e cios de la di e encia
en e su con enido inicial de humedad y el de la a mós e a que le odea (Fosbe g, 1971).
Es as clasi icaciones del combus ible se ealizan con ines de simulación de incendios que
pos e io men e ayuda án a la oma de decisiones en la ges ión del combus ible y la p edicción
de iesgo de incendios (Finney e al., 2007; Age e al., 2011). En los di e en es modelos
ajus ados en la p esen e esis se ha enido en conside ación an o el es ado biológico como el
amaño de pa ícula.
1.2.2. El complejo de combus ible, su dis ibución e ical y el ipo de incendio
Los incendios son uegos que se p opagan sin con ol y cuando ocu en en la na u aleza se
denominan incendios o es ales (Pausas, 2020). Tienen innume ables e ec os ambien ales, en
CECILIA ALONSO REGO
12
la ege ación y en la cubie a o gánica del suelo. Po ejemplo, el calo gene ado consume la
ma e ia o gánica y al e a la es abilidad de los ag egados (Ma aix-Sole a e al., 2002) y la
capacidad de abso ción y e ención de agua, po osidad, ai eación y capacidad de in il ación
del suelo descubie o as incendio, p o ocando así un inc emen o de la esco en ía supe icial
y po an o de la e osión (Ma aix-Sole a y Gue e o, 2007).
La ocu encia de los incendios o es ales depende de es elemen os p incipales, que
con o man el denominado iángulo del uego: el combus ible, el oxígeno y el calo . De es os
es elemen os, los combus ibles o es ales son el único ac o manipulable, es deci , que se
puede ges iona di ec a o indi ec amen e. En un con ex o ecológico los combus ibles son la
ma e ia o gánica i a y mue a, que ambién se puede encon a bajo la denominación de
“biomasa” (Keane, 2015), y en un sen ido más amplio son los ma e iales que se consumen
du an e la combus ión que se p oduce en el incendio (Ruiz-González y Vega-Hidalgo, 2007).
El complejo o lecho de combus ible es un é mino que se emplea pa a hace e e encia a la
o ma en que los combus ibles se es uc u an en una de e minada supe icie. Chandle e al.
(1991) lo de inen como la asociación de los ege ales i os y mue os y de los ma e iales
combus ibles de las di e en es o mas y amaños que en una supe icie se ex ienden desde el
suelo mine al has a el ápice de las copas. Den o del complejo los combus ibles se es uc u an
en di e en es capas o es a os: combus ibles de suelo, de supe icie y del dosel a bó eo.
Los combus ibles del suelo es án o mados po la ma e ia o gánica en di e en es g ados de
descomposición, di e enciando 3 capas: la hoja asca (capa L u ho izon e Oi, o mada
p incipalmen e po acículas u hojas y amillas caídas ecien emen e), el man illo supe io (capa
F, de e men ación, u ho izon e Oe, en el que la hoja asca ha sido pa cialmen e me eo izada
pe o aún se dis ingue su composición) y el man illo in e io (capa H, de humus, u ho izon e Oa,
en el que los esiduos ege ales es án ya al amen e descompues os de o ma que no se puede
dis ingui su o igen) (O ma y And eu, 2007; Keane, 2015). Es a di e enciación en e capas es
bas an e cla a en o maciones a boladas, como los pina es obje o del es udio, donde la hoja asca
se suele conside a incluso como combus ible de supe icie, pe o no lo es an o en las
comunidades de ma o al desa bolado, ambién incluidas en la esis. En es e es a o de
combus ibles del suelo se pueden desa olla los denominados incendios de suelo o sub-
supe iciales, que se ca ac e izan po su len a p opagación, median e combus ión sin llama, con
escaso humo pe o que pueden p oduci eno mes daños al suelo debido a su pe sis encia y
di icul ad de ex inción (Viegas, 1998).
Los combus ibles de supe icie son aquellos que se ex ienden en e el suelo y los dos me os
de al u a, incluyendo hoja asca, ege ación he bácea, ma o al y es os leñosos (Keane, 2012;
2015). Po es e es a o es po donde se p opagan la mayo ía de los incendios o es ales,
denominándose, po an o, incendios de supe icie, con p esencia de llamas en la combus ión.
Combus ible aé eo o del dosel de copas es la biomasa que se encuen a po encima del
es a o de supe icie y, po an o, po encima de los 2 me os de al u a, en consis encia con la
de inición de combus ible de supe icie (Keane, 2015). O as de iniciones conside an que el
dosel se inicia a los 6 me os (NWCG, 2006) o que el dosel hace e e encia únicamen e a la
copa i a (Van Wagne , 1977). En cualquie caso, el espacio exis en e en e el combus ible de
la supe icie y el de la copa i a con ecuencia es á ocupado o al o pa cialmen e po los
combus ibles de con inuidad o escale a. Es os combus ibles pueden es a cons i uidos po
biomasa i a o mue a, no malmen e ollaje de a bolillos o a bus os y pequeñas amas que se
1. In oducción
13
ex ienden desde la supe icie hacia has a las copas (Keane, 2015). P opo cionan con inuidad
e ical y ho izon al y acili an la ansición del uego de supe icie a las copas, ans o mando
incluso incendios de supe icie de in ensidad ela i amen e baja en g a es incendios de copas
(Menning y S ephens, 2007). Además, la abundancia de es os combus ibles di icul a la
ex inción del uego e inc emen a la exposición de los equipos de ex inción a condiciones
pelig osas, especialmen e cuando el compo amien o del uego cambia inespe adamen e, al
di icul a el escape a zonas de segu idad (Hi sch y Ma ell, 1996; K ame e al., 2016). También
pueden educi la calidad del hábi a al disminui la accesibilidad y la e iciencia de la búsqueda
de alimen o pa a la auna (No gaa d, 2014).
En el caso conc e o de los pina es de P. adia a obje o de es e es udio, una ez se p oduce
el cie e de las copas, y debido a la mala poda na u al, se acumulan g andes can idades de
biomasa mue a en la pa e baja del dosel, incluyendo ami as inas y acículas en suspensión,
cons i uyendo un buen ejemplo de combus ibles de escale a.
1.2.3. La ca ga de combus ible de supe icie
La ca ga de combus ible, de inida como la can idad de biomasa exp esada en peso de
ma e ia seca po unidad de supe icie, es una ca ac e ís ica undamen al del combus ible
o es al ya que, jun o con o as ca ac e ís icas es uc u ales, a ec a en g an medida al
compo amien o del uego, egulando la elocidad de p opagación, la in ensidad lineal o la
longi ud de la llama (Chandle e al., 1991; Pyne e al., 1996). La adecuada ca ac e ización de
los combus ibles, incluyendo la ca ga de combus ible desag egada po clases de amaño y
es ado i o o mue o, es esencial pa a ob ene es imaciones iables de los simulado es de
compo amien o del uego que puedan se u ilizadas en los p ocesos de oma de decisiones en
la ges ión del combus ible y la p edicción del iesgo de incendios (Finney e al., 2007; Age e
al., 2011). Además, la ca ga de combus ible es ambién un componen e esencial en la
e aluación del ciclo del ca bono y de las emisiones de gases de e ec o in e nade o en los
incendios o es ales ( e , po ejemplo, Jiménez e al., 2013; Lasslop y Klos e , 2015). En
Galicia, el ápido c ecimien o de la ege ación como consecuencia de las sua es empe a u as
anuales y las ele adas p ecipi aciones gene a g andes acumulaciones de combus ible, an o
supe icial como a bó eo, que a o ecen los incendios o es ales de al a in ensidad (A ellano e
al., 2017b).
La ca ga de combus ible de las comunidades de ma o al desa bolado, así como del
so obosque, incluyendo an o la capa a bus i a como la de hoja asca, puede cuan i ica se
median e mues eos de campo des uc i os o no des uc i os (Ca chpole y Wheele , 1992). El
mues eo des uc i o es el mé odo más p eciso, pe o ambién el más complejo y cos oso en
iempo y dine o, po lo que es di ícil de aplica a g andes á eas (Bonham, 2013). El mues eo
no des uc i o pe mi e la es imación indi ec a de la ca ga de combus ible, no malmen e
median e el uso de elaciones alomé icas en edichas ca gas y a iables del combus ible que
se miden ácilmen e en el campo (De Cáce es e al., 2019; Mon e o e al., 2020), exis iendo dos
ap oximaciones de mues eo pa a ob ene y aplica es os modelos: a ni el de plan a indi idual
y a ni el de comunidad (Vega e al., 2022a; 2022b). En el caso de los ma o ales de Galicia,
debido a su ele ada cobe u a y complejidad es uc u al an o bajo a bolado como sin él, es
p e e ible la ap oximación a ni el de comunidad, que equie e pa a la es imación de la ca ga de
a iables como la cobe u a de la ege ación o su al u a media. Po o o lado, en las dos úl imas
décadas se han desa ollado nue os modelos que elacionan las p incipales ca ac e ís icas de
CECILIA ALONSO REGO
20
En cuan o al p oblema de la cobe u a especial con TLS, en un con ex o de in en a io
o es al en el que el obje i o es p oduci mapas de a ibu os o es ales en á eas ela i amen e
g andes, el TLS no es ope a i o, aunque sí que puede se muy ú il como he amien a de oma
de da os de campo necesa ios pa a cons ui y alida modelos desa ollados u ilizando da os
de elede ección o ALS que engan la ex ensión espacial eque ida.
O o incon enien e del uso del TLS es la ele ada in e sión pa a la adquisición de los
equipos, aunque el aho o en cos e de in en a io de campo que implica su uso y la educción
de los p ecios de los nue os equipos hacen que, en el caso de uso con inuado en in en a io
o es al su empleo sea una al e na i a pe ec amen e iable (e.g. Pule i e al., 2021).
Po úl imo, el p oblema de la di icul ad de p ocesamien o de los da os de TLS se ha ido
esol iendo con la apa ición de algo i mos de a amien o de las nubes de pun os, que pe mi en
abo da los p oblemas de oclusión y ob ene mé icas simila es a las que se ob ienen de los
da os de ALS de o ma ápida y obus a. Des aca que, den o del g upo de in es igación en el
que se encuad a es a esis, se ha desa ollado un paque e pa a el so wa e es adís ico R (R Co e
Team, 2020), denominado FORTLS que au oma iza odo el p ocesado de las nubes de pun os
TLS a pa i de escaneos indi iduales (Molina-Vale o e al., 2022) y que se ha u ilizado en el
análisis de los da os TLS en es e abajo.
1.3.3 Combinación de TLS y ALS
Como se ha comen ado en los apa ados an e io es, an o los senso es LiDAR aé eos como
los e es es ienen sus limi aciones y no son capaces de p opo ciona , de o ma aislada, oda
la in o mación de la es uc u a o es al, sob e odo en masas a boladas en las que es necesa io
ca ac e iza los di e en es es a os de ege ación.
Tan o un senso como el o o desc iben la es uc u a del bosque median e el empleo de
nubes de pun os, pe o mien as que los senso es TLS obse an el dosel desde una pe spec i a
de abajo hacia a iba, con e o nos láse que no malmen e se o iginan en una ubicación ija, de
modo que la densidad de e o nos es in e samen e p opo cional al cuad ado de la dis ancia al
ins umen o, las nubes de pun os ob enidas de ALS es án espaciadas de o ma más egula y
obse an el dosel desde a iba hacia abajo (Whi e e al., 2016). Dado que en ambos casos los
obje os más ce canos al ins umen o ienen más p obabilidades de p oduci un e o no
(dis ibución de Poisson), las dis ibuciones de nubes de pun os adqui idas a pa i de ALS
es án, po an o, sesgadas hacia la pa e supe io del dosel, mien as que las adqui idas a pa i
de TLS es án sesgadas hacia la pa e in e io de las copas de los á boles (Hilke e al., 2010).
Como esul ado, el TLS es muy adecuado pa a in es iga los cambios en la es uc u a in e io
del dosel, la densidad del odal, la es uc u a del onco, la ami icación o el so obosque,
mien as que el ALS pe mi e ca ac e iza con exac i ud la pa e supe io de dosel. Po o o lado,
la esolución espacial del TLS suele se mucho mayo que la del ALS, especialmen e en las
p oximidades del cen o de la pa cela; sin emba go, el alcance espacial se limi a p incipalmen e
a un adio de unos pocos cien os de me os, con alcances aún más educidos debido a los e ec os
de somb eado de los oncos de los á boles y o os obje os que in e cep an los haces LiDAR,
mien as que los senso es ae o anspo ados pe mi en escanea g andes ex ensiones y, po an o,
acili an la gene ación de ca og a ía emá ica (Whi e e al., 2016).
1. In oducción
21
Una de las soluciones a los incon enien es del uso de cada senso po sepa ado es su uso
combinado, aumen ando, de es e modo, la in o mación de la es uc u a o es al. En la úl ima
década di e en es au o es han compa ado las es imaciones de a iables o es ales de i adas de
ALS y TLS combinados en e a las al e na i as de cada senso po sepa ado, si bien exis e la
di icul ad añadida del co egis o de las dos uen es de da os pa a acili a su in eg ación. Po
ejemplo en el es udio de a iables del dosel, Jung e al. (2011) ob u ie on mejo es esul ados
en la es imación de las a iables de copa de á boles indi iduales combinando los dos ipos de
senso es que usando da os ALS de o ma independien e; ambién se ha obse ado que la
sine gia en e TLS y ALS mejo a las es imaciones de la dis ibución de a iables como el
diáme o no mal (e.g. Vas a an a e al., 2014; Kanka e e al., 2014) o la biomasa (Hauglin e
al., 2014); Gianne i e al.(2018) e alua on el po encial del uso combinado de da os ALS y TLS
pa a es ima ca ac e ís icas de á bol indi idual, encon ando que la combinación de ambos
senso es mejo aba no ablemen e las es imaciones de las al u as y del adio de copa de los
á boles en e al uso indi idual de cada uno de ellos; To alba e al. (2018) compa a on el
po encial del uso combinado de ALS de onda comple a y TLS en e al uso de da os ALS
disc e os pa a clasi ica cinco ca ego ías de ecosis emas o es ales con di e en es especies
a bó eas con dos ni eles de cobe u a de so obosque y ob u ie on una mejo a de un 33%; o
Dob e e al. (2021), quienes combina on ambos senso es pa a ca ac e iza con iabilidad la
es uc u a ho izon al y la dis ibución espacial de los á boles en odales de Que cus pe aea
(Ma .) Liebl. Fagus syl a ica L. y Picea abies L. (Ka s ) en Rumania.
Aunque menos abundan es en núme o, ambién se han combinado ambos senso es pa a
ca ac e iza la es uc u a del ma o al. En gene al, la me odología seguida se ha basado en
e alua el po encial de las mé icas de i adas de TLS como es imado es de las ca ac e ís icas
del ma o al pa a, en caso de que se ob engan buenos esul ados, emplea las es imaciones del
TLS como uen e de calib ación de los modelos desa ollados a pa i de ALS, ya que es os
úl imos pe mi en su aplicación a g an escala. Po ejemplo, Li e al. (2015), quienes emplea on
es a me odología pa a desa olla modelos de es imación del olumen del so obosque en
plan aciones de pino en China; G ea es e al. (2017), quienes u iliza on las nubes de pun os del
TLS pa a calib a con p ecisión las es imaciones ob enidas con ALS de biomasa aé ea de
ma o al en la und a á ica o Liu e al. (2017), quienes han desa ollado modelos de es imación
de la biomasa aé ea de A emisa iden a a Nu a pa i de da os ALS calib ados con mediciones
de TLS.
1.3.4 Técnicas es adís icas Machine Lea ning
Aunque no exis e una de inición o mal de Machine lea ning o ap endizaje au omá ico, la
in e p e ación más con encional hace e e encia al es udio cien í ico de algo i mos y modelos
es adís icos que u ilizan los sis emas in o má icos pa a ap ende de la expe iencia (da os
p e ios) y p edeci esul ados sin es a p og amados explíci amen e (Mahesh, 2020). La
p incipal en aja de es as me odologías, conec adas con el campo más amplio de la In eligencia
A i icial es su capacidad de ap ende y adap a se sin segui ins ucciones explíci as, u ilizando
algo i mos y modelos es adís icos pa a analiza y ex ae conclusiones a pa i de pa ones en
los da os (Hamedian a e al., 2022). Es deci , a pa i de algo i mos, los o denado es puedan
analiza da os sin es a p og amados pa a ello, iden i ica pa ones y oma decisiones,
mejo ando sus p edicciones au omá icamen e a a és de la expe iencia (Jo dan y Mi chell,
2015). Ac ualmen e, es a écnica es á en auge debido en g an pa e a la g an disponibilidad de
CECILIA ALONSO REGO
22
da os que se pueden ob ene lib emen e y a la necesidad de ges iona los y elaciona los pa a
da como esul ado p edicciones más p ecisas y obus as (Zhou e al., 2017).
En gene al, los mé odos de Machine Lea ning pueden clasi ica se en alguna de es as dos
ca ego ías: ap endizaje supe isado y ap endizaje no supe isado. En el ap endizaje
supe isado el algo i mo gene a una unción que es ablece una co espondencia en e las
a iables de en ada y las de salida, odas ellas p e iamen e conocidas. El ejemplo más ípico
de es e ipo de mé odos es el de clasi icación de ca ego ías en el que el sis ema de ap endizaje
a a de clasi ica una se ie de da os ca ac e izados po un ec o de a iables conocidas, en una
de en e a ias ca ego ías di e en es empelando como base una se ie de ejemplos ya
p e iamen e clasi icados como mues a.
En el ap endizaje no supe isado odo el p oceso se lle a a cabo sob e un conjun o de da os
ca ac e izados po un ec o de a iables conocidas, pe o sin in o mación p e ia de mues a
que si a de base. Po lo an o, en es e caso, el sis ema iene que se capaz de econoce pa ones
pa a pode e ique a (clasi icación) o asigna alo es (cuan i icación) las nue as en adas.
El uso de modelos de Machine Lea ning en las ciencias ambien ales ha expe imen ado un
ápido auge en la úl ima década, como demues an las ecien es e isiones en campos como las
geociencias (Ka pa ne e al., 2019; Salcedo-Sanz e al., 2020), la ecología o es al (Liu e al.,
2018), la p edicción me eo ológica ex ema (McGo e n e al., 2017), la p edicción de
inundaciones (Mosa i e al., 2018), la elede ección y la de ección de cambios (La y e al., 2016;
Shi e al., 2020), la ges ión de los ecu sos híd icos (Shen, 2018; Sun y Scanlon, 2019) o el
campo de los incendios o es ales (Jain e al., 2020).
El uso de Machine Lea ning en el ámbi o o es al ha aba cado un amplio campo de
aplicaciones en e las que se incluyen la es imación de la biomasa o es al (e.g. Ga cía-
Gu ié ez e al., 2016; Na ine e al., 2019) y del olumen de á boles (e.g. Liu e al., 2019); la
es imación de la al u a del a bolado (e.g. Wang e al., 2021; Gup a y Sha ma, 2022); la mejo a
de la capacidad p edic i a de da os LiDAR en la es imación de ca ac e ís icas de odal (e.g.
Ay ey Hayes, 2018); la iden i icación y clasi icación de especies (e.g. Guan e al., 2015;Ham az
e al., 2019; F icke e al., 2019), la p edicción de elaciones en e al u as y diáme os de á boles
(e.g. E canlı, 2020); la de ección de á boles a ec ados po plagas y en e medades o es ales (e.g.
Sa ono a e al., 2019); la de ección y seguimien o de incendios o es ales (Chen e al., 2019);
la e aluación de daños po ien o (Hamdi e al., 2019); la modelización y p edicción de la
idoneidad de un hábi a pa a una de e minada especie (e.g. Ga zón e al., 2006; Rahmanian e
al., 2021) o la de ección y ca og a iado de la made a mue a como indicado indi ec o de la
salud o la biodi e sidad de los bosques a pa i de imágenes aé eas (e.g. Syl ain e al., 2019).
Sin emba go, son ela i amen e pocos los es udios que han empleado me odologías de
Machine Lea ning pa a modeliza ca ac e ís icas de combus ibles o es ales, obje i o p incipal
de es a esis. Cabe des aca los abajos pione os de Riaño e al. (2005), quienes u iliza on
me odologías de Machine Lea ning pa a p edeci y ca og a ia el con enido de ma e ia seca de
mues as de hojas húmedas y secas de 49 especies de plan as de hoja ancha u ilizando alo es
de e lec ancia y ansmi ancia; de Ga cía e al. (2011a), quienes u iliza on Suppo Vec o
Machine pa a clasi ica da os LiDAR y mul iespec ales pa a ca og a ia ipos de combus ible
en España; de Pie ce e al. (2012) quienes u iliza on Random Fo es pa a clasi ica impo an es
a iables de combus ible del dosel como la cabida cubie a, la al u a media, la al u a de la base
del dosel o su densidad apa en e u ilizando mediciones de campo, da os opog á icos y NDVI
1. In oducción
23
pa a p oduci mapas de combus ible del dosel o es al; de Chi ici e al. (2013), quienes
compa a on el uso de á boles de eg esión, Random Fo es y S ochas ic G adien Boos ing pa a
ca og a ia combus ibles en I alia; de Riley e al. (2014) quienes ambién emplea on Random
Fo es pa a ca og a ia el combus ible a pa i de imágenes de senso es emo os combinadas
con a iables bio ísicas o de López-Se ano e al. (2016), quienes compa a on el endimien o
de Suppo Vec o Machine, K-Nea es Neighbou y Random Fo es en la es imación de la
biomasa aé ea del bosque. La Figu a 1.5 mues a un esquema de las me odologías de Machine
Lea ning más empleadas en el ámbi o de los incendios o es ales (Jain e al., 2020).
Figu a 1. 5. Esquema de los p incipales ipos de ap endizaje au omá ico (Machine
lea ning), la me odología u ilizada, los ipos de da os y las posibles aplicaciones en la ges ión
de los incendios o es ales. BRT = Boos ed eg ession ees; CART = Classi ica ion and
eg ession ee; DT = Decision ees; FA = ac o analysis; GA = Gene ic algo i hms; GAM =
Gene alized addi i e model; GLM = Gene alized linea model; GMM = Gaussian mix u e
models; GP = Gaussian p ocesses; KNN = K-nea es neighbo ; KM = k-means clus e ing; LDA
= Linea disc iminan analysis; LR = Logis ic eg ession; MaxEn = Maximum en opy; MARS
= Mul i a ia e adap i e eg ession splines; MLR = Mul iple linea eg ession; MM = Ma ko
models; PCA = P incipal componen analysis; RF = Random o es y SVM = Suppo ec o
machines. Elabo ación p opia a pa i de Jain e al. (2020).
Tipos de Machine
Lea ning
E alua da os de mues a
pa a es ima espues as
Va iable
dependien e
con inua
Reg esión
Va iable
dependien e
ca egó ica
Clasi icación
Ap endizaje Supe isado Ap endizaje No
Su
p
e isado
E alua pa ones y es ima
es
p
ues as
Va iable dependien e no
medida
Clus e ing Reducción
dimensional
DT, CART,
RF, GP, GA,
MLR, GLM,
GAM,
MARS
LR, LDA KM, GMM,
MM, PCA
RF. BRT,
MaxEn ,
PCA, FA
Suscep ibilidad al uego
P edicción del á ea de
p opagación
Ocu encia de incendio
Se e idad del uego
P edicción del humo
Cambio del clima
Ca ac e ización de
los combus ibles
De ección del
uego
Mapeo del uego
De ección del uego
Mapeo del uego
P edicción del á ea
quemada
P edicción
me eo ológica del
ue
g
o
Con ol del en o no
del incendio
Suscep ibilidad del
uego
P edicción del á ea de
p
opagación
Me odología
Da os
P opósi o
Algo i mos
Típicos
Posibles
Aplicaciones
CECILIA ALONSO REGO
24
Las me odologías de Machine Lea ning u ilizadas en es a esis, y que se desc ibi án con
más de alle en el apa ado de Ma e ial y Mé odos, han sido Random Fo es (RF); Suppo
Vec o Machines (SVM) y Mul i a ia e Adap i e Reg ession Splines (MARS).
2. Obje i os
27
2. OBJETIVOS
En es e p oyec o de esis se plan ea on una se ie de obje i os que se lle a on a cabo en
o maciones ege ales de Galicia:
1. Ca ac e ización e ical y espacial de la biomasa de o maciones ege ales de Ulex sp.,
P e ospa um iden a um y E ica aus alis (A ículo 1 y Comunicación 8ºCong eso Fo es al
Español) y a bó eas de Pinus pinas e y Pinus adia a (A ículo 2) median e el empleo del
mues eo con senso es emo os y écnicas de obs ucción isual en campo.
2. Modeliza la es imación de la ca ga de biomasa empleando como a iables
independien es las mé icas ob enidas en los mues eos con TLS (A ículo 1 y 2) y ALS
(A ículo 2).
3. P oba el uso po encial de las mé icas de escáne láse aé eo (ALS) de baja densidad,
del escáne láse e es e (TLS) y la in eg ación de ambos, en odales de Pinus pinas e y P.
adia a pa a p opo ciona es imaciones de las a iables elacionadas con los incendios de
supe icie y del dosel de copas. (A ículo 2).
4. Compa a dos en oques al e na i os (Indi ec o y Di ec o) pa a es ima las ca gas de
biomasa de ma o al desa bolado desag egadas po acciones de clases de amaño y es ado
i o o mue o a pa i de da os TLS. (A ículo 1).
5. E alua el endimien o compa a i o de di e en es écnicas de ap endizaje au omá ico no
pa amé ico u ilizadas pa a es ima las p incipales a iables elacionadas con el odal y el uego
a pa i de las mé icas ob enidas con senso es emo os: Mul i a ia e Adap i e Reg ession
Splines (MARS), Suppo Vec o Machine (SVM) y Random Fo es (RF). (A ículo 2).
6. C ea modelos a ni el de á bol indi idual y de odal pa a la es imación de la ca ga de
biomasa seca en escale a en plan aciones de Pinus adia a sin poda . (A ículo 3).
3. Ma e ial y Mé odos
CECILIA ALONSO REGO
36
se puede obse a un esquema del disposi i o de medición que se de alla en los apa ados
siguien es.
Figu a 3. 3. Ejemplo de uno de los cuad ados de mues eo incluyendo el ansec o lineal
(pe íme o y diagonal del cuad ado), la ubicación de la banda g aduada (cen o de la imagen) y
c oquis con la ubicación del TLS y las anjas limpias de ege ación (a iba, de echa).
In en a io po ansec os y cálculo de ca gas de combus ible (a ículo 1 y comunicación
8CFE)
Sob e los ansec os lineales es ablecidos a lo la go del pe íme o y de una de las diagonales
in e io es de cada cuad ado se ealiza on las siguien es mediciones: i) longi udes ho izon ales
de las di e en es especies de ma o al in e cep adas po el ansec o (cm), cuya in o mación se
u ilizó pa a calcula pos e io men e la cobe u a del ma o al (Co sh ) según el mé odo
p opues o po Can ield (1941); ii) al u a de inicio del combus ible i o y mue o (cm) y al u a
o al del ma o al (cm) de cada una de las especies in e cep adas cada 50 cm de longi ud del
ansec o, y iii) espeso del conjun o de las capas de hoja asca y man illo, ambién cada 50 cm
de longi ud del ansec o. Las capas de ma o al y man illo se midie on como un odo debido a
que en es e ipo de comunidades en gene al no es á cla amen e de inida la sepa ación en e
ellas, po an o, a pa i de aquí, y al como se hizo en el a ículo 1, se ha á e e encia al conjun o
como hoja asca (Li e ).
A con inuación, se emplea on las mediciones de al u as del ma o al pa a ob ene su al u a
media (ℎ
), como la media de la al u a máxima medida en cada pun o del ansec o; y ambién
las mediciones de espeso de hoja asca pa a ob ene el espeso medio de es a capa (𝑑
).
3. Ma e ial y Mé odos
37
Las ca gas de combus ible de cada comunidad se es ima on u ilizando los sis emas de
ecuaciones de biomasa especí icos pa a comunidades de ma o al desa bolado en Galicia
desa ollados po A ellano-Pé ez e al. (2020), y que u ilizan Co sh , ℎ
y 𝑑
como a iables
independien es. Es os sis emas incluyen ecuaciones pa a cada una de las siguien es sie e
acciones: ca ga de combus ible ino mue o (diáme o<0.6 cm; Wsh _G1_dead); ca ga de
combus ible ino i o (diáme o<0.6 cm; WSh _G1_li e); ca ga de combus ible ino o al
(diáme o<0.6 cm; WSh _G1, mue o + i o); ca ga de combus ible g ueso (diáme o≥0.6 cm;
WSh _G23); ca ga o al de ma o al (WSh , ino + g ueso); ca ga de hoja asca (WLi ) y ca ga o al
de combus ible de ma o al y de hoja asca (Wsh _Li ). En la Tabla 3.3 se mues an los
es adís icos desc ip i os básicos de las p incipales ca ac e ís icas es uc u ales de las capas de
ma o al y hoja asca de cada comunidad analizada.
Tabla 3. 3. Desc ipción de las p incipales ca ac e ís icas de las capas de ma o al y de
hoja asca. D.s.= des iación es ánda ; n = núme o de pa celas; 𝒉𝑺𝒉𝒓
= al u a media del ma o al;
Co Sh =cobe u a del ma o al; 𝒅𝑳𝒕𝒕
= p o undidad media de la hoja asca; WSh _G1_dead = ca ga
de ma o al ino mue o; WSh _G1_li e = ca ga de ma o al ino i o; WSh _G1 = ca ga de ma o al
ino; WSh _G23 = ca ga de ma o al g ueso; WSh = ca ga o al de ma o al; WLi = ca ga de
hoja asca; WSh + Li = ca ga de ma o al y hoja asca. De echos de au o 2020, Remo e Sensing.
Es adís ico
Ea P Ue Ug
Va iable n = 15 n = 10 n = 15 n = 15
ℎ
Media (D.s.) 84.91(31.48) 90.37(33.94) 108.18(19.95) 65.43(21.77)
(cm) Ran
g
o 38.24-150.76 42.86-151.05 59.71-113.10 13.90-109.33
Co Sh Media (D.s.) 99.80 (0.52) 99.34 (1.20) 99.64 (0.77) 98.32 (3.17)
(%) Ran
g
o 98.15-100 96.3-100 97.69-100 87.5-100
𝑑
Media (D.s.) 2.38 (1.17) 4.03 (1.19) 5.49 (2.11) 4.56 (0.98)
(cm) Ran
g
o 0.78-5.60 2.02-5.86 3.08-10.55 2.40-5.81
WSh
_
G1
_
dead Media (D.s.) 0.41 (0.12) 0.84 (0.17) 0.89 (0.09) 0.75 (0.18)
(kg m-2) Ran
g
o 0.20-0.63 0.58-1.01 0.65-1.00 0.20-1.00
WSh _G1_li e Media (D.s.) 1.19 (0.23) 1.47 (0.25) 1.40 (0.07) 1.53 (0.23)
(kg m-2) Ran
g
o 0.76-1.53 1.08-1.73 1.18-1.48 0.72-1.69
WSh _G1 Media (D.s.) 1.60 (0.36) 2.31 (0.42) 2.29 (0.16) 2.28 (0.41)
(kg m-2) Ran
g
o 0.96-2.16 1.66-2.74 1.83-2.47 0.92-2.69
WSh _G23 Media (D.s.) 0.48 (0.36) 0.62 (0.40) 1.17 (0.31) 0.37 (0.28)
(kg m-2) Ran
g
o 0.06-1.38 0.12-1.37 0.46-1.58 0.00-1.09
WSh Media (D.s.) 2.08 (0.71) 2.93 (0.80) 3.47 (0.47) 2.65 (0.63)
(kg m-2) Ran
g
o 1.02-3.54 1.77-3.99 2.29-4.05 0.93-3.78
WLi Media (D.s.) 1.00 (0.36) 1.38 (0.49) 1.89 (0.64) 1.70 (0.35)
(kg m-2) Ran
g
o 0.45-1.91 0.71-2.25 1.14-3.40 0.93-2.14
WSh + Li Media (D.s.) 3.08 (0.99) 4.31 (1.11) 5.35 (1.02) 4.35 (0.84)
(kg m-2) Ran
g
o 1.70-5.45 2.54-6.24 3.98-7.45 2.51-5.75
Ea = E ica aus alis, P = P e ospa um iden a um, Ue = Ulex eu opaeus y Ug = Ulex
gallii/U. mino .
CECILIA ALONSO REGO
38
Da os TLS (a ículo 1)
La oma de da os de LiDAR e es e se lle ó a cabo empleando un disposi i o FARO
Lase Scanne Focus3D X 130 TLS con una densidad de pun os equi alen e a la de una malla
cuad ada de pun os con ~7.67 mm de lado a una dis ancia del pun o de es acionamien o del
disposi i o de 10 m. Es e equipo es un láse de clase I, con una longi ud de onda de 1550 nm,
con un alcance ope a i o de en e 0.6 y 130 m pa a obje os con un 90% de e lec i idad y con
una p ecisión de ±2 mm a 10 m de alcance. Se ealizó un único escaneo po cuad ado de
mues eo si uando el TLS a una dis ancia de 3 m del lado del cuad ado si uado en cu a de ni el
y en la pa e más baja de la lade a (Figu a 3.4).
Figu a 3. 4. Imagen de la ubicación del TLS (izquie da) y de la oma de da os y escaneo
(de echa) en una de las pa celas de mues eo.
El iche o con los da os b u os ob enidos po el escáne se ans o mó a o ma o “las” pa a
su p ocesado empleando el so wa e de código abie o y licencia lib e R (R Co e Team, 2020).
A g andes asgos, la p ime a ase del p ocesado consis ió en eco a la nube de pun os pa a
limi a la al in e io del cuad ado de mues eo. A con inuación, se p ocedió a iden i ica los
e o nos co espondien es al suelo pa a, a pa i de ellos, elabo a un modelo digi al del e eno
(MDT). Una ez de e minado el MDT, se p ocedió a no maliza los da os de la coo denada z
de cada e o no pa a ans o ma los en alo de al u a sob e el e eno (h) y inalmen e se
u iliza on es os alo es pa a calcula 32 mé icas elacionadas con la dis ibución e ical de las
nubes de pun os. Las mé icas y sus co espondien es desc ipciones se esumen en la Tabla 3.4.
3. Ma e ial y Mé odos
39
Tabla 3. 4. Mé icas de i adas de las nubes de pun os del escáne láse e es e (TLS).
Mé ica Desc ipción
hmax (cm) Máxima al u
a
hmean(cm) Al u a Media
hmode(cm) Moda de las al u as
hmedian(cm) Mediana de las al u as
hSD(cm) Des iación es ánda de las al u as
hskewness Coe icien e de asime í
a
hku ois Coe icien e de
k
u osis
h01, h05, h10, h15, h20,…, h90, h95, h99 (cm) Pe cen iles de al u
a
h25
y
h75 (cm) P ime
y
e ce cua il de las al u as
I
QR (cm) Dis ancia in e cua ílica (h75 - h25)
P
Ahmean Ra io de e o nos po encima de hmean
P
Ahmode Ra io de e o nos po encima de hmode
Uno de los p incipales incon enien es del uso del TLS en el medio o es al son las
oclusiones en la oma de da os debidas a la ege ación. Es as oclusiones a ec an en g an medida
a es as comunidades de ma o al an densas, de modo que el núme o de e o nos ob enidos se
educe a medida que el haz de láse se aden a desde el en e de ma o al hacia el in e io . Pa a
a a de homogeneiza el p oceso de oma de da os con el TLS y la ob ención de unas mé icas
obus as, se lle ó a cabo un análisis pa a de e mina la dis ancia óp ima desde el en e de
ege ación hacia el in e io a conside a en la nube de pun os, a pa i de la cual se calculan
dichas mé icas. Pa a ello, y en cada pa cela, se calcula on odas las mé icas empleando la nube
de pun os eco ada a una dis ancia hacia el in e io de 10 cm desde el en e y se epi ió el
p oceso inc emen ando dicha p o undidad de la nube de pun os de 5 en 5 cm, has a llega a una
p o undidad máxima de 50 cm, a pa i de la cual se obse ó que los e o nos e an muy poco
ecuen es. Pos e io men e se compa a on las mé icas ob enidas pa a cada p o undidad y se
conside ó como más ap opiada una dis ancia de 30 cm desde el en e de ege ación, pues o
que se obse ó que pa a es a dis ancia los alo es de las mé icas se es abilizan, po lo que se
limi a on odas las nubes de e o nos láse a ese umb al de p o undidad ( e Figu a 3.5).
Además de las mé icas de al u as ambién se calcula on o as dos a iables ep esen a i as
de la cobe u a e ical y de la cobe u a espacial del ma o al. La eó ica cobe u a e ical del
ma o al se es imó como la a io en e el núme o obse ado de e o nos láse de la nube de
pun os y el núme o máximo de e o nos láse l max_ e , es imado como el núme o de e o nos
que se ob end ían en unción de la densidad de pun os del disposi i o (dis ancia en e e o nos
de ~7.67 mm a una dis ancia de 10 m) conside ando el en e del ma o al como un plano e ical
opaco con al u a igual a hmax. Po o o lado, pa a la es imación de la cobe u a espacial del
ma o al se di idió el olumen apa en e de las nubes de pun os idimensionales de cada pa cela
(2 x 2 x hmax) en cubos de 1 cm3 y se calculó la a io en e el núme o de cubos que con enían
e o nos y el núme o o al de cubos. Ambas a ios se ans o ma on calculando la aíz cuad ada
del a coseno de sus alo es en an o po uno pa a es abiliza la a ianza y mejo a la no malidad
(Bliss, 1938), dando luga así a las a iables TLS Co Sh y TLS3DCo Sh . Po úl imo, se
modelizó la dis ibución e ical de las nubes de pun os median e la unción de densidad de
p obabilidad (pd ) de Weibull con dos pa áme os. Pa a ello se di idió el p isma de 2 me os
de ancho, po 30 cm de p o undidad y una al u a igual a hmax que con iene la nube de pun os a
analiza en capas de 1 cm de al u a desde el suelo y se de e minó la a io de e o nos en cada
CECILIA ALONSO REGO
40
capa en e al o al de e o nos pa a ob ene las ecuencias ela i as. Los pa áme os de escala
(Wscale) y de o ma (Wshape) de la unción de p obabilidad de Weibull se es ima on u ilizando el
p ime y el segundo momen o de la dis ibución e ical de los e o nos láse en ecuencias
ela i as (Cao e al., 1982).
Figu a 3. 5. Ejemplos de cuad ados de mues eo en Ulex eu opaeus (supe io ) y Ulex gallii /
U. mino (in e io ) y nubes de e o nos láse de i adas del escaneo del TLS ob enidas as el
p ocesamien o de los da os b u os. De echos de au o 2020, Remo e Sensing.
Como se ha comen ado an e io men e, odo el abajo de p ocesado de nubes de pun os, de
cálculo de mé icas de i as del TLS y de es imación de los pa áme os de la pd de Weibul
ue on p og amados en R (R Co e Team, 2020) con el apoyo de las lib e ías “ gl” (Alde e al.,
2020) y “e1071” (Meye e al., 2020).
Finalmen e, se conside a on como po enciales a iables independien es en los modelos de
es imación de las ca gas de combus ible las a ios TLS Co Sh y TLS3DCo Sh ans o madas
pa a ga an iza su no malidad, los pa áme os de la unción de Weibull (Wscale y Wshape) y las 32
mé icas elacionadas con la dis ibución e ical de las nubes de pun os (Tabla 3.4).
3. Ma e ial y Mé odos
41
Da os de obs ucción isual de la ege ación (comunicación 8CFE)
Pa alelamen e, en cada una de las pa celas de es udio se ealiza on una se ie de mediciones
de obs ucción isual del ma o al con una ba a de 2 me os de longi ud y 5 cm de anchu a
di idida en bandas de 10 cm, siguiendo la me odología p opues a po Da ies e al. (2008). El
p ocedimien o lle ado a cabo consis ió en si ua la ba a en el in e io del cuad ado de mues o
de 2x2 m, a una p o undidad de 50 cm del cen o del en e de ege ación ( e Figu a 3.6). La
ba a se in odujo en e ical has a llega a la supe icie del suelo mine al cub iendo, po lo
an o, la o alidad de la capa de hoja asca. Desde el en e de ege ación se es imó isualmen e
la cobe u a e ical del ma o al en po cen aje en cada banda de 10 cm, di e enciando las
especies leñosas p esen es y el es ado ege a i o de las mismas, es deci , i o o mue o.
Además, se es imó el espeso de la hoja asca (dLi ) y la al u a o al del ma o al (hSh ), omando
como e e encia pa a es a úl ima la supe icie de la capa de hoja asca y las al u as de cada
especie (Da ies e al., 2008).
Figu a 3. 6. Ejemplo de la obs ucción isual p o ocada po la ege ación en una de las pa celas
de es udio a pa i de la cual es ima la ca ga y la es uc u a e ical del ma o al.
Con es os da os de cobe u a de la banda de cada pa cela se ajus ó un modelo logís ico:
𝑝𝑒
1𝑒 (3.1)
Donde pi es el an o po uno de cobe u a de la banda i (i = 1 a 20) y hi es la al u a a la que
es á el pun o medio de la banda i cuando el ma o al sob epasa la banda en al u a y, en el caso
de que la al u a del ma o al no llegue a sob epasa la banda (úl ima banda pa cialmen e
CECILIA ALONSO REGO
42
ocupada), en onces hi es la al u a del pun o medio de la longi ud obs uida de dicha banda. Po
ejemplo, si el ma o al llega has a 67 cm de al u a, la úl ima banda con ma o al obs uyendo
su isión a de 60 a 70 cm y el alo de hi pa a es a banda se ía de 63.5 cm.
Una ez es imados los pa áme os a y b del modelo logís ico de pe il de combus ible de
cada pa cela se ob u ie on los alo es de una se ie de mé icas pa a cada una de ellas (Da ies
e al., 2008): i) la suma de los an os po uno de obs ucción de ma o al en cada banda pa a el
o al de la ba a (obsacum); ii) el a io en e la al u a de la hoja asca y la al u a o al ( Li ); iii) el
índice CDI (Canopy Densi y Index) de inido po Da ies e al. (2008), que se co esponde con
el alo del pa áme o b que, a su ez, se co esponde con la pendien e de la ec a de la
ans o mación loga í mica de la ecuación (3.1) 𝑙𝑜𝑔(𝑝𝑖/(1 − 𝑝𝑖)) = 𝑎 + 𝑏ꞏℎ𝑖y4) el pa áme o BM
(Biomass Measu e), de inido po Da ies e al. (2008), que se co esponde con el á ea bajo la
cu a del pe il ob enido po in eg ación del modelo logís ico en e 0 y la al u a máxima del
ma o al (hmax):
𝐵𝑀 𝑒∗
1𝑒∗ 𝑑ℎ
(3.2)
Asumiendo que 𝑒∗𝑡, en onces 𝑏∗𝑒∗𝑑ℎ𝑑𝑡 y po an o se puede ob ene
la p imi i a de la in eg al an e io :
𝐵𝑀 𝑒∗
1𝑒∗ 𝑑ℎ
1
𝑏∗1𝑡
∗
𝑑𝑡⇒
⇒ 𝐵𝑀1
𝑏𝑙𝑜𝑔1𝑒∗𝑙𝑜𝑔1𝑒
(3.3)
3.1.3 Modelos de es imación de ca gas de combus ible
Una ez ob enidas odas las po enciales a iables eg eso as, an o de los escaneos del TLS
como de las obse aciones en la ba a de oclusión isual, se p ocedió al desa ollo de modelos
de es imación de ca gas de combus ible desag egadas po es a o, clases de amaño y es ado
ege a i o. Pa a ello, se compa a on dos en oques di e en es, po una pa e, una es imación
di ec a (ED), empleada an o en el a ículo 1 como en la comunicación al 8CFE, y una
es imación indi ec a (EI), empleada únicamen e en el a ículo 1.
El en oque di ec o (ED) se basó en el ajus e de un sis ema de sie e ecuaciones que
elacionan di ec amen e la ca ga de combus ible de cada acción de biomasa con las mé icas
y a iables de i adas del TLS (a ículo 1) o de i adas de las mediciones de obs ucción isual
de la ege ación (comunicación del 8CFE). Po o o lado, la es imación indi ec a (EI) se basó
en el ajus e de un conjun o de es ecuaciones que elacionan las a iables Co Sh , ℎ
y 𝑑
ob enidas median e in en a io de campo, con las a iables y mé icas de i adas del TLS, así
como en el pos e io uso de las ecuaciones de es imación de ca gas desa olladas
especí icamen e pa a comunidades de ma o al desa bolado de Galicia (A ellano-Pé ez e al.,
3. Ma e ial y Mé odos
43
2020), pues o que es as ecuaciones u ilizan como a iables independien es p ecisamen e
Co Sh , ℎ
y 𝑑
.
En el en oque indi ec o (EI) se u iliza on modelos lineales (y = α0 + αiꞏXi) pa a ajus a las
ecuaciones de es imación de las a iables ℎ
y 𝑑
y un modelo logís ico con una asín o a
ho izon al igual a 100 𝑦100 1𝑒
⁄pa a es ima la a iable Co Sh . El mejo
conjun o de a iables independien es (Xi) se seleccionó u ilizando el mé odo de selección
a iables paso a paso (s epwise) linealizando p e iamen e el modelo logís ico median e
loga i mos.
En el en oque ED se p oba on modelos alomé icos (𝑦𝛾𝑋) pa a las sie e acciones
de combus ibles analizadas. Es as ecuaciones alomé icas deben cumpli la p opiedad de
adi i idad, es deci , la suma de las es imaciones de ca ga de las acciones de combus ible po
sepa ado debe se igual a la es imación de ca ga de la acción que las ag upa (po ejemplo, la
suma de las es imaciones de ca ga de ma o al ino mue o y de ma o al ino i o debe se
igual a la es imación de ca ga o al de ma o al ino, o la suma de las es imaciones de ca ga de
ma o al ino y de ma o al g ueso iene que se igual a la es imación de ca ga o al de ma o al).
Pa a ga an iza la p opiedad de adi i idad se u ilizó un mé odo de desag egación basado en
de ini un modelo pa a la es imación de la ca ga o al de ma o al y hoja asca pa a después i
condicionándolos pa áme os de las dis in as ecuaciones de es imación de cada acción en
unción de las elaciones de adi i idad ( e , po ejemplo, los abajos de Tang e al., 2001 y
Tang y Wang, 2002).
En un p ime paso, la ecuación de cada acción se linealizó median e loga i mos y se ajus ó
po sepa ado u ilizando mínimos cuad ados o dina ios (OLS) pa a modelos lineales,
seleccionándose el mejo conjun o de a iables independien es (Xi) median e el mé odo de
selección de a iables s epwise. Después se ajus ó simul áneamen e el sis ema comple o de sie e
ecuaciones (una po acción) pa a ga an iza la adi i idad. De es e modo, la exp esión gene al
de cada una de las sie e ecuaciones se de i ó de la siguien e mane a:
En p ime luga , se emplea una ecuación alomé ica pa a es ima la ca ga o al de
combus ible (ma o al y man illo) 𝑊
conjun amen e.
𝑊
𝑎
𝑋
(3.4)
Se de inen o as dos ecuaciones alomé icas pa a disc imina en e la ca ga del combus ible
de ma o al (WSh ) y la del man illo (WLi ) po desag egación de la ecuación an e io :
𝑊
𝑒𝑥𝑝 𝑏 𝑏𝑙𝑜𝑔𝑋 y 𝑊
𝑒𝑥𝑝 𝑏 𝑏𝑙𝑜𝑔𝑋;
po lo an o: 𝑊
𝑊
𝑊
𝑊
𝑊
1
1𝑊
𝑊
⁄
De es e modo, la ecuación pa a es ima la ca ga de combus ible de ma o al ue:
CECILIA ALONSO REGO
44
𝑊
𝑊
1
1𝑒𝑥𝑝𝑏𝑏𝑙𝑜𝑔
𝑋
(3.5)
siendo b0 = b0Li - b0Sh y bi = biLi - biSh ; y la ecuación pa a la ca ga del man illo ue:
𝑊
𝑊
𝑊
𝑊
11
1𝑒𝑥𝑝𝑏𝑏𝑙𝑜𝑔
𝑋
(3.6)
A con inuación, se desag egó la ecuación (3.5) pa a ob ene dos ecuaciones que
disc iminen en e la ca ga de combus ible de ma o al g ueso (WSh _G23) y ino (WSh _G1):
𝑊_
𝑒𝑥𝑝 𝑐 𝑐𝑙𝑜𝑔𝑋, y 𝑊_
𝑒𝑥𝑝 𝑐 𝑐𝑙𝑜𝑔𝑋
𝑊_
𝑊
𝑊_
𝑊_
𝑊_
1
1𝑊_
𝑊_
De es e modo la ecuación de es imación de la ca ga de combus ible g ueso ue:
𝑊_
𝑊
1
1𝑒𝑥𝑝𝑐𝑐𝑙𝑜𝑔
𝑋
(3.7)
siendo c0 = c0g1- c0g23 y ci = cig1- cig23 y la de la ca ga de combus ible ino ue:
𝑊_
𝑊
𝑊_
𝑊
11
1𝑒𝑥𝑝𝑐𝑐𝑙𝑜𝑔
𝑋
(3.8)
Finalmen e, la desag egación de la ecuación (3.8) da luga a dos ecuaciones que pe mi en
disc imina en e la ca ga de combus ible de ma o al ino mue o (WSh _G1_dead) y i o
(WSh _G1_li e):
𝑊__
𝑒𝑥𝑝 𝑑_ 𝑑_𝑙𝑜𝑔𝑋 y
𝑊__
𝑒𝑥𝑝 𝑑_ 𝑑_𝑙𝑜𝑔𝑋
𝑊__
𝑊_
𝑊__
𝑊__
𝑊__
1
1𝑊__
𝑊__
Po an o, la ecuación de es imación de la ca ga de combus ible ino mue o ue:
𝑊__
𝑊_
1
1𝑒𝑥𝑝𝑑𝑑𝑙𝑜𝑔
𝑋
(3.9)
siendo d0 = d0g1_l - d0g1_d y di = dig1_l - dig1_d; y la ecuación de la ca ga de combus ible ino
i o ue:
3. Ma e ial y Mé odos
45
𝑊__
𝑊_
𝑊__
𝑊_
11
1𝑒𝑥𝑝𝑑𝑑𝑙𝑜𝑔
𝑋
(3.10)
La p esencia de mul icolinealidad en e las a iables en las ecuaciones se e aluó a a és
del núme o de condición (condi ion numbe “cn”). De acue do con Mye s (1990), alo es de
“cn” supe io es a √1000 indican p oblemas asociados a la mul icolinealidad. En el caso de
de ec a p oblemas de mul icolinealidad se elimina á alguna de las a iables eg eso as que
es én ue emen e co elacionadas. La p esencia de he e oscedas icidad se e aluó median e el
es de Whi e (Whi e, 1980) y median e la inspección isual de los g á icos de esiduos
s uden izados en e a alo es p edichos de las ca gas. En el caso de de ec a p oblemas de
he e oscedas icidad, cada obse ación se ponde a po el in e so de su a ianza es imada (𝜎),
asumiendo que es a a ianza se puede modela como una unción po encial de las a iables
independien es (Cailliez, 1980), es deci , 𝜎𝑋k. El alo del é mino exponencial k se
op imizó pa a p opo ciona el g á ico de esiduos más homogéneo u ilizando el mé odo
p opues o po Ha ey (1976).
Las sie e ecuaciones no lineales (ecuaciones 3.4 a 3.10) cons i uyen un sis ema y ue on
ajus adas simul áneamen e empleando la me odología Non Linea Seemingly Un ela ed
Reg ession (NLSUR), que iene en cuen a las co elaciones en e los e o es en e dichas
ecuaciones del sis ema. Los ajus es se ealiza on con el p ocedimien o MODEL del p og ama
SAS/ETS® (SAS Ins i u e Inc., 2004) y, en el caso de que ue a necesa io, el ac o de
ponde ación pa a la co ección de la he e oscedas icidad se p og amó en el p opio
p ocedimien o.
Pa a e alua la bondad de los ajus es se u iliza on dos es adís icos: el coe icien e de
de e minación (R2) y la aíz del e o medio cuad á ico (RMSE):
𝑅1∑𝑌𝑌
∑
𝑌𝑌
(3.11)
𝑅𝑀𝑆𝐸
∑𝑌𝑌
𝑛1
(3.12)
Donde 𝑌, 𝑌 e 𝑌 son los alo es obse ados, p edichos y medios de las a iables
dependien es y n es el núme o o al de obse aciones u ilizadas pa a ajus a cada ecuación.
Como el núme o de pa celas de mues eo po comunidad de ma o al es limi ado no es
posible ajus a un sis ema pa a cada una de ellas po sepa ado. Po an o, se u ilizó la base de
da os comple a an o pa a los en oques di ec o e indi ec o a pa i de mé icas TLS (a ículo 1)
como pa a el en oque di ec o a pa i de mé icas de i adas de la obs ucción isual de la banda
(comunicación 8CFE). Sin emba go, las di e encias en e las cua o comunidades de ma o al
se e alua on en odos los casos expandiendo los pa áme os a0, b0, c0 y d0 con una elación
lineal que incluye pa áme os asociados con a iables ca egó icas (dummy) pa a di e encia
en e comunidades: 𝛼𝛼𝛼𝐼𝛼𝐼𝛼𝐼
CECILIA ALONSO REGO
52
hoja asca y man illo (WLFH), ecuaciones que son especí icas pa a es e ipo de combus ibles en
pina es de Galicia:
𝑊0.0052 . ℎ
0.2095 . 100
ℎ
.
√
𝑁..ℎ
. (3.18)
𝑊0.5374. 𝑑
. (3.19)
Donde 𝑊 es la ca ga o al de la ege ación de so obosque (Kg m-2), WLFH es la ca ga de
hoja asca y man illo (Kg m-2), ℎ
es la al u a media de la ege ación del so obosque
ponde ada po su cobe u a (cm); 𝑑
es el espeso (cm) de las capas de hoja asca y
man illo; ℎ es la al u a media del a bolado (m) y N es su densidad (pies ha-1).
La ca ga de es os leñosos caídos de los di e en es iempos de e ado (Wdeb is) se es imó po
el mé odo del ansec o plana (B own, 1971; 1974) a pa i de las elaciones exis en es en e el
núme o de piezas in e cep adas, la longi ud del ansec o in en a iado y la densidad de la
made a.
Po úl imo, se de e minó la dis ancia e ical en e los es a os del combus ible de
supe icie y del dosel ( uel s a a gap, FSG) como la di e encia en e CBH y la al u a media de
la ege ación de so obosque (ℎ
). Los alo es medios y las des iaciones es ánda de las
di e en es a iables de so obosque calculadas se mues an en la Tabla 3.7 pa a cada especie de
pino y ipo de a amien o.
Tabla 3. 7. Resumen es adís ico de las p incipales a iables del combus ible de supe icie. D.s.
= des iación es ánda ; C= con ol; HT: cla a ue e; ℎ
= al u a media de la ege ación de
so obosque ponde ada po la cobe u a; Co Sh = cobe u a del so obosque; FSG =
discon inuidad e ical en e el combus ible de supe icie y el dosel; Wdeb is = ca ga de es os
leñosos caídos; WLFH = ca ga de hoja asca y man illo y WSh = ca ga de la ege ación de
so obosque.
Va iables Es adís icos
Pinus pinas e Pinus adia a
C HT C HT
ℎ
(cm)
Media 30.39 37.57 46.19 56.96
D.s. 21.44 25.99 24.97 24.57
Co Sh
(%)
Media 28.16 44.55 51.45 55.08
D.s. 26.13 27.70 32.61 32.41
FSG
(m)
Media 8.79 8.52 10.04 8.66
D.s. 2.06 2.35 2.67 2.84
Wdeb is
(Mg ha-1)
Media 5.78 11.89 7.22 27.66
D.s. 3.49 9.99 5.96 25.01
WLFH
(Mg ha-1)
Media 31.34 30.47 31.20 31.41
D.s. 5.23 4.69 3.93 4.59
WSh
(Mg ha-1)
Media 4.60 6.11 7.06 8.57
D.s. 3.08 3.08 3.67 3.40
3. Ma e ial y Mé odos
53
Da os TLS (Escáne Láse Te es e)
En cada una de las pa celas en las que se in en a ió el combus ible de supe icie se ealizó
ambién un único escaneo con TLS, posicionándolo en el cen o del ansec o izquie do ( e
Figu a 3.8). Las ca ac e ís icas del TLS empleado en la oma de da os son las desc i as en el
apa ado de es e capí ulo dedicado al a ículo 1, po habe se u ilizado el mismo disposi i o. El
pun o cen al donde se es acionó el escáne se geo e e enció con un GPS 7X con pos e io
p ocesamien o de la in o mación pa a ob ene p ecisiones cen imé icas en las coo denadas.
Las nubes de pun os idimensionales p oceden es de cada escaneo se eco a on en un
adio de 10 m pa a e i a inco po a cualquie in o mación de ue a de la pa cela de ensayo de
cla a. El p ocesamien o de las nubes de pun os se lle ó a cabo empleando el paque e FORTLS
(Molina-Vale o e al., 2021) del so wa e in o má ico R (R Co e Team, 2020). En un p ime
paso, se segmen a on los pun os del e eno con el algo i mo clo h simula ion il e “clo h”
(Zhang e al., 2016), y se gene ó el modelo digi al de ele aciones (MDE) a a és de la
in e polación espacial del alo z pa a es os pun os, u ilizando la ap oximación k-nea es -
neighbo con ponde ación in e sa a la dis ancia (KNN-IDW). A pa i de es os modelos
digi ales de ele ación se calculó la al u a sob e el e eno de cada pun o es ando a los alo es
z el MDE sua izado. Los da os ob enidos se u iliza on pa a calcula 43 mé icas TLS
elacionadas con la dis ibución e ical de las nubes de pun os que se de allan jun o con sus
desc ipciones en la Tabla 3.8.
Tabla 3. 8. Va iables de la dis ibución de al u as de la nube de pun os TLS no malizada.
Mé ica Desc ipción
TLShmax (cm) Máxima al u
a
TLShmean(cm) Media de las al u as
TLShmode(cm) Modade las al u as
TLShmedian(cm) Mediana de las al u as
TLShSD(cm) Des iación es ánda
de las al u as
TLSh a (cm) Va ianz
a
TLShCV(cm) Coe icien e de a ianción ( a io)
TLShskw, TLShku Asime ía
y
cu osis
TLShID(cm) Dis ancia in e cua ílic
a
TLSh01, TLSh05, TLSh10, …, TLSh95, TLSh99 Pe cen iles
TLSh25y TLSh75 (cm) P ime
y
e ce cua il
TLShL1, TLShL2, TLShL3, TLShL4 L-momen os de o den i (i = 1,…,4)
TLShL-CV Ra io de momen osL2
y
L1
TLShl-skw, TLShL-ku L-momen os de asime ía
y
cu osis
TLShMAD-median Mediana de las des iaciones absolu as
con es
p
ec o a la mediana
g
ene al
TLShMAD-mode Moda de las des iaciones absolu as
con es
p
ec o de la moda
g
ene al
TLSPA2m % de e o nos de láse po encima de los
TLSPAhmean %de e o nos lase po encima de hmean
TLSPAhmode %de e o nos lase po encima de hmode
TLSCRR Canop
y
elie
a io = TLShmean/TLShmax
CECILIA ALONSO REGO
54
A pa i de las nubes de pun os 3D ambién se calcula on o as a iables: i) la elación en e
el núme o de e o nos láse obse ados y el núme o máximo de e o nos láse (TLSPmax); ii)
la elación en e el núme o de e o nos láse obse ados po encima de 2 m de al u a y el núme o
máximo de e o nos láse po encima de 2 m de al u a (TLSPA2m_max); y iii) la elación en e
el núme o de e o nos láse obse ados po debajo de 2 m de al u a y el núme o máximo de
e o nos láse po debajo de 2 m de al u a (TLSPB2m_max). El núme o máximo de e o nos
láse se es imó como el núme o de e o nos que se ob end ía, eniendo en cuen a la densidad
del escaneo láse , en la supe icie de un cilind o cen ado en la localización del disposi i o de
escaneo y con un adio de 10, con base en el suelo y al u a igual a la al u a máxima de los
á boles de la pa cela (pa a TLSPmax), o en el in e alo de al u a de 0-2 m (pa a TLSPA2m_max)
o de 2 m-al u a máxima (pa a TLSPB2m_max). Se conside ó que es as mé icas debe ían es a
elacionadas con la densidad apa en e de la ege ación o al, de la ege ación de so obosque y
del dosel de copas, espec i amen e.
Po úl imo, se modelizó la dis ibución e ical de pun os median e la unción de densidad
de p obabilidad de Weibull (pd ) de dos pa áme os. Pa a ello, se calculó la ecuencia ela i a
del núme o de e o nos láse en cada capa cilínd ica de 1 cm de al u a y 10 m de adio,
di idiendo el núme o de e o nos en es as capas po el núme o o al de e o nos láse . A
con inuación, se es ima on los pa áme os de escala (Wscale) y de o ma (Wshape) de la pd de
Weibull u ilizando los momen os de p ime y segundo o den de la dis ibución e ical ela i a
de los e o nos láse (Cao e al., 1982).
En o al se ob u ie on 48 a iables (las 43 mé icas elacionadas con la dis ibución e ical
de las nubes de pun os 3D esumidas en la Tabla 3.8, las es a ios que ca ac e izan la densidad
apa en e de la ege ación y los dos pa áme os de la unción de p obabilidad de Weibull) que
se conside a on como po enciales a iables independien es pa a modeliza las di e en es
a iables del es udio: a iables de odal, de combus ible de supe icie y del dosel de copas.
Da os ALS (Escáne Láse Ae o anspo ado)
Los da os ALS u ilizados en es e es udio se co esponden con los del segundo uelo
ealizado a ni el nacional den o del Plan Nacional de O o o og a ía Aé ea (PNOA) en el caso
de Galicia y del p ime uelo en el caso de As u ias. Los da os se desca ga on en iche os
digi ales de 2 km de lado, pa a oda el á ea de es udio, a a és del se ido in o má ico del
CNIG (Cen o Nacional de In o mación Geog á ica) (h p://cen odedesca gas.cnig.
es/Cen oDesca gas/index.jsp). Los da os ALS u ilizados se ecogie on en julio-sep iemb e del
año 2015 (zona oes e de Galicia), agos o-diciemb e de 2016 y eb e o de 2017 (zona es e de
Galicia) y mayo-oc ub e de 2012 (As u ias), coincidiendo ap oximadamen e en el iempo con
los in en a ios de campo en la zona de Galicia y con un des ase asumible en el caso de As u ias.
Pa a ecoge las nubes de pun os idimensionales ALS, se u iliza on dos senso es di e en es,
un LEICA ALS50 (Leica Geosys ems AG, Alemania) pa a Galicia Oes e, un LEICA ALS80
(Leica Geosys ems AG, Alemania) pa a la zona de Galicia Es e y un RIEGL LMS-Q680i
(RIEGL Lase Measu emen Sys ems GmbH, Aus ia) pa a As u ias. La densidad de pulsos
láse es ánda es de 0.5 p ime os e o nos m-2; con una p ecisión e ical que a ió en e 0.15 y
0.2 m y una p ecisión ho izon al en e 0.3 y 0.4 m.
Una ez desca gados los a chi os se p ocesa on los da os con el so wa e in o má ico
FUSION/LDV (McGaughey, 2021). El lujo de abajo seguido pa a p ocesa la nube de pun os
3. Ma e ial y Mé odos
55
ALS se desc ibe con de alle en González-Fe ei o e al. (2017). De o ma esumida, en p ime
luga , se clasi ica on los e o nos ALS más bajos como “suelo” pa a c ea el modelo digi al de
ele aciones (MDE) con una esolución espacial de 2 m. A con inuación, se no maliza on las
al u as, es ando el MDE sua izado a los alo es z de cada pun o de la nube. Finalmen e, es as
al u as se emplea on pa a ob ene una se ie de mé icas elacionadas con la dis ibución e ical
de las nubes de pun os 3D, simila es a las ob enidas a pa i de los da os del TLS (Tabla 3.8
an e io , aunque sus i uyendo en la nomencla u a el é mino TLS po ALS) así como pa a
di e encia las copas de los á boles ( e o nos po encima de los 2 m) de la capa de combus ibles
de so obosque ( e o nos po debajo de los 2 m) al calcula las mé icas de al u a del ALS.
3.2.3 Desa ollo de modelos
En un p ime paso se desa olla on modelos de es imación de las p incipales a iables
elacionadas con el compo amien o el uego supe icie y copas y de las a iables de odal a
pa i de mé icas de i adas del TLS y del ALS po sepa ado y u ilizando es ap oximaciones
de modelización no pa amé ica di e en es: Mul i a ia e Adap i e Reg ession Splines (MARS),
Random Fo es (RF) y Suppo Vec o Machines (SVM). Pos e io men e, as selecciona la
mejo ap oximación, se ol ie on a ajus a los modelos combinado es a ez las mé icas TLS
y ALS pa a e alua su e ec o en las es imaciones y en los es adís icos de bondad del ajus e.
Pa a disc imina en e las dos especies de pino, además de las a iables TLS y ALS ambién se
incluyó una a iable ca egó ica (Isp), con un alo de 1 pa a P. adia a y de 0 pa a P. pinas e .
MARS es una écnica no pa amé ica p opues a po F iedman (1991), que consis e en
cons ui un modelo de eg esión no lineal median e la combinación de modelos lineales base,
ajus ados po pa es en dis in os in e alos del espacio de de inición de la a iable
independien e. La o ma gene al del modelo de eg esión no pa amé ica es la siguien e:
𝑦
𝛽𝛽
𝐵𝑥𝜀
donde 𝛽 es el pa áme o independien e del modelo, 𝐵𝑥 son las unciones lineales base
que se combinan, x son las a iables independien es, 𝛽 es el coe icien e de la unción lineal i-
esima, M es el núme o de unciones base y ε es el e o del modelo.
Cada unción lineal base ajus ada po pa es puede adop a una de las dos o mas
siguien es: i) una exp esión de la o ma (x-k) cuando x-k> 0 o (k-x) cuando k-x> 0, siendo k una
cons an e a es ima ; o ii) un p oduc o de dos o más exp esiones como la desc i a que, po an o,
pe mi en in e acciones en e a iables independien es (x), de iniendo el g ado de la unción
base (1 pa a una única a iable independien e, 2 cuando in e ienen dos a iables
independien es y así sucesi amen e).
El núme o de unciones de base (M) y el g ado del modelo (k) se op imiza on ealizando
una alidación c uzada, de modo que el conjun o de da os pa a el ajus e es á o mado po odas
las pa celas de mues eo excep o una y el modelo se ajus a an as eces como pa celas haya. El
modelo óp imo se á el que p oduzca el meno alo de la aíz cuad ada del e o medio
cuad á ico (RMSE, e ecuación 3.12). Los alo es p edichos usados ue on los ob enidos pa a
las pa celas no u ilizadas en cada uno de los ajus es de la alidación c uzada. Se u ilizó el
CECILIA ALONSO REGO
56
paque e "ea h" (Milbo ow, 2021) implemen ado en el so wa e R (R Co e Team, 2020) pa a
ajus a los modelos MARS.
RF es una écnica no pa amé ica de clasi icación y eg esión comúnmen e u ilizada,
p opues a po B eiman (2001), y consis e básicamen e en: i) gene a de o ma alea o ia un
subconjun o de en enamien o con las unidades mues ales; ii) ajus a un á bol de clasi icación
o eg esión a dicho subconjun o empleando una mues a alea o ia de odas las posibles a iables
p edic o as; iii) asigna a las unidades mues ales no incluidas en el subconjun o de
en enamien o el alo es imado po el á bol de clasi icación ajus ado sin ellas; i ) epe i el
p oceso un cie o núme o de eces y ) da una es imación inal pa a cada unidad mues al
ponde ando las ob enidas con cada uno de los á boles en los que dicha unidad había sido
excluida de la mues a de en enamien o (Genue e al., 2010). Una en aja de es a me odología
es que es ela i amen e insensible al núme o de unidades mues ales y a la mul icolinealidad de
los da os (Gislason e al., 2006), po lo que nume osos au o es la han u ilizado pa a elaciona
da os LIDAR con las a iables es uc u ales del complejo o es al (Domingo e al., 2017; 2018;
2019, Ande son e al., 2018, Fidalgo-González e al., 2019), o pa a modela y c ea ca og a ía
de las a iables de combus ible o es al (po ejemplo, Pie ce e al., 2012).
RF ambién p opo ciona una medida de la impo ancia de las a iables p edic o as eniendo
en cuen a, pa a ello, el núme o de á boles en los que la a iable es seleccionada pa a ealiza
una pa ición, el núme o de unidades mues ales a las que a ec a dicha pa ición y la
modi icación que la inclusión de dicha a iable iene sob e el alo de algún es adís ico de
bondad del ajus e como puede se la suma de cuad ados del e o en el caso de eg esión o la
impu eza de los nudos en el caso de una clasi icación.
El ajus e del modelo RF equie e de e mina el núme o de á boles indi iduales a ajus a ,
así como el núme o de a iables independien es alea o iamen e seleccionadas en cada di isión
dico ómica de cada á bol. En es a esis se empleó el paque e “Random Fo es ” (Liaw y Wiene ,
2002) del so wa e R (R Co e Team, 2020), es ableciendo un núme o de 500 á boles a ajus a
y un núme o de a iables independien es a selecciona igual a la aíz cuad ada del núme o o al
de a iables independien es disponibles.
El modelo óp imo de RF se de e minó median e un p ocedimien o de alidación c uzada
minimizando el alo de RMSE ob enido, u ilizando los esiduos de las es imaciones
ponde adas ob enidas en aquellos á boles en los que la pa cela no o maba pa e de la mues a
de ajus e.
SVM es una me odología de ap endizaje supe isado (machine lea ning) desa ollada po
(Co es y Vapnik, 1995) que se basa en clasi ica (clasi icación) o asigna alo es a un conjun o
de da os ( eg esión) con n a iables independien es, median e la ep esen ación de los pun os
en un espacio n-dimensional y la op imización de un hipe plano de sepa ación (n-1
dimensional) en e ellos que minimice el e o medio. Ese hipe plano de sepa ación (en el caso
de dos a iables independien es se a a de una aza lineal) se apoya en algunos de los pun os
del conjun o de da os que se denominan ec o es de sopo e (suppo ec o s). El p oceso se
ealiza median e el empleo de una unción ke nel que a ec a al esul ado y que po an o debe
op imiza se. En es e es udio se u iliza on es unciones ke nel di e en es: lineal (SVM-L),
adial (SVM-R) y polinómica (SVM-P) y se op imiza on los alo es de los hipe pa áme os
asociados a cada una de las unciones ke nel pa a minimiza el alo del RMSE ob enido po
alidación c uzada. Como en los o os mé odos no pa amé icos, pa a ealiza los ajus es se
3. Ma e ial y Mé odos
57
u ilizó el so wa e R (R Co e Team, 2020), empleando en es e caso el paque e “e1071” (Meye
e al., 2019).
Pa a compa a los esul ados ob enidos con las es ap oximaciones de modelización, se
u iliza on dos es adís icos de bondad de ajus e: la aíz del e o medio cuad á ico en é minos
ela i os ( RMSE, %, e ecuación 3.15) y el R2, de inido como el cuad ado del coe icien e de
co elación de Pea son en e los alo es obse ados y es imados de la a iable dependien e
(𝑟
).
3.3. A ículo 3
A ículo 3: Modelos de es imación de biomasa de combus ibles de con inuidad po acciones
en plan aciones de Pinus adia a sin poda a ni el de á bol indi idual y de odal (Fo es , 2022,
13(10), 1697).
En es e a ículo el obje i o p incipal es la ob ención de ecuaciones, an o pa a á bol
indi idual como pa a odal, que pe mi an es ima la ca ga de combus ibles mue os de
con inuidad (ladde uels) según clase de amaño, así como su dis ibución e ical en los
p ime os 6 m de la copa desde el suelo en plan aciones de P. adia a sin poda . Es as ecuaciones
pe mi i án a los ges o es o es ales cuan i ica adecuadamen e es e ipo de combus ible e
iden i ica con mayo acilidad los a amien os más ap opiados pa a educi el iesgo de
incendios de copas.
3.3.1 Selección de pa celas, in en a ios y cálculo de a iables
El es udio se desa olla en una ed de 20 pa celas empo ales es ablecidas en masas
madu as, pu as y coe áneas de P. adia a dis ibuidas po oda la P o incia de Lugo, pa a cub i
la a iabilidad en calidad de es ación y densidad obse ada en el á ea de dis ibución de la
especie en Galicia (Figu a 3.9).
En cada odal se es ableció una pa cela de mues eo ci cula con un adio de 10 m y el
pun o cen al ue geo e e enciado con un GPS di e encial T imble TSC3 de p ecisión
cen imé ica. En cada una de las pa celas se ealizó un in en a io dasomé ico, midiendo el
diáme o a la al u a del pecho (d, en cm) con o cípula con una p ecisión de 0.1 cm, en dos
di ecciones pe pendicula es en odos los á boles de la pa cela. La al u a o al del á bol (h), la
al u a has a la base de la copa i a (hblc, en m) y la al u a has a la base de la copa mue a (hbdc,
en m), que se de inie on como el pun o de inse ción in e io de las amas i as y de las amas
mue as de un á bol espec i amen e, se midie on con una p ecisión de 0.1 m con ayuda de un
hipsóme o digi al (Ve ex IV) en una submues a alea o ia de un e cio del o al de á boles de
la pa cela de mues eo (237 á boles). A con inuación, y a pa i de las mediciones en los á boles
se calcula on pa a cada pa cela las p incipales a iables de odal: el núme o de á boles po
hec á ea (N, pies ha-1), el á ea basimé ica del odal (G, m2 ha-1), el diáme o medio (𝑑, cm), el
diáme o medio cuad á ico (dg, cm), la al u a media del odal (ℎ, m), y una modi icación del
índice de espaciamien o ela i o (RS), de inido como 100 √𝑁ℎ
.
⁄ Debido al amaño de las
pa celas (314 m2), en el es udio no se calculó la al u a dominan e, de inida como la al u a media
de los 100 á boles más g uesos po ha, po conside a que su es imación pod ía e se ácilmen e
C
ECILIA
A
LONSO
R
EGO
58
a ec ada po cualquie e o de medición al ealiza la media a pa i únicamen e de los 4 á boles
más g uesos de la pa cela.
Figu a 3. 9. Localización geog á ica de las masas de Pinus adia a en Galicia y de las 20
pa celas incluidas en el es udio (izquie da). Vis a de una de las pa celas (abajo a la de echa).
De echos de au o 2022, Fo es .
Pa a aquellos á boles en los que no se ealiza on mediciones de las di e en es al u as an es
de inidas se es ima on los alo es de h, h
blc
y h
bdc
ajus ando un sis ema de es ecuaciones a
pa i de las mediciones ealizadas en la submues a de 237 á boles. El sis ema se ajus ó
simul áneamen e u ilizando el mé odo i e a i o SUR (I e a i e Seemingly Un ela ed
Reg ession, ITSUR) del p ocedimien o MODEL de SAS/ETS (SAS Ins i u e Inc, 2004). Las
ecuaciones ajus adas explica on el 78%, el 64% y el 98% de la a iabilidad obse ad en h, h
blc
y h
bdc
, espec i amen e. Las exp esiones de las es ecuaciones son, las siguien es:
ℎ1.3.ℎ
.1.3.1𝑒𝑥𝑝0.0444 𝑑
1𝑒𝑥𝑝0.0444 𝑑𝑔.
RMSE = 1.94 m
(3.20)
ℎℎ𝑒𝑥𝑝0.8009
0.0326 ℎ
0.0306 𝐺
1𝑒𝑥𝑝0.8009
0.0326 ℎ
0.0306 𝐺
RMSE = 2.21 m
(3.21)
3. Ma e ial y Mé odos
59
ℎℎ𝑒𝑥𝑝1.9083 0.9932
0.0246 𝐺
1𝑒𝑥𝑝1.9083 0.9932
0.0246 𝐺
RMSE = 0.18 m
(3.22)
Donde h es la al u a o al del á bol (m), hblc es la al u a de la base de la copa i a (m), hbdc
es la al u a de la base de la copa mue a, d es el diáme o no mal (cm), dg es el diáme o medio
cuad á ico (cm), ℎ es la al u a media del odal (m), G es el á ea basimé ica (m2 ha-1) y RMSE
es la aíz del e o medio cuad á ico ( e ecuación 3.12).
En cada pa cela se selecciona on en e 2 y 4 á boles de la submues a u ilizada pa a la
medición de las al u as a ando de cub i el ango de diáme os obse ado. Se selecciona on
á boles sin daños en la copa y con un desa ollo de las amas en consonancia con los p ocesos
na u ales de compe encia in aespecí ica en las condiciones pa icula es del es udio. En o al se
selecciona on 65 á boles en los que se ealizó un mues eo des uc i o de las amas mue as de
la copa exis en es en los p ime os 6 m del onco. Es e lími e se es ableció po se la al u a
máxima de poda pa a la especie en la zona de es udio. Las amas se ue on co ando y
empaque ando po secciones de 1 m desde la base del á bol y el ma e ial se lle ó a labo a o io,
donde se sepa ó ísicamen e en di e en es ipos de combus ible y clases de amaño: acículas,
combus ibles leñosos inos (es deci , amillas de diáme o <0.6 cm, en adelan e iden i icadas
como g upo 1 -G1-), combus ibles leñosos medios ( amas de 0.6 ≤ diáme o < 2.5 cm, en
adelan e G2), y combus ibles leñosos g uesos ( amas de 2.5 cm ≤ diáme o < 7.5 cm y piñas,
en adelan e G3). No se encon a on amas de más de 7.5 cm de g oso (G4).
Aunque no exis e un consenso o al sob e lo que se conside a combus ible disponible ( e ,
po ejemplo, Ruiz-González y Ál a ez-González, 2011), a e ec os de la modelización del
combus ible del dosel con is as a la simulación de la ac i idad de uego de copas, es habi ual
conside a únicamen e la acción más ina, es deci , la que co esponde a las acículas y a los
combus ibles leñosos del g upo 1 (G1). Sin emba go, en es e es udio ambién se conside a on
los ma e iales mue os de mayo g oso pa a da a las ecuaciones o os usos, como, po ejemplo,
de e mina la biomasa o al apo ada po las amas mue as pa a di e en es al u as de poda.
Una ez clasi icado po clases de amaño, el ma e ial se pesó y se secó en una es u a de
ai e o zado (105ºC du an e 24 h pa a los combus ibles inos y 48 h pa a los más g uesos) pa a
de e mina la biomasa seca de cada ca ego ía y a pa i de ahí se de inie on las siguien es
acciones que son las que ue on obje o de modelización: biomasa o al (W o al), biomasa de las
acículas (Wneedles), biomasa del conjun o de los combus ibles leñosos (WG123), biomasa de los
g upos G2 y G3 (WG23), y biomasa de amillas inas (WG1). Al no con ene muchos de los
á boles ma e ial del G3 se ag upa on las ca ego ías G2 y G3.
Po o o lado, ambién se es imó la biomasa de las acículas y de las amillas inas (<0 .6
cm de diáme o) de la copa i a de odos los á boles de la pa cela median e el sis ema
compa ible de ecuaciones de biomasa a bó ea especí ico pa a P. adia a en Galicia (Balboa-
Mu ias e al., 2006).
A pa i de las a iables an e io es se es ima on las es p incipales ca ac e ís icas
es uc u ales del combus ible del dosel elacionadas con el uego de copas siguiendo, al y como
se explica en el a ículo 2, el mé odo load o e dep h (Van Wagne , 1977): ca ga de combus ible
CECILIA ALONSO REGO
60
del dosel (CFL), al u a de la base del dosel de copas (CBH) y densidad apa en e del dosel
(CBD). Los es adís icos de las p incipales a iables de odal, dosel y de á bol indi idual
incluyendo los alo es medios y la des iación es ánda se mues an en la Tabla 3.9.
Tabla 3. 9. Es adís icos de las p incipales a iables del á bol indi idual y del odal. De echos
de au o 2022, Fo es .
Va iables de odal (n = 20)
Va iable Media Máximo Mínimo D.s.
N
(pies ha-1) 985.03 1368.73 604.79 222.62
G (m2 ha-1) 39.34 60.51 25.06 9.87
𝑑
(cm) 21.47 29.24 16.94 3.26
ℎ
(m) 19.56 25.57 14.19 3.15
RS
0.17 0.24 0.12 0.03
Va iables del dosel de copas i o (n = 20)
Va iable Media Máximo Mínimo D.s.
CB
H
(m) 8.64 14.09 4.65 2.80
CFL (k
g
m-2) 1.19 1.78 0.75 0.28
CBD (k
g
m-3) 0.11 0.20 0.07 0.04
Va iables de á bol indi idual (n = 629)
Va iable Media Máximo Mínimo D.s.
d (cm) 21.05 49.8 4.8 8.04
h (m) 19.77 30.4 9.9 4.17
hblc (m) 8.79 19.3 2.5 3.27
hbdc (m) 0.39 1.1 0.1 0.18
Biomasa de copa mue a (p ime os 6 m) de los á boles
con mues eo des uc i o (n = 65)
Va iable Media Máximo Mínimo D.s.
W o al (k
g
) 19.06 63.92 3.12 11.68
Wneedles (k
g
) 3.17 11.55 0.22 2.19
WG1 (k
g
) 2.10 7.55 0.31 1.09
WG23 (k
g
) 13.79 47.06 1.82 9.41
D.s.= des iación es ánda ; N = densidad del a bolado; G = á ea basimé ica del odal; 𝑑 =
diáme o medio; ℎ = al u a media; RS = índice de espaciamien o ela i o; CBH = al u a de la
base del dosel; CFL = ca ga de combus ible disponible del dosel; CBD = densidad apa en e del
dosel; d = diáme o medio del á bol; h = al u a o al del á bol; hblc= al u a has a la base de la
copa i a; hbdc = al u a has a la base de la copa mue a; y W o al, Wneedles, WG23, y WG1 = biomasa
mue a o al, de acículas, leñosa media y g uesa (G23) y leñosa ina (G1), espec i amen e.
3. Ma e ial y Mé odos
61
3.3.2 Ecuaciones de es imación de biomasa o al po acciones pa a los p ime os 6 m
del onco a ni el de á bol indi idual
Se desa olla on ecuaciones de es imación de biomasa de cada una de las cinco acciones
de combus ible mue o de inidas (W o al, Wneedles, WG123, WG23, y WG1) pa a los p ime os 6 m del
onco u ilizando modelos alomé icos de la o ma 𝑊
𝛽𝑋, donde 𝑊
es la biomasa de la
accioni, Xi es un conjun o de a iables independien es y 𝛽 y 𝛽 son los pa áme os que hay
que es ima . Al igual que en el a ículo 1, odas las ecuaciones ajus adas deben cumpli el
p incipio de adi i idad, es deci , la suma de las es imaciones de biomasa de las acciones po
sepa ado debe de se igual a las es imaciones de biomasa del modelo que las ag upa (po
ejemplo, las es imaciones de Wneedles + WG123 ienen que se iguales a las es imaciones de W o al
o las es imaciones de WG23 + WG1 deben se iguales a las es imaciones de WG123). Po lo an o,
en p ime luga , se ajus ó la ecuación pa a cada acción de combus ible po sepa ado y después
se ajus ó simul áneamen e el sis ema comple o de cinco ecuaciones (una po acción) pa a
ga an iza la adi i idad. También, al igual que lo desc i o en el apa ado de es e capí ulo que
hace e e encia al a ículo 1, se u ilizó el sis ema s epwise de selección de a iables
independien es una ez linealizandos los modelos alomé icos median e loga i mos. Los pasos
seguidos pa a el desa ollo del sis ema de ecuaciones ue on los siguien es:
1. La exp esión de la ecuación de es imación de la biomasa o al 𝑊
ue la siguien e:
𝑊
𝑎
𝑋
(3.23)
2. Median e la desag egación de la ecuación an e io se ob ienen dos nue as ecuaciones que
pe mi en es ima , po un lado, la biomasa de los g upos 1, 2 y 3 conjun amen e (WG123) y
po o o lado la biomasa de las acículas (Wneedles):
𝑊
𝑒𝑥𝑝𝑏_𝑏_𝑙𝑜𝑔𝑋
𝑊
𝑒𝑥𝑝𝑏_𝑏_𝑙𝑜𝑔𝑋
𝑊
𝑊
𝑊
𝑊
𝑊
1
1𝑊
𝑊
⁄
De es e modo la ecuación de es imación de la biomasa de los g upos 1, 2 y 3 se ob u o
como:
𝑊
𝑊
1
1𝑒𝑥𝑝𝑏𝑏𝑙𝑜𝑔
𝑋
(3.24)
siendo b0 = b0_n - b0_G123 y bi = bi_n - bi_G123; y la ecuación de es imación de la biomasa de
las acículas se exp esó como:
𝑊
𝑊
𝑊
𝑊
𝑒𝑥𝑝𝑏𝑏𝑙𝑜𝑔
𝑋
1𝑒𝑥𝑝𝑏𝑏𝑙𝑜𝑔
𝑋
(3.25)
Tabla 4. 1. Sis ema de ecuaciones ajus ado simul áneamen e pa a es ima las ca gas de combus ible po acciones con
las es imaciones de los
pa áme os, sus e o es es ánda y los es adís icos de bondad de ajus e.
W
Sh +Li
= ca ga de ma o al y hoja asca,
W
Sh
= ca ga o al de
ma o al,
W
Li
= ca ga de hoja asca,
W
Sh _G23
= ca ga de ma o al g ueso,
W
Sh _G1
= ca ga de ma o al ino,
W
Sh _G1_dead
= ca ga de ma o al
ino mue o y
W
Sh _G1_li e
= ca ga de ma o al ino i o. De echos de au o 2020,
Remo e Sensing
.
Exp esión Pa . Es imado App ox. S d. E o RMSE
(kg m−2) R2
𝑊
𝑎𝑎𝐼ℎ
𝑇𝐿𝑆𝑣𝐶𝑜𝑣
a00 0.2954 0.0447
0.5796 0.8033
a01 −0.0860 0.0138
a1 0.6416 0.0351
a2 0.1397 0.0506
𝑊
𝑊
1
1𝑒𝑥𝑝𝑏𝑙𝑜𝑔𝐼𝑄𝑅𝑏𝑙𝑜𝑔ℎ b1 0.7205 0.1964 0.2630 0.9018
𝑊
𝑊
11
1𝑒𝑥𝑝𝑏𝑙𝑜𝑔𝐼𝑄𝑅𝑏𝑙𝑜𝑔ℎ b2 −0.8301 0.1860 0.4584 0.4080
𝑊
_
𝑊
1
1𝑒𝑥𝑝𝑐𝑐𝐼𝑐𝐼𝑐𝑙𝑜𝑔𝑊 c00 4.6139 0.5061 0.1957 0.8263
c01 0.3103 0.0479
𝑊
_
𝑊
11
1𝑒𝑥𝑝𝑐𝑐𝐼𝑐𝐼𝑐𝑙𝑜𝑔𝑊 c02 0.7254 0.0807 0.1154 0.9392
c1 −0.9864 0.1255
𝑊
_
_
𝑊
_
1
1𝑒𝑥𝑝𝑑𝑑𝐼𝑑𝑙𝑜𝑔𝐼𝑄𝑅
𝑊
_
_
𝑊
_
11
1𝑒𝑥𝑝𝑑𝑑𝐼
𝑑𝑙𝑜𝑔𝐼𝑄𝑅
d00 0.9106 0.1777 0.0820 0.8848
d01 0.2900 0.0347
d1 −0.1084 0.0451
0.0860 0.8794
I
j
(
j
=
Ea
,
Ug
,
P
) = a iable
dummy
cuyo alo es 1 pa a la comunidad especí ica y 0 pa a el es o.
Ea
=
E ica aus alis, Ug
=
Ulex
gallii/ Ulex mino ,
P = P e ospa um iden a um. h95= alo del pe cen il 95 de las al u as de los e o nos láse (cm); TLS Co Sh = elación
en e el núme o obse ado de e o nos láse y el núme o máximo (l max_ e ); IQR = dis ancia
in e cua ílica (
h
75
-
h
25
) (cm);
h
70
=
alo del
pe cen il 70 de las al u as de los e o nos láse (cm)
;
W
scale
= pa áme o de escala de la unción de Weibull.
4. Resul ados y discusión
69
En la Figu a 4.1 se mues an los g á icos de los alo es obse ados en e a los
p edichos de las ecuaciones ajus adas po la me odología de es imación di ec a de ca gas.
C
ECILIA
A
LONSO
R
EGO
70
Figu a 4. 1. G á icos de alo es obse ados en e a p edichos de las ca gas de ma o al
y hoja asca (W
Sh +Li
), o al de ma o al (W
Sh
), hoja asca (W
Li
), ma o al g ueso
(W
Sh
_
G23
), ma o al ino (W
Sh
_
G1
), ma o al ino mue o (W
Sh
_
G1
_
dead
) y ma o al ino
i o (W
Sh
_
G1
_
li e
) se
g
ún la me odolo
g
ía de es imación di ec a.
Todas las ecuaciones ajus adas, sal o la que es ima W
Li
, explica on más del 80% de
la a iabilidad obse ada, con alo es que oscilan en e el 80.33% y el 93.92%, supe ando
incluso el 90% en las ecuaciones de es imación de W
Sh
(90.18%) y W
Sh
_
G1
(93.92%). Se
obse a on di e encias en e comunidades de ma o al pa a la mayo ía de las acciones
de combus ible, con excepción de W
Li
y W
Sh
. Es os esul ados son simila es a los
ob enidos po o os au o es. Así, po ejemplo, las ecuaciones p opues as po Ku e al.
(2012) pa a es ima la biomasa de P osopis glandulosa To . en ecosis emas del su oes e
de EE.UU. explica on po cen ajes de a iabilidad obse ada de en e el 77 y 81%
dependiendo de si se empleaban como a iables independien es los alo es ela i os de
la dis ibución e ical de e o nos láse del TLS en capas de 0.5 a 1 me os de al u a o
las mé icas habi uales de i adas de la o alidad de los e o nos del TLS, espec i amen e;
los modelos p opues os po Olsoy e al. (2014) pa a es ima la biomasa o al y la biomasa
i a de plan as indi iduales de A emisia iden a a Nu . en las es epas de a emisia del
oes e de EE.UU. explica on espec i amen e el 92 y el 83% de la a iabilidad obse ada;
pos e io men e pa a la misma especie y á ea de es udio Li e al. (2015) p opusie on un
modelo que explicó el 87% de la a iabilidad obse ada; G ea es e al. (2015) ajus a on
modelos pa a es ima la biomasa o al aé ea de especies de a bus i as de bajo po e (<1.5
m) en la und a del no e de Alaska, ob eniendo alo es de R
2
que oscilan en e 0.91 y
0.94 en unción de las condiciones del escaneo (dis ancia ija de 2 me os en e el obje i o
del TLS o dis ancia a iable en e 2 y 50 me os); Owe s e al. (2018) ob u ie on modelos
de es imación de biomasa de ege ación de humedales cos e os del su es e de Aus alia,
que explicaban en e el 42 y el 99% de la a iabilidad obse ada, en unción de la
me odología empleada pa a econs ui el olumen apa en e en 3D.
Las di e encias es uc u ales y uncionales en e las cua o comunidades analizadas
( e A ellano-Pé ez e al., 2017), se mani ies an en los modelos con la p esencia de
pa áme os asociados a a iables dummy especí icas de dichas comunidades. Sin
emba go, como se comen ó en el apa ado de Ma e ial y Mé odos, el núme o limi ado de
pa celas de cada comunidad hace in iable ajus a sis emas de ecuaciones independien es
4. Resul ados y discusión
71
y se ía con enien e inc emen a el amaño de la mues a, con lo que se espe a una mejo a
de la exac i ud de las es imaciones, especialmen e pa a la ca ga de combus ible de
ma o al g ueso (WSh _G23), en la que la a iabilidad en e especies es mayo ( e Vega e
al., 2022b).
Como se explicó an e io men e, las ca gas de combus ible de ma o al de cada
acción y comunidad no ue on mues eados des uc i amen e, sino que se es ima on a
pa i de ecuaciones p e iamen e ajus adas, con Co Sh , ℎ
y 𝑑
como a iables
independien es. Po lo an o, como e a de espe a , las a iables independien es eque idas
como en adas pa a inicia el sis ema de desag egación ajus ado (ecuación 𝑊
) son
mé icas de i adas del TLS elacionadas con la al u a y la cobe u a del ma o al (h95 y
TLS Co Sh ). En el p oceso de desag egación in e ienen o as es mé icas: una
elacionada con la al u a del ma o al (h70) y o as dos elacionadas con la dis ibución
e ical del combus ible (Wscale y IQR). Es as dos úl imas a iables son las únicas que
disc iminan en e el combus ible g ueso y el ino (WSh _G23 y WSh _G1) y las ca ego ías de
combus ibles inos i os y mue os (WSh _G1_li e y WSh _G1_dead), des acando la
impo ancia de la dis ibución e ical de los combus ibles en las ca gas de biomasa de
es as acciones. Es os esul ados concue dan con los ob enidos po Rowell e al. (2016b)
quienes ya des aca on la impo ancia de la dis ibución e ical de los combus ibles en su
ca ga o al y el po encial de las mé icas de i adas de la dis ibución e ical de la al u a
de la nube de e o nos láse del TLS pa a ese in. Además, las ecuaciones ajus adas pa a
es as acciones ue on ambién las más condicionadas po las di e encias es uc u ales
en e las cua o comunidades de a bus i as analizadas, de modo que esul a on
signi ica i os pa áme os especí icos po comunidades.
4.1.2 Me odología de es imación indi ec a de ca gas (EI) con TLS
Las exp esiones ma emá icas de las es ecuaciones que elacionan Co Sh , ℎ y
𝑑 con las mé icas y a iables de i adas del TLS, los alo es es imados de los
pa áme os, sus e o es es ánda y los es adís icos de bondad de ajus e se mues an en la
Tabla 4.2. Al igual que en caso an e io , no se de ec a on p oblemas de mul icolinealidad
en ninguna de las es ecuaciones ajus adas.
Como se espe aba, los mejo es esul ados de los es adís icos de bondad de ajus e se
ob u ie on pa a ℎ, con un modelo que explica más del 91% de la a iabilidad
obse ada; alo que se educe al 66.26% pa a Co Sh y las es imaciones menos exac as
pa a 𝑑 con un modelo que explica un 39.07% de la a iabilidad obse ada.
CECILIA ALONSO REGO
72
Tabla 4. 2
.
Exp esión inal de las ecuaciones ajus adas pa a es ima
Co Sh , ℎ
y
𝑑
a pa i de las mé icas de i adas del TLS; es imaciones de los pa áme os,
e o es es ánda y es adís icos de bondad de ajus e.
Co
Sh
= cobe u a del ma o al
(%),
ℎ
= al u a media del ma o al y
𝑑
= espeso medio de la hoja asca.
De echos de au o 2020,
Remo e Sensing
.
Exp esión Pa .
Es .
(S d. E.) RMSE R2
Co
100
1𝑒𝑥𝑝𝑎𝑎ℎ
a0 -0.4742
(0.1707) 1.1226% 0.6626
a1 -0.0967
(0.0145)
ℎ
𝑏𝑏ℎ𝑏ℎ
b0 -9.8958
(4.2458)
9.2027 cm 0.9175
b1 0.8080
(0.0430)
b2 2.5762
(0.5859)
𝑑
𝑐𝑐ℎ𝑐𝑇𝐿𝑆𝑣𝐶𝑜𝑣𝑐𝐼𝑄𝑅
c0 -2.8156
(1.2422)
1.5190 cm 0.3907
c1 1.9338
(0.9432)
c2 7.9632
(2.0776)
c3 0.1061
(0.0204)
ℎ= alo del pe cen il 95 de las al u as de los e o nos láse (cm); ℎ= al u a máxima
de los e o nos láse (cm); ℎ= alo del pe cen il 10 de las al u as de los e o nos láse
(cm); ℎ= alo del coe icien e de cu osis de las al u as de los e o nos láse ;
𝑇𝐿𝑆𝑣𝐶𝑜𝑣= elación en e el núme o obse ado de e o nos láse y el núme o máximo
(l max_ e ); IQR dis ancia
in e cua ílica (
h
75
-
h
25
) (cm)
.
La e isión de o os abajos cien í icos ha mos ado esul ados simila es en es udios
de ca ac e ización de ma o al usando el TLS. Así, po ejemplo, Ve ling e al. (2013)
ob u ie on alo es de a iabilidad explicada en al u a y cobe u a de ma o al del 94 y
51%, espec i amen e, en ecosis emas dominados po A emisia iden a a en el es e de
Washing on, EE.UU.; Ande son e al. (2018) ajus a on modelos con Random Fo es pa a
es ima la acción de cobe u a de ma o al (R2 = 0.77), g amíneas anuales (R2 = 0.70),
g amíneas pe ennes (R2 = 0.36), y o as he báceas (R2 = 0.52) en pas izales desé icos y
ma o ales de a emisa en el su oes e de Idaho, EE.UU. En un es udio ealizado en el
eco ono ag o-pas o al del no e de China, Xu e al. (2020) p opusie on un modelo pa a
es ima la al u a y cobe u a de pas izales a pa i de da os del TLS, explicando el 70 y el
72% de la a iabilidad obse ada, espec i amen e. Mejo es esul ados ob u ie on Chen
e al. (2016) en un es udio ealizado en el su es e de Aus alia, donde ajus a on modelos
pa a es ima el espeso de la hoja asca y el po cen aje de cobe u a en di e en es capas
e icales del so obosque a pa i de mé icas del TLS, con alo es de R2 que oscila on
en e 0.8 y 0.9.
4. Resul ados y discusión
73
La ela i amen e educida exac i ud de las es imaciones de la ecuación del espeso
de la hoja asca es cohe en e con los esul ados ob enidos con la ecuación de ca ga de
combus ible de hoja asca ajus ada en el en oque ED (R
2
= 0.4080). Es os esul ados
coinciden con lo espe ado debido a la ue e elación en e el espeso de la capa de
hoja asca y su ca ga y la di icul ad de ca ac e iza es e espeso a pa i de las nubes de
pun os del TLS po la limi ada pe meabilidad en es as comunidades de ma o al de al a
densidad (Hudak e al., 2020). Po lo an o, debido a la impo ancia de es a acción an o
en la ase de llama como en la de combus ión sin llama, en si uaciones en las que pod ía
con ibui sus ancialmen e al lujo de ene gía y a las emisiones de los incendios de
supe icie, se equie e un mues eo des uc i o pa a complemen a el abajo del TLS.
Las es imaciones de
Co
Sh
, ℎ
y 𝑑
ob enidas con los es modelos de la Tabla
4.2 se u iliza on como alo es de en ada en las ecuaciones de biomasa desa olladas pa a
las comunidades es udiadas en Galicia po A ellano-Pé ez (2011) pa a es ima las ca gas
de W
Sh +Li
, W
Sh
, W
Li
, W
Sh
_
G23
, W
Sh
_
G1
, W
Sh
_
G1
_
dead
y W
Sh
_
G1
_
li e
. Los g á icos de
alo es obse ados en e a p edichos de es as sie e acciones se mues an en la Figu a
4.2.
C
ECILIA
A
LONSO
R
EGO
74
Figu a 4. 2. G á icos de alo es obse ados en e a p edichos de las ca gas de ma o al
y hoja asca (W
Sh +Li
), o al de ma o al (W
Sh
), hoja asca (W
Li
), ma o al g ueso
(W
Sh _G23
), ma o al ino (W
Sh
_
G1
), ma o al ino mue o (W
Sh
_
G1
_
dead
) y ma o al ino
i o (W
Sh
_
G1
_
li e
) se
g
ún la me odolo
g
ía de es imación indi ec a.
Con el obje o de compa a las dos me odologías de es imación en la Tabla 4.3 se
mues an los alo es de R
2
, RMSE, sesgo (e o medio 𝑒), el sesgo en alo absolu o (e o
medio en alo absolu o |𝑒|
y RMSE ela i o (po cen aje de RMSE sob e el alo medio
de la a iable dependien e RMSE%) de ambas.
4. Resul ados y discusión
75
Tabla 4. 3. Es adís icos de bondad de ajus e ob enidas con las me odologías de es imación
di ec a (ED) y es imación indi ec a (EI) pa a cada acción de combus ible. De echos de
au o 2020, Remo e Sensing.
Es imación Di ec a (ED) Es imación Indi ec a (EI)
Va iable R2 RMSE
(kg m-2) 𝑒
|𝑒|
RMSE
(%)
R2 RMSE
(kg m-2) 𝑒
|𝑒|
RMSE
(%)
WSh +Li 0.8033 0.5796 -0.0183 0.4489 13.58 0.7642 0.6347 0.3339 0.5242 14.87
WSh
0.9018 0.2630 -0.0193 0.2121 9.50 0.7666 0.4056 0.3308 0.3393 14.65
WLi 0.4080 0.4584 0.0010 0.3572 30.55 0.4378 0.4467 0.0031 0.3482 29.78
WSh
_
G23 0.8263 0.1957 -0.0160 0.1440 29.51 0.8710 0.1687 0.0888 0.1235 25.44
WSh
_
G1 0.9392 0.1154 -0.0032 0.0958 5.48 0.6732 0.2676 0.2420 0.2444 12.71
WSh
_
G1
_
dead 0.8848 0.0820 -0.0090 0.0654 11.47 0.8371 0.0975 0.0821 0.0844 13.63
WSh
_
G1
_
li e 0.8794 0.0860 0.0058 0.0640 6.19 0.5103 0.1734 0.1599 0.1602 12.47
En gene al, los mejo es esul ados, en é minos de es adís icos de bondad de ajus e,
se ob u ie on con el en oque ED, aunque pa a WLi y WSh _G23 el en oque EI explicó una
mayo pa e de la a iabilidad obse ada, con una educción del RMSE de,
espec i amen e 2.6 y 13.8 %, en elación con el en oque ED. Sin emba go, los g á icos
de alo es obse ados en e a p edichos mos a on un lige o sesgo en odas las
es imaciones del en oque EI (Figu a 4.2), con una lige a endencia a subes ima los
alo es, mien as que es a endencia no ue ap eciable en los g á icos de las es imaciones
del en oque ED (Figu a 4.1).
A la is a de es os esul ados se p opone el sis ema de ecuaciones compa ibles
desa ollado con el en oque ED pa a es ima las ca gas de combus ible de las
comunidades de ma o al analizadas. Sin emba go, las ecuaciones ajus adas con el
en oque EI son de u ilidad pa a es ima o as es a iables ele an es pa a una comple a
ca ac e ización del complejo del combus ible de ma o al (
Co
Sh
, ℎ
y 𝑑
).
Es impo an e des aca que el uso del TLS simplemen e como he amien a de
es imación de ca gas no apo a en ajas sob e el mues eo adicional no des uc i o pa a
el que ya exis en ecuaciones de es imación pa a odas las acciones analizadas po
comunidades (Vega e al., 2022b). Sin emba go, al y como señalan Newnham e al.
(2015), el TLS no debe conside a se sólo como una al e na i a al mues eo adicional de
campo, sino como una me odología comple amen e di e en e pa a ca ac e iza la
es uc u a espacial a escala de pa cela con un ni el de de alle sin p eceden es. Las nubes
de pun os del TLS pueden p ocesa se ácilmen e con algo i mos sencillos, como los
u ilizados en es e es udio, pa a p opo ciona in o mación adicional ú il pa a la
ca ac e ización de los complejos de combus ible que, de o o modo, se ía imposible de
ob ene con un mues eo de campo no des uc i o. Po ejemplo, el TLS puede ca ac e iza
la dis ibución e ical de las ca gas de combus ible con mayo p ecisión y a una escala
más de allada que la que o ecen los mé odos adicionales ( éase Figu a 4.3). Además,
los dis in os con enidos de agua de la biomasa e de y la leñosa p oducen di e encias en
la e lec i idad del láse (Gao, 1996; Sims y Gamon, 2003), lo que pe mi e descompone
la nube de pun os del TLS en acciones i as y mue as (Olsoy e al., 2014). O os
es udios han demos ado que el TLS pe mi e ealiza es imaciones muy p ecisas de
a iables es uc u ales de los complejos de combus ible undamen ales en la
de e minación de su in lamabilidad y combus ibilidad como la densidad apa en e (Pimon
e al., 2015; Hudak e al., 2020) o la elación de compac ación (Rowell e al., 2020). Po
es as azones, el TLS pod ía p opo ciona es imaciones más obus as de las p opiedades
C
ECILIA
A
LONSO
R
EGO
76
del complejo de combus ible que de e minan el compo amien o del uego, mejo ando así
la p ecisión de los simulado es de p edicción (Finney, 2004; 2006).
Po o o lado, di e en es au o es han des acado la u ilidad que pod ía ene el uso de
TLS en la es imación de ca gas u o as a iables de in e és como paso in e medio pa a
pasa de una in o mación local a una in o mación a g an escala espacialmen e explíci a
sob e el e eno, median e el uso de senso es emo os lejanos (Li e al., 2015; Liu e al.,
2017; G ea es e al., 2017; Ande son e al., 2018). Po lo an o, el desa ollo de
me odologías de es imación p ecisas, como las que se p esen an en es e abajo, basadas
en un único escaneo de TLS, con la consiguien e educción de cos es y iempo,
cons i uyen la base pa a la aplicación de TLS en el in en a io o es al, combinándolo con
mé odos de in e encia como los en oques basados en modelos o asis idos po modelos.
Po úl imo, las ecuaciones p opues as en es e es udio pod ían se ú iles no solo pa a
ca ac e iza las comunidades a bus i as desde el pun o de is a del compo amien o del
uego, la e aluación del iesgo de incendio o el diseño de quemas p esc i as, sino ambién,
pa a la simulación de los p ocesos de e osión, la es imación de las ese as de ca bono o
del po encial de la biomasa como uen e de ene gía y la ca ac e ización y delimi ación de
hábi a s de auna.
a)
b
)
c)
Figu a 4. 3. Dis ibución e ical de la ecuencia ela i a de los e o nos de TLS (a)
en dos pa celas de combus ible con di e en e es uc u a e ical (b) Ulex eu opaeus y
(c) Ulex gallii. De echos de au o 2020, Remo e Sensing.
4. Resul ados y discusión
77
4.1.3. Me odología de obs ucción isual en campo
En la Tabla 4.4 se mues an las exp esiones inales del sis ema de ecuaciones
ajus ado a la base de da os comple a (ecuaciones 3.4 a 3.10), las a iables independien es
que mejo es esul ados mos a on y el alo de los pa áme os es imados. De la misma
o ma que en los casos an e io es, no se obse a on p oblemas de mul icolinealidad ni de
he e oscedas icidad y odos los pa áme os ue on signi ica i os (α = 0.05).
Las a iables independien es que o man pa e del sis ema de ecuaciones son la al u a
del ma o al (hSh ) y el espeso de la capa de hoja asca y man illo (dLi ) es imadas sob e
la ba a, así como el alo de Biomass Measu e (BM), una mé ica de i ada del modelo
logís ico ajus ado a las obse aciones de ob u ación y que se co esponde con el á ea bajo
la cu a de dicho modelo. Tal como se indicó al habla de las me odologías basadas en el
uso del TLS, debido al amaño de la mues a no ue posible ajus a el sis ema de
ecuaciones a cada una de las cua o comunidades de ma o al es udiadas; sin emba go, la
inclusión de a iables dummy pa a analiza di e encias en e ellas mos ó di e encias
signi ica i as en los alo es de dos o más pa áme os en odas las ecuaciones ajus adas,
lo que de nue o indica que se ía necesa io con a con una mues a de pa celas mayo pa a
cada comunidad que pe mi a ajus a el sis ema de ecuaciones pa a cada una de ellas, lo
que pe mi i ía mejo a la exac i ud de las es imaciones.
CECILIA ALONSO REGO
84
Con espec o a los modelos MARS pa a es ima las ca gas de combus ible en
supe icie (WLFH, Wdeb is y WSh ), la a iabilidad obse ada es muy simila , a iando en e
el 34.62% pa a WSh y el 36.53% pa a Wdeb is. Sin emba go, los alo es del RMSE% son
muy di e en es (11.96% pa a WLFH; 97.07% pa a Wdeb is y 44.51% pa a WSh ), como
consecuencia de la g an a iabilidad obse ada en la ca ga de Wdeb is, especialmen e en
las pa celas some idas a cla as ue es.
La mayo ía de los es udios que es iman la biomasa de los combus ibles de so obosque
u ilizando da os del TLS se han cen ado en econs ui la o ma de los ma o ales a pa i
de la nube de pun os, ya sea median e una ap oximación a ozos del olumen o median e
la oxelización (Olsoy e al., 2014; G ea es e al., 2015; Rowell e al., 2020; Hudak e
al., 2020). Los es udios que u ilizan el TLS pa a p edeci la dis ibución de la biomasa de
los ma o ales y o as capas de combus ible sin econs ui las o mas a pa i de los
e o nos son escasos. Po ejemplo, Chen e al. (2017) desa olla on un modelo p edic i o
pa a es ima las ca gas de combus ible de supe icie en bosques de eucalip os del su es e
de Aus alia, incluyendo la opog a ía y la pe u bación de incendios an e io es como
posibles a iables independien es. El mejo modelo explicaba el 89% de la a iabilidad
obse ada, con el espeso de la hoja asca ob enido a pa i del TLS, el núme o de años
anscu idos desde el úl imo incendio, la densidad del dosel ob enida a pa i de la nube
de pun os ALS, y la ele ación de la pa cela como a iables independien es; cuando no se
conside a on las a iables ALS y la opog a ía, el po cen aje de a iabilidad obse ada
se educía al 69%. Wallace e al. (2017) explica on el 74% ( RMSE% = 16.3%) de la
a iabilidad obse ada en la biomasa aé ea de supe icie en bosques de ie as bajas con
dominancia de eucalip os y el 50% ( RMSE% = 41.2%) en bosques ibe eños de llanu a
de inundación en Vic o ia (Aus alia) u ilizando da os TLS. En el a ículo p ime o de es a
esis se desa olló un sis ema de ecuaciones pa a es ima las ca gas de combus ible de
ma o al y hoja asca desag egadas po clases de amaño pa a cua o comunidades de
ma o al desa bolado en Galicia, u ilizando mé icas de i adas de un único escaneo TLS
con un RMSE% de 30.55% pa a WLFH y 9.50% pa a WSh . Li e al. (2021) ob u ie on un
modelo que explicaba el 69% de la biomasa del so obosque en un bosque emplado mix o
de caduci olias y coní e as en la p o incia de Jilin (China), u ilizando una ap oximación
al olumen del ma o al a pa i del TLS.
4.2.2. Modelos basados en mé icas de i adas de ALS
En la Tabla 4.6 se mues an los es adís icos de bondad de ajus e de los mejo es
modelos ob enidos pa a las es me odologías desc i as. Al igual que los modelos basados
en las mé icas TLS, los en oques MARS y SVS supe a on al en oque RF. Teniendo en
cuen a es os esul ados, y pa a acili a la compa ación en e los modelos con di e en es
ipos de mé icas (TLS s. ALS), la discusión que sigue sólo conside a los es adís icos
del modelo MARS.
Al igual que con los modelos basados en las mé icas TLS, la p ecisión de las
es imaciones de los modelos basados en las mé icas ALS a ió mucho, dependiendo de
la a iable dependien e analizada. Pa a las a iables elacionadas con la al u a de los
á boles o el so obosque, la a iabilidad obse ada explicada ue muy simila a la ob enida
con los modelos TLS pa a ℎ (89.16%; RMSE% = 6.53%), y H (93.07%; RMSE% =
5.46%); supe io pa a CBH (84,57%; RMSE% = 9,79%) y FSG (85.51%; RMSE% =
10.47%) e in e io en el caso de ℎ (32.01%; RMSE% = 51.22%), p obablemen e
4. Resul ados y discusión
85
debido a la di icul ad de ca ac e iza adecuadamen e el so obosque en bosques densos
u ilizando da os LiDAR aé eos de baja densidad (Keane e al., 2001; Campbell e al.,
2018). Es udios compa a i os mues an que el ALS p oduce es imaciones más p ecisas
de la al u a del dosel que el TLS (Hilke e al., 2012; C espo-Pe ema ch y Ruiz, 2017),
mien as que el TLS p oduce una ca ac e ización más p ecisa de la ege ación del
so obosque (Chasme e al., 2006; Hilke e al., 2010).
En cuan o a las a iables elacionadas con el olumen o la biomasa del dosel, los
modelos basados en las mé icas ALS ue on simila es a los basados en las de i adas del
TLS pa a G (R2 = 0.4939 y RMSE% = 19.18%) y mucho mejo es pa a las demás
a iables (V con R2 = 0.6599 y RMSE% = 19.80%; W con R2 = 0.6452 y RMSE% =
19.14%; CFL con R2 = 0.5203 y RMSE% = 18.63%; y CBD con R2 = 0.5587 y RMSE%
= 25.26%). En cuan o a las ca gas de combus ible de supe icie, las es imaciones de los
modelos basados en las mé icas ALS ue on lige amen e más p ecisas pa a Wdeb is (R2 =
0.4069; RMSE% = 93.84%) y WSh (R2 = 0.4796; RMSE% = 39.71%) y mucho peo es
pa a WLFH (R2 = 0.1049; RMSE% = 14.03%). Al igual que con los modelos basados en
las mé icas TLS, en el caso de es a úl ima a iable, el RMSE% ue bajo, a pesa de que
la a iabilidad explicada po el modelo es muy baja (≈10%), p obablemen e debido a la
baja a iabilidad de la ca ga de combus ible de hoja asca en las 68 pa celas analizadas;
po el con a io, en el caso de la ca ga de es os leñosos (Wdeb is), el RMSE% ue muy
al o debido a la al a a iabilidad obse ada en las pa celas, especialmen e en el
a amien o de cla a ue e.
Tabla 4.6. Es adís icos de bondad de ajus e de los modelos ob enidos a pa i de las
mé icas de i adas del ALS como a iables independien es pa a las es me odologías
siguien es: MARS = mul i a ia e adap i e eg ession splines; SVM = Suppo Vec o
Machine Lineal (SVM-L), Radial (SVM-R) o Polinómico (SVM-P); y RF = Random
Fo es . Los mejo es esul ados pa a cada a iable dependien e se des acan en neg i a.
De echos de au o 2021, Remo e Sensing.
Va iables elacionadas con el uego de supe icie
Va iable Es adís ico MARS SVM-L SVM-R SVM-P RF
𝒉𝑺𝒉𝒓
(cm)
R2 0.3201 0.3144 0.4246 0.4185 0.2758
RMSE (%) 51.22 51.44 47.12 47.37 52.86
FSG
(m)
R2 0.8551 0.7924 0.7310 0.8624 0.7811
RMSE (%) 10.47 12.53 14.27 10.20 12.87
Wdeb is
(Mg ha-1)
R2 0.4069 0.3794 0.3874 0.3244 0.3027
RMSE (%) 93.84 95.99 95.37 100.15 101.75
WLFH
(Mg ha-1)
R2 0.1049 0.1556 0.1346 0.1750 ---
RMSE (%) 14.03 13.63 13.80 13.47 ---
WSh
(Mg ha-1)
R2 0.4796 0.4020 0.4514 0.4333 0.4542
RMSE (%) 39.71 42.56 40.77 41.44 40.67
Va iables del dosel elacionadas con el uego de copas
Va iable Es adís ico MARS SVM-L SVM-R SVM-P RF
𝒉
(m)
R2 0.8916 0.8457 0.8197 0.8455 0.8381
RMSE (%) 6.53 7.80 8.43 7.80 7.98
CBH
(m)
R2 0.8457 0.8574 0.8381 0.8625 0.8141
RMSE (%) 9.79 9.41 10.03 9.25 10.75
CFL
(kg m-2)
R2 0.5203 0.4167 0.3959 0.3985 0.3285
RMSE (%) 18.63 20.55 20.91 20.87 22.05
CBD
(kg m-3)
R2 0.5587 0.4677 0.4412 0.5727 0.4590
RMSE (%) 25.26 27.74 28.45 24.84 27.95
CECILIA ALONSO REGO
86
Va iables de odal
Va iable Es adís ico MARS SVM-L SVM-R SVM-P RF
H
(m)
R2 0.9307 0.9201 0.8560 0.9105 0.8849
RMSE (%) 5.46 5.86 7.87 6.20 7.03
G
(m2 ha-1)
R2 0.4939 0.4867 0.4314 0.5027 0.3849
RMSE (%) 19.18 19.32 20.33 19.01 21.14
V
(m3 ha-1)
R2 0.6599 0.5749 0.5521 0.6137 0.5638
RMSE (%) 19.80 22.14 22.73 21.11 22.43
W
(Mg ha-1)
R2 0.6452 0.5199 0.5620 0.5949 0.5624
RMSE (%) 19.14 22.26 21.26 20.45 21.25
Todos es os alo es de bondad de ajus e es án den o del ango p e iamen e
epo ado pa a da os ALS de baja densidad y bosques de ca ac e ís icas simila es. Po
ejemplo, pa a bosques pu os de P. adia a, los modelos de olumen (V) desa ollados po
González-Fe ei o e al. (2012) a oja on un RMSE% del 30.4% pa a da os ALS, con
una densidad de 0.5 p ime os e o nos m-2 y del 24.98% pa a 8 p ime os e o nos m-2; los
modelos de es imación de biomasa aé ea u ilizados po los mismos au o es a oja on
alo es de RMSE% del 26.77% pa a 0.5 p ime os e o nos m-2 y del 23.73% pa a 8
p ime os e o nos m-2. U ilizando los mismos da os y aplicando un en oque híb ido
basado en el uso combinado de la eg esión lineal múl iple (MLR) y un algo i mo
gené ico pa a selecciona el mejo conjun o de a iables independien es; Ga cía-
Gu ié ez e al. (2014) in o ma on de alo es de RMSE% de 23.03% y 21.29% pa a los
modelos de á ea basimé ica (G), u ilizando da os LiDAR con densidades de 0.5 y 8
p ime os e o nos m-2, espec i amen e; 27.24% y 24.63% pa a los modelos de olumen
(V) ajus ados a conjun os de da os LiDAR de 0.5 y 8 p ime os e o nos m-2,
espec i amen e; y pa a los modelos de ca gas (W), alo es de RMSE% de 26.77% pa a
0.5 p ime os e o nos m-2 y 24.04% pa a una densidad de pulsos láse de 8 p ime os
e o nos m-2. Pa a un es udio en un bosque de P. adia a en Galicia, González-Fe ei o e
al. (2012) ob u ie on alo es de RMSE% de 6.94% pa a ℎ; 7.13% pa a CBH; 12.40%
pa a CFL; y 21.85% pa a CBD con da os ALS con una densidad de 0.5 p ime os e o nos
m-2. En o o es udio de una ed de ensayos de cla as en 4 odales de P. pinas e pu os y
egula es en As u ias (NO de España), He ia e al. (2016b) ob u ie on alo es de
RMSE% pa a ℎ, H y CBH del mismo o den que los ob enidos en es e es udio (5.22; 6.50
y 8.43%, espec i amen e), aunque los esul ados ue on mucho mejo es pa a las
a iables de ca ga de combus ible (8.09% pa a CFL y 9.78% pa a CBD); sin emba go, la
densidad de da os LiDAR ue ambién mucho mayo (8-16 p ime os e o nos m-2) que la
u ilizada en es e es udio. Jiménez e al. (2017) desa olla on modelos pa a la es imación
de a iables de odal en bosques de P. pinas e y P. adia a en Galicia, u ilizando una
combinación de da os LiDAR del PNOA y da os LANDSAT-ETM en pa celas del Cua o
In en a io Fo es al Nacional de España (IV-IFN) ob eniendo alo es de RMSE% pa a el
á ea basimé ica (G) de 41.62% pa a P. pinas e y 27.64% pa a P. adia a; los alo es
del mismo es adís ico pa a la al u a dominan e (H) ue on 6.31 y 11.76%,
espec i amen e; pa a la biomasa de la copa, los alo es ue on 42.86 y 26%,
espec i amen e, y pa a la biomasa del onco, 46.92 y 23.99%, espec i amen e.
U ilizando ambién da os del IV-IFN y da os LiDAR del PNOA, González- Fe ei o e al.
(2017) ob u ie on alo es de RMSE% pa a la es imación de la CFL del 44.35% pa a P.
adia a y del 45.39% pa a P. pinas e . Po úl imo, en un es udio en bosques de P. pinas e
y P. adia a en el no oes e de España u ilizando me odologías de ap endizaje au omá ico,
No o-Fe nández e al. (2019) ob u ie on alo es de RMSE% pa a la es imación de V de
37.95 y 37.23%, espec i amen e, y 38.51 y 38.27%, espec i amen e, pa a la es imación
4. Resul ados y discusión
87
de W a pa i de los da os del IV-IFN y de los mismos da os LiDAR del PNOA u ilizados
en es e es udio.
4.2.3. Modelos MARS que combinan mé icas de i adas de TLS y ALS
A la is a de los esul ados de los apa ados an e io es se decidió emplea únicamen e
la me odología MARS pa a ajus a modelos de es imación combinando como a iables
independien es an o las mé icas TLS como las de ALS.
En las Tablas 4.7 a 4.9 se mues an las exp esiones ma emá icas de los modelos
MARS ob enidos u ilizando las mé icas del TLS, del ALS y ambas combinadas como
a iables independien es pa a es ima las a iables elacionadas con el uego de
supe icie, con el uego de copas y con las a iables del odal.
Tabla 4. 7. Exp esión ma emá ica de los modelos MARS ajus ados u ilizando los es conjun os di e en es de mé icas (TLS, ALS y TLS+ALS)
como a iables independien es pa a es ima las a iables elacionadas con el uego de supe icie. De echos de au o 2021, Remo e Sensing.
Va iables elacionadas con el uego de supe icie
Va iable Mé icas Modelos
𝒉𝑺𝒉𝒓
(m)
TLS ℎℎ
18.36 572.09 0.11 𝑇𝐿𝑆ℎ38.87 1.81 𝑇𝐿𝑆ℎ8.23 𝑇𝐿𝑆ℎ15.39
0.11 15.39 𝑇𝐿𝑆ℎ𝑇𝐿𝑆𝑃
_
ALS ℎℎ
56.18 343.89 0.29
𝐴
𝐿𝑆ℎ148.79
𝐴
𝐿𝑆0.59
TLS+ALS La inclusión de mé icas ALS no mejo a el modelo que emplea solo las mé icas TLS
FSG
(m)
TLS 𝐹𝑆𝐺11.08 1.13 𝐼
0.92 15.39 𝑇𝐿𝑆ℎ2.11 𝑇𝐿𝑆ℎ15.390.66 𝑇𝐿𝑆ℎ𝑇𝐿𝑆ℎ15.39
ALS 𝐹𝑆𝐺6.26 1.77
𝐴
𝐿𝑆ℎ2.692.51
𝐴
𝐿𝑆ℎ1.670.79
𝐴
𝐿𝑆ℎ9.46
0.053
𝐴
𝐿𝑆𝑃
𝐴
𝐿𝑆ℎ1.77
TLS+ALS 𝐹𝑆𝐺8.86 1.01 5.11 𝑇𝐿𝑆ℎ4.41
𝐴
𝐿𝑆ℎ2.190.65
𝐴
𝐿𝑆ℎ8.770.93 8.12
𝐴
𝐿𝑆ℎ
Wdeb is
(Mg ha-1)
TLS 𝑊36.99 88.39 𝑇𝐿𝑆ℎ0.1843.42 0.87 𝑇𝐿𝑆ℎ4.80 𝑇𝐿𝑆ℎ8.75
7.01 𝑇𝐿𝑆ℎ13.50𝑇𝐿𝑆ℎ
ALS 𝑊8.51 219.67
𝐴
𝐿𝑆ℎ0.0910.66 3.99
𝐴
𝐿𝑆ℎ19.18 14.83
𝐴
𝐿𝑆ℎ
17.30 16.12
𝐴
𝐿𝑆ℎ
TLS+ALS 𝑊11.40 6.14 6.63 𝑇𝐿𝑆ℎ15.18 5.17
𝐴
𝐿𝑆ℎ8.43 6.70
𝐴
𝐿𝑆ℎ
0.45 42.15 𝑇𝐿𝑆𝑃𝑇𝐿𝑆ℎ
WLFH
(Mg ha-1)
TLS 𝑊31.17 0.11 𝑇𝐿𝑆𝑃
_
12.3216.41 0.36 𝑇𝐿𝑆ℎ1.56 𝑇𝐿𝑆ℎ6.53
ALS 𝑊31.68 8.10 3.75
𝐴
𝐿𝑆ℎ
TLS+ALS 𝑊35.14 15.50 0.34 𝑇𝐿𝑆ℎ12.46 𝑇𝐿𝑆ℎ0.8015.03 𝑇𝐿𝑆ℎ1.63
3.26 1.23 𝑊
𝐴
𝐿𝑆ℎ
WSh
(Mg ha-1)
TLS 𝑊7.94 5.82 𝑇𝐿𝑆ℎ0.6839.62 0.11 𝑇𝐿𝑆ℎ24.23 𝑇𝐿𝑆ℎ0.11
14.49 𝑇𝐿𝑆ℎ0.11𝑇𝐿𝑆ℎ
ALS 𝑊5.86 32.17 0.18
𝐴
𝐿𝑆ℎ1.08 6.98
𝐴
𝐿𝑆ℎ0.26
𝐴
𝐿𝑆𝑃29.97
4.43 6.98
𝐴
𝐿𝑆ℎ
𝐴
𝐿𝑆ℎ
TLS+ALS La inclusión de mé icas TLS no mejo a el modelo que emplea solo las mé icas ALS
Tabla 4. 8. Exp esión ma emá ica de los modelos MARS ajus ados u ilizando es conjun os di e en es de mé icas (TLS, ALS y TLS+ALS) como
a iables independien es pa a es ima las a iables elacionadas con el uego de copas. De echos de au o 2021, Remo e Sensing.
Va iables del dosel elacionadas con el uego de copas
Va iable Mé icas Modelos
𝒉
(m)
TLS ℎ13.30 1.12 12.31 𝑇𝐿𝑆ℎ1.04 𝑇𝐿𝑆ℎ12.310.04 𝑇𝐿𝑆ℎ12.31
𝑇𝐿𝑆𝑃23.72𝐼
ALS ℎ
20.93 0.95 22.77
𝐴
𝐿𝑆ℎ0.55
𝐴
𝐿𝑆ℎ22.7724.51 0.53
𝐴
𝐿𝑆
6.03 22.77
𝐴
𝐿𝑆ℎ
𝐴
𝐿𝑆ℎ0.11
TLS+ALS ℎ
13.46 1.23 12.31 𝑇𝐿𝑆ℎ0.96 𝑇𝐿𝑆ℎ12.310.10
𝐴
𝐿𝑆ℎ15.23
0.04 𝑇𝐿𝑆ℎ12.31𝑇𝐿𝑆𝑃24.56𝐼
CBH
(m)
TLS 𝐶𝐵𝐻12.64 1.14 𝐼
0.09 32.86 𝑇𝐿𝑆𝑃1.02 15.83 𝑇𝐿𝑆ℎ0.97 𝑇𝐿𝑆ℎ15.83
ALS 𝐶𝐵𝐻9.64 0.34
𝐴
𝐿𝑆ℎ1.766.15 0.19
𝐴
𝐿𝑆ℎ0.43
𝐴
𝐿𝑆ℎ7.96
0.44 19.02
𝐴
𝐿𝑆ℎ
TLS+ALS 𝐶𝐵𝐻7.89 1.05 𝑇𝐿𝑆ℎ3.495.11 0.19
𝐴
𝐿𝑆ℎ0.45
𝐴
𝐿𝑆ℎ9.21
0.39 11.10
𝐴
𝐿𝑆ℎ
CFL
(kg m-2)
TLS 𝐶𝐹𝐿1.39 0.39 0.58 𝑇𝐿𝑆ℎ0.13 13.37 𝑇𝐿𝑆ℎ0.02 30.55 𝑇𝐿𝑆𝑃
_
𝐼
0.99 𝑇𝐿𝑆ℎ𝑇𝐿𝑆ℎ4.39 𝑇𝐿𝑆ℎ
ALS 𝐶𝐹𝐿0.77 0.02
𝐴
𝐿𝑆𝑃49.600.76
𝐴
𝐿𝑆ℎ10.020.24
𝐴
𝐿𝑆ℎ
0.03 2.76
𝐴
𝐿𝑆ℎ
𝐴
𝐿𝑆𝑃49.600.04 1.40
𝐴
𝐿𝑆ℎ
𝐴
𝐿𝑆𝑃49.60
TLS+ALS 𝐶𝐹𝐿1.31 0.03 30.55 𝑇𝐿𝑆𝑃
_
0.11 16.55 𝑇𝐿𝑆ℎ3.75
𝐴
𝐿𝑆ℎ0.17
0.01
𝐴
𝐿𝑆𝑃ℎ40.04
CBD
(kg m-3)
TLS 𝐶𝐵𝐷0.21 0.061 𝐼0.0053 30.55 𝑇𝐿𝑆𝑃
_
0.046 10.48 𝑇𝐿𝑆ℎ0.008 𝑇𝐿𝑆ℎ10.48
ALS 𝐶𝐵𝐷0.13 0.47
𝐴
𝐿𝑆ℎ0.110.025
𝐴
𝐿𝑆𝑃53.550.022 0.11
𝐴
𝐿𝑆ℎ
𝐴
𝐿𝑆𝑃0.001
𝐴
𝐿𝑆𝑃53.55
𝐴
𝐿𝑆ℎ
TLS+ALS 𝐶𝐵𝐷0.12 2.79 0.11
𝐴
𝐿𝑆ℎ
0.007
𝐴
𝐿𝑆𝑃53.550.017 30.55 𝑇𝐿𝑆𝑃
_
1.58
𝐴
𝐿𝑆ℎ0.001
30.55 𝑇𝐿𝑆𝑃
_
𝐴
𝐿𝑆ℎ1.58𝑇𝐿𝑆ℎ
Tabla 4. 9. Exp esión ma emá ica de los modelos MARS ajus ado u ilizando los es conjun os di e en es de mé icas (TLS, ALS y TLS+ALS)
como a iables independien es pa a es ima las a iables del odal. De echos de au o 2021, Remo e Sensing.
Va iables de odal
Va iable Mé icas Modelos
H
(m)
TLS 𝐻18.56 8.94 𝐼1.12 15.96 𝑇𝐿𝑆ℎ
0.15 𝑇𝐿𝑆𝑃𝐼
0.03 𝑇𝐿𝑆ℎ𝑇𝐿𝑆ℎ15.96
ALS 𝐻14.88 0.61 10.93
𝐴
𝐿𝑆ℎ
1.14
𝐴
𝐿𝑆ℎ13.741.15 35.70
𝐴
𝐿𝑆𝑃
𝐴
𝐿𝑆ℎ0.03
𝐴
𝐿𝑆𝑃12.28
𝐴
𝐿𝑆ℎ𝐼
TLS+ALS 𝐻18.75 7.78 𝐼1.17 15.96 𝑇𝐿𝑆ℎ
0.75
𝐴
𝐿𝑆ℎ17.340.13 𝑇𝐿𝑆𝑃𝐼
G
(m2 ha-1)
TLS 𝐺53.05 12.20 𝐼1.41 28.37 𝑇𝐿𝑆𝑃
_
12.03 0.35 𝑇𝐿𝑆ℎ8.35 10.48 𝑇𝐿𝑆ℎ
3.42 𝑇𝐿𝑆ℎ10.48
ALS 𝐺21.83 0.96
𝐴
𝐿𝑆ℎ10.0213.52 2.24
𝐴
𝐿𝑆ℎ
0.90 15.23
𝐴
𝐿𝑆ℎ0.46
𝐴
𝐿𝑆𝑃49.60
TLS+ALS 𝐺24.90 15.55 0.64 𝑇𝐿𝑆ℎ8.94 3.44
𝐴
𝐿𝑆ℎ10.47 2.70
𝐴
𝐿𝑆ℎ
1.33
𝐴
𝐿𝑆ℎ1.680.69
𝐴
𝐿𝑆𝑃40.04
V
(m3 ha-1)
TLS 𝑉347.82 65.26 𝐼11.61 28.37 𝑇𝐿𝑆𝑃
_
33.65 𝑇𝐿𝑆ℎ14.1946.29 14.78 𝑇𝐿𝑆ℎ
ALS 𝑉176.76 16.15
𝐴
𝐿𝑆ℎ10.0226.49 3.76
𝐴
𝐿𝑆ℎ3.97
𝐴
𝐿𝑆𝑃53.21
1.47
𝐴
𝐿𝑆𝑃53.2148.77
𝐴
𝐿𝑆𝑃
TLS+ALS 𝑉385.23 10.92 30.55 𝑇𝐿𝑆𝑃
_
28.06 18.63 𝑇𝐿𝑆ℎ22.62
𝐴
𝐿𝑆ℎ10.02575.74
𝐴
𝐿𝑆ℎ0.08
𝐴
𝐿𝑆ℎ9.21
W
(Mg ha-1)
TLS 𝑊216.79 43.98 𝐼
5.86 28.37 𝑇𝐿𝑆𝑃
_
24.18 15.96 𝑇𝐿𝑆ℎ15.53 𝑇𝐿𝑆ℎ15.96
ALS 𝑊92.24 4.69
𝐴
𝐿𝑆ℎ10.02
2.58
𝐴
𝐿𝑆𝑃49.60110.67
𝐴
𝐿𝑆ℎ10.020.20
𝐴
𝐿𝑆ℎ2.44
𝐴
𝐿𝑆𝑃49.602.76
𝐴
𝐿𝑆ℎ
TLS+ALS 𝑊105.02 49.55 0.64 𝑇𝐿𝑆ℎ8.73
𝐴
𝐿𝑆ℎ10.02
12.03
𝐴
𝐿𝑆ℎ3.761.61
𝐴
𝐿𝑆𝑃49.59
4. Resul ados y discusión
91
La combinación de las mé icas ALS y TLS mejo ó la capacidad de p edicción de los
modelos basados en un único ipo de mé ica en odos los casos, excep o pa a ℎ
y WSh ,
al y como mues an los alo es de los es adís icos de bondad de ajus e (Tabla 4.10) pa a
cada conjun o de mé icas (TLS, ALS y TLS+ALS). La mejo a de la p ecisión de las
es imaciones es especialmen e impo an e pa a las a iables elacionadas con el olumen
o la biomasa del dosel, con educciones del RMSE del 7.56% pa a CFL; 9.21% pa a V;
9.52% pa a CBD; y 10.72% pa a G.
Tabla 4. 10. Es adís icos de bondad de ajus e de los modelos ajus ados, u ilizando los es
conjun os di e en es de mé icas (TLS, ALS y TLS+ALS) como a iables independien es.
De echos de au o 2021, Remo e Sensing.
Va iables elacionadas con el uego de supe icie
Va iable
Es adís ico
TLS
ALS
TLS+ALS
𝒉𝑺𝒉𝒓
R
2
0.5308 0.3201 0.5308
(cm) RMSE(%) 42.55 51.22 42.55
FSG
R
2 0.7662 0.8551 0.8987
(
m
)
RMSE(%) 13.30 10.47 8.75
W
deb is
R
2 0.3653 0.4069 0.4894
(Mg ha-1) RMSE(%) 97.07 93.84 87.06
W
LFH
R
2 0.3496 0.1049 0.4311
(Mg ha-1) RMSE(%) 11.96 14.03 11.19
W
Sh
R
2 0.3462 0.4796 0.3462
(Mg ha-1) RMSE(%) 44.51 39.71 44.51
Va iables del dosel elacionadas con el uego de copas
Va iable
Es adís ico
TLS
ALS
TLS+ALS
𝒉
R
2 0.9250 0.8916 0.9343
(m) RMSE(%) 5.43 6.53 5.08
CBH
R
2 0.7715 0.8457 0.8683
(m) RMSE(%) 11.92 9.79 9.05
CFL
R
2 0.4235 0.5203 0.5899
(kg m−2) RMSE(%) 20.42 18.63 17.22
CBD
R
2 0.5135 0.5587 0.6383
(kg m−3) RMSE(%) 26.54 25.26 22.86
Va iables de odal
Va iable
Es adís ico
TLS
ALS
TLS+ALS
H
R
2 0.9324 0.9307 0.9425
(
m
)
RMSE(%) 5.39 5.46 4.97
G
R
2 0.5187 0.4939 0.6163
(m2 ha−1) RMSE(%) 18.7 19.18 16.70
V
R
2 0.5865 0.6599 0.7197
(m3 ha−1) RMSE(%) 21.84 19.80 17.98
W
R
2 0.5607 0.6452 0.6512
(Mg ha−1) RMSE(%) 21.29 19.14 18.97
CECILIA ALONSO REGO
92
Es os esul ados e an de espe a , ya que es as a iables es án ue emen e
co elacionadas con el es ado de desa ollo del dosel y su dis ibución e ical y
ho izon al, y la combinación de las mé icas de i adas del ALS (conside ando el ángulo
ceni al) con las mé icas del TLS (apo ando in o mación de la pa e baja del dosel)
p opo ciona una in o mación mucho más comple a sob e su es uc u a espacial (Xu e al.,
2021). Los modelos desa ollados pa a es ima WLFH y Wdeb is que se ajus a on u ilizando
mé icas de ambos senso es ambién mos a on ap eciables educciones de RMSE con
alo es de 6.47 y 7.22%, espec i amen e.
Pa a analiza la impo ancia que cada a iable independien e incluida en los modelos
iene sob e sus es imaciones se calculó el alo de impo ancia ela i a a pa i de la
educción del RMSE que supone la inco po ación al modelo de dicha a iable
independien e, suponiendo que las demás a iables independien es ya es án incluidas en
el mismo. Los alo es de educción de RMSE se han no malizado asignando a la máxima
educción el alo de 100 y al es o p opo cional a su alo . Los alo es no malizados de
impo ancia ela i a se mues an en la Figu a 4.5.
En gene al, las mé icas ela i as a los pe cen iles de al u a an o pa a los da os ALS
como TLS ue on las a iables que más con ibuye on a la a iabilidad explicada po los
modelos, especialmen e pa a aquellas a iables dependien es elacionadas con la al u a
(ℎ
, ℎ, FSG, CBH y H). Sin emba go, como e a de espe a , en el caso de las a iables
elacionadas con las ca gas de combus ible, con la o ma del pe il (asime ía, dis ancia
in e cua ílica, L-momen os, o el pa áme o de o ma de la dis ibución de Weibull) o la
dis ibución ho izon al de la nube de pun os (TLSPA2m_max o TLSPB2m_max)
con ibuye on signi ica i amen e a la educción de los alo es de RMSE. Es os esul ados
ue on simila es a los ob enidos en di e sos es udios que u iliza on mé icas en luga de
econs ui es uc u as 3D, especialmen e en el caso de nubes de pun os ALS (Hilke e
al., 2012; Bou ie e al., 2015; Gue a-He nández e al., 2016; No o-Fe nández e al.,
2019; Mau o e al., 2021).
4. Resul ados y discusión
93
Es as di e encias en e especies de pino en el caso de las a iables de ma o al no se
e lejan en los modelos p obablemen e po que las ecuaciones u ilizadas pa a es ima las
no di e enciaban en e P. pinas e y P. adia a. En odo caso, los modelos ajus ados po
Vega e al. (2022ª) u ilizando una base de da os de 283 mues eos des uc i os en masas
de pina en Galicia ampoco mos a on di e encias signi ica i as en las es imaciones de
Figu a 4. 5. Impo ancia ela i a no malizada de las a iables independien es en los
modelos de mejo ajus e pa a la es imación de las a iables elacionadas con el uego de
supe icie (a iba), las a iables del dosel elacionadas con el uego de copas (cen o) y
las a iables de odal (abajo), espec i amen e. Cada cí culo concén ico ep esen a un
alo de un 20% sob e el máximo. De echos de au o 2021, Remo e Sensing.
C
ECILIA
A
LONSO
R
EGO
100
Figu a 4. 7. (Izquie da) G á icos de dispe sión de los alo es obse ados en e a los
p edichos pa a la dis ibución e ical de la biomasa de acículas (W
acum
_
needlesj
, a iba),
leñosos inos (W
acum
_
G1j
, cen o) y o al (W
acum_ o alj
, abajo) de á bol indi idual. La línea
oja sólida indica el modelo lineal ajus ado y la línea discon inua indica el ajus e
pe ec o. (De echa) G á icos de caja de la dis ibución e ical de los esiduos de
biomasa de acículas (W
acum
_
needlesj
, supe io ), leñosos inos (W
acum
_
G1j
, medio), y o al
(W
acum
_
o alj
, in e io ) según la al u a desde el suelo. Los pun os azules indican los
alo es medios.
4. Resul ados y discusión
101
4.3.2. Ecuaciones de es imación de ca ga de combus ible o al po acciones pa a
los p ime os 6 m del onco a ni el de odal y su dis ibución e ical
Una ez ajus adas las ecuaciones de á bol indi idual, se aplica on a odos los á boles
de cada pa cela y se ob u ie on los alo es de biomasa mue a po hec á ea de las
di e en es acciones pa a los p ime os 6 m de al u a desde el suelo, ag egando los alo es
de cada á bol (Tabla 4.12).
Tabla 4. 12. Es adís icos de las p incipales a iables en los p ime os 6 m de la copa
mue a y del conjun o del dosel ( i o y mue o). De echos de au o 2022, Fo es .
Va iables pa a los p ime os 6 m del dosel mue o (n = 20)
Va iable Media Máximo Mínimo D.s.
Ws and_ o al (Mg ha-1) 19.58 34.77 9.86 6.78
Ws and_needles (Mg ha-1) 2.97 5.06 1.68 0.93
Ws and_G1 (Mg ha-1) 1.94 2.62 1.15 0.35
Ws and_G23 (Mg ha-1) 14.67 27.51 5.31 0.61
ℎ
(m) 0.41 0.83 0.24 0.14
CFL_dead (kg m-2) 0.49 0.73 0.34 0.10
%CFL_dead 29.49 36.03 22.35 3.23
Va iable pa a odo el dosel (mue o+ i o) (n = 20)
Va iable Media Máximo Mínimo D.s.
CFL_ o al (kg m-2) 1.68 2.51 1.09 0.36
D.s. = des iación es ánda ; Ws and_ o al, Ws and_needles, Ws and_G1 y Ws and_G 23 = ca ga
o al, de acículas, leñosa ina (G1) y leñosa media y g uesa (G23) en los p ime os 6 m del
dosel mue o, espec i amen e; ℎ
= al u a media has a la base de la copa mue a en el
odal; CFL_dead = ca ga de combus ible mue o disponible en los p ime os 6 m del dosel
(needles + G1); %CFL_dead = po cen aje de CFL_dead sob e CFL de odo el dosel
(CFL_ o al, i a y mue a).
Al igual que en el sis ema del á bol indi idual, una ez seleccionado el mejo
conjun o de a iables independien es, se ajus ó simul áneamen e el sis ema de ocho
ecuaciones (inicialmen e sin inclui los é minos au o eg esi os). A la is a de los
esul ados de la p ueba de Du bin-Wa son, el sis ema se ol ió a ajus a incluyendo el
é mino au o eg esi o de o den 1 (AR1), ampoco se de ec ó mul icolinealidad ni
he e oscedas icidad en ninguna de las ocho ecuaciones ajus adas y odos los pa áme os
incluidos en los modelos ue on signi ica i os (α = 0.05). Los modelos inalmen e
ob enidos, así como los es adís icos de bondad de ajus e, se mues an en la Tabla 4.13.
Los alo es de las a iables de odal y de las a iables es uc u ales del dosel i o
(CBH, CFL y CBD) obse ados en es e es udio es án den o del ango de alo es
ob enidos pa a Pinus adia a en o os es udios ealizados en la misma á ea geog á ica y
bajo condiciones climá icas, isiog á icas y edá icas simila es; po ejemplo, (Ruíz-
González y Ál a ez-González, 2011; Gómez-Vázquez e al., 2012; Fe nández-Alonso e
al., 2013; A ellano-Pé ez e al., 2018). Además, los alo es medios obse ados de
densidad del a bolado (N), á ea basimé ica del odal (G), al u a media
(ℎ) y CFL pa a la misma especie ue on consis en es con los mos ados po Gómez-
Vázquez e al. (2012) y el alo medio de CBD (0.11 kg m-3) ue el mismo que el
CECILIA ALONSO REGO
102
obse ado po A ellano-Pé ez e al. (2018) supe ando lige amen e el umb al deducido
empí icamen e po Agee (1996) de 0.1 kg m-3 como el alo ap oximado necesa io pa a
man ene un uego de copas ac i o.
El alo medio de CBH en las pa celas analizadas en es e es udio ue de 8.6 m (D.s.
= 2.8 m) con un máximo de 14.1 m, mien as que la al u a media de apa ición del
combus ible mue o ue de 0.4 m (D.s. = 0.1 m) con un máximo de 0.8 m. Po lo an o, se
debe ía u iliza la al u a de la base del dosel mue o en luga de la al u a i a pa a e alua
el po encial pa a la iniciación de uegos de copa en masas de pino adia a de al a cobe u a
en las que no se ha e ec uado ges ión. En consecuencia, pa a es ima es e enómeno se ía
más con enien e u iliza un sis ema de compo amien o del uego basado en la FSG y no
en la CBH, como, po ejemplo, el sis ema PPPY (C uz e al., 2008) o AMICUS (Plucinski
e al., 2017). En el caso de los usua ios de los sis emas de simulación del USDA Fo es
Se ice que se basan en la ecuación de iniciación de uego de copas de Van Wagne
(1977) y que po an o u ilizan como en ada CBH, debe ían inco po a los combus ibles
mue os de con inuidad como pa e del complejo de supe icie, al y como sugie en Sco
y Reinha d (2001) y Hall y Bu ke (2006). Sin emba go, es a solución sólo es
pa cialmen e sa is ac o ia po que implica la c eación de modelos de combus ible p opios
o un ajus e de la in ensidad lineal del uego de supe icie. En cuan o a CFL, el alo medio
obse ado al inclui sólo el dosel i o ino ue de 1.19 kg m-2 (D.s. = 0.28 kg m-2) con un
máximo de 1.78 kg m-2; es os alo es aumen an a 1.68 kg m-2 (D.s. = 0.36 kg m-2) y 2.51
kg m-2, espec i amen e, cuando se añade la ca ga apo ada po las acículas y las ami as
inas de las amas mue as que se ex ienden desde la supe icie hacia la copa i a. Po lo
an o, la impo an e con ibución del combus ible de las amas mue as a la ca ga o al de
combus ible disponible ( alo es medio y máximo de 29.5% (D.s. = 3.2) y 36%,
espec i amen e, en es e es udio) debe des aca se po que implica un aumen o de
p opo ciones simila es en el calo libe ado po unidad de supe icie en un supues o
incendio que consumie a odos los combus ibles inos de la copa. Po ejemplo, según
By am (1959) y conside ando un pode calo í ico in e io de 18 000 kJ kg-1 (C uz e al.,
2008; C uz e al., 2017), la ene gía libe ada po las copas pasa ía de 21 420 kJ m-2 a 30
240 kJ m-2, lo que ep esen a un aumen o del 41.1% en la in ensidad lineal del uego. Los
esul ados del es udio con i man que es as plan aciones de pino no p esen an una
dis ibución homogénea de combus ible ino i o y mue o en el dosel, al igual que ocu e
en abajos aus alianos (C uz e al., 2017). En su luga , se mues an dos capas de
combus ible cla amen e di e enciadas: una capa in e io que comp ende sob e odo
combus ibles mue os ca ac e izados po una al a in lamabilidad cuando es án
su icien emen e secos y una capa supe io o mada p edominan emen e po combus ibles
i os con una mayo densidad apa en e.
Tabla 4. 13. Sis ema de ecuaciones de es imación de ca gas de combus ible mue o y su dis ibución e ical po acción a ni el odal. De echos
de au o 2022, Fo es .
Ecuaciones de ca ga o al de combus ible en los p ime os 6 m Ecuaciones de dis ibución e ical de ca ga a lo la go de los p ime os 6 m
𝑊𝑠𝑡𝑎𝑛𝑑
_
𝑎𝐺ℎ
𝑎0.2303 0.0119; 𝑎1.1311 0.0142; 𝑎0.2993 0.0148
𝑅2 0.9780 𝑅𝑀𝑆𝐸 1.01 Mg ha 𝑊𝑠𝑡𝑎𝑛𝑑_𝑊𝑠𝑡𝑎𝑛𝑑_𝑊𝑠𝑡𝑎𝑛𝑑_
𝑅2 0.9909 𝑅𝑀𝑆𝐸 0.75 Mg ha
𝑊𝑠𝑡𝑎𝑛𝑑_𝑊𝑠𝑡𝑎𝑛𝑑
_
1𝑒𝑥𝑝𝑏𝑏ℎ
𝑏ℎ
ℎ
𝑏1.8633 0.0156; 𝑏2.3581 0.0259; 𝑏0.0740 0.0011
𝑅2 0.9794 𝑅𝑀𝑆𝐸 0.90 Mg ha
𝑊𝑠𝑡𝑎𝑛𝑑_𝑊𝑠𝑡𝑎𝑛𝑑_𝑊𝑠𝑡𝑎𝑛𝑑_
𝑅2 0.9911 𝑅𝑀𝑆𝐸 0.67 Mg ha
𝑊𝑠𝑡𝑎𝑛𝑑_𝑊𝑠𝑡𝑎𝑛𝑑
_
𝑒𝑥𝑝𝑏𝑏ℎ
𝑏ℎ
ℎ
1𝑒𝑥𝑝𝑏𝑏ℎ
𝑏ℎ
ℎ
𝑏1.8633 0.0156; 𝑏2.3581 0.0259; 𝑏0.0740 0.0011
𝑅2 0.9771 𝑅𝑀𝑆𝐸 0.14 Mg ha
𝑊𝑠𝑡𝑎𝑛𝑑_𝑊𝑠𝑡𝑎𝑛𝑑_1𝑒𝑥𝑝 𝑥
𝑝_
_
𝑝_0.4005 0.0021; 𝑝_1.58 0.02
𝑅2 0.9912 𝑅𝑀𝑆𝐸 0.11 Mg ha
𝑊𝑠𝑡𝑎𝑛𝑑_𝑊𝑠𝑡𝑎𝑛𝑑
_
1𝑒𝑥𝑝𝑐𝑐𝐺𝑐ℎ
𝑐0.4127 0.0201; 𝑐0.0226 0.0005; 𝑐0.0342 0.0015
𝑅2 0.9819 𝑅𝑀𝑆𝐸 0.82 Mg ha
𝑊𝑠𝑡𝑎𝑛𝑑_𝑊𝑠𝑡𝑎𝑛𝑑_1𝑒𝑥𝑝 𝑥
𝑝_
_
𝑝
_
0.5564 0.0033; 𝑝
_
2.06 0.03
𝑅2 0.9911 𝑅𝑀𝑆𝐸 0.61 Mg ha
𝑊𝑠𝑡𝑎𝑛𝑑_𝑊𝑠𝑡𝑎𝑛𝑑
_
𝑒𝑥𝑝𝑐𝑐𝐺𝑐ℎ
1𝑒𝑥𝑝𝑐𝑐𝐺𝑐ℎ
𝑐0.4127 0.0201; 𝑐0.0226 0.0005; 𝑐0.0342 0.0015
𝑅2 0.8829 𝑅𝑀𝑆𝐸 0.12 Mg ha
𝑊𝑠𝑡𝑎𝑛𝑑_𝑊𝑠𝑡𝑎𝑛𝑑_1𝑒𝑥𝑝 𝑥
𝑝_
_
𝑝
_
0.5280 0.0036; 𝑝
_
1.90 0.03
𝑅2 0.9837 𝑅𝑀𝑆𝐸 0.09 Mg ha
Ws and = ca ga o al de copa seca del odal (Mg ha-1); hblc = al u a has a la base de la copa i a (m); hbdc = al u a has a la base de la copa mue a
(m); ℎ
= hbdc media del odal; ℎ
= hblc media del odal; ℎ
= al u a media del odal; G = á ea basimé ica del odal; Ws and_acum_j = ca ga de
combus ible mue o acumulada has a la al u a hj sob e el onco (Mg ha-1) con max (hj) = 6 y 𝑥i = (ℎj - ℎ
) / (min (6, ℎ
- ℎ
). Los e o es
es ánda de las es imaciones de los pa áme os igu an en e pa én esis.
C
ECILIA
A
LONSO
R
EGO
104
Una ez ajus adas las ocho ecuaciones, los alo es de Ws and
acum_G123j
y Ws and
acum_ o alj
de
cada odal se es ima on como la suma de las es imaciones de Ws and
acum_G23j
+ Ws and
acum_G1j
y Ws and
acum_G123j
+ Ws and
acum_needlesj
, espec i amen e. A con inuación, se calcula on los
alo es de R
2
y RMSE pa a es as dos acciones.
Los modelos de ca ga de combus ible explica on en e el 88% y el 98% de la a iabilidad
obse ada en las ecuaciones pa a los combus ibles leñosos inos (Ws and_
G1
) y pa a las o as
acciones (Ws and_
o al
, Ws and_
G123
, Ws and_
needles
y Ws and_
G23
)
,
espec i amen e. Los
alo es de RMSE oscila on en e 0.12 Mg ha
-1
pa a los combus ibles leñosos inos (Ws and_
G1
)
y 1.01 Mg ha
-1
pa a el o al (Ws and_
o al
). Los modelos de ca ga de combus ible acumulada
explica on más del 98% de la a iabilidad o al obse ada, con alo es de RMSE que oscila on
en e 0.09 Mg ha
-1
y 0.75 Mg ha
-1
pa a la ecuación de combus ible leñoso ino (Ws and
acum_G1j
)
y pa a la ecuación de combus ible o al (Ws and
acum_ o alj
), espec i amen e.
A modo de ejemplo, la Figu a 4.8 mues a los alo es de ca ga obse ados en e a
p edichos pa a las acículas (Ws and
acum_needlesj
), los inos leñosos (Ws and
acum_G1j
) y o al de
combus ible (Ws and
acum_ o alj
), así como la dis ibución e ical de los esiduos de es as
es imaciones pa a las mismas acciones y secciones.
4. Resul ados y discusión
105
Figu a 4. 8. (Izquie da) G á icos de dispe sión de alo es obse ados en e a p edichos
pa a la dis ibución e ical de la ca ga de combus ible de acículas (Ws and
acum
_
needlesj
,
a iba), leñosos inos (Ws and
acum
_
G1j
, cen o) y o al (Ws and
acum
_
o alj
, abajo) del odal. La
línea oja sólida indica el modelo lineal ajus ado y la línea discon inua indica el ajus e
pe ec o. (De echa) Diag amas de caja de la dis ibución e ical de los esiduos de la ca ga
de acículas (Ws and
acum
_
needlesj
, supe io ), leñosos inos (Ws and
acum
_
G1j
, medio) y o al del
odal (Ws and
acum
_
o alj
, in e io ) según la al u a desde el suelo. Los pun os azules indican
los alo es medios.
Los es adís icos de bondad de ajus e de los dos sis emas de ecuaciones desa ollados
indica on es imaciones obus as y p ecisas, po lo que es os sis emas con ibuyen a llena el
CECILIA ALONSO REGO
106
acío sob e cómo cuan i ica la biomasa de los combus ibles mue os de escale a y así mejo a
las es imaciones sob e el calo que un po encial incendio gene a ía po unidad de supe icie y
su in ensidad lineal. Aunque ambos sis emas de ecuaciones pueden u iliza se con el mismo
p opósi o de es ima la ca ga de combus ibles mue os de escale a según las clases de amaño
y su dis ibución e ical en el odal, deben conside a se sus en ajas y limi aciones. El uso de
los sis emas de ecuaciones a ni el de á bol indi idual (Tabla 4.11) equie e un mayo núme o
de a iables independien es y el cálculo es más complicado que el uso di ec o del sis ema a
ni el de odal (Tabla 4.13). El p oceso consis e en calcula la biomasa de cada á bol, ag ega la
biomasa de odos los á boles de la pa cela y exp esa el esul ado en elación con la unidad de
supe icie (ha). Sin emba go, a pesa de que los es adís icos de bondad de ajus e apa en emen e
son peo es, el sis ema a ni el de á bol es más p eciso po que se basa en da os eales de biomasa
de combus ible mue o ob enidos a pa i de á boles mues eados des uc i amen e, mien as
que el sis ema a ni el de odal (Tabla 4.13) se basa en los alo es de biomasa es imada po el
sis ema de á bol indi idual (Tabla 4.11). Po o o lado, el sis ema a ni el de odal es más
sencillo de aplica po que sólo equie e medi una mues a de á boles pa a ob ene alo es
medios ep esen a i os de las al u as o ales, de inicio de copa mue a y de inicio de copa i a
en ez de conoce las de odos los á boles de la pa cela.
En cualquie caso, el uso de uno u o o en oque depende á básicamen e de log a un
equilib io en e la p ecisión de las es imaciones (mayo p ecisión con el en oque de á bol
indi idual) y el cos e que se pueda asumi en el in en a io de campo (meno cos e con el
en oque de odal).
5. Conclusiones/Conclusions
109
5. CONCLUSIONES
En el no oes e de España, el abandono de los e enos ag ícolas, en e o os ac o es, ha
gene ado un g an aumen o de la in e az u bano- o es al, c eando complejos mosaicos en los
que p edominan comunidades a bus i as de g an in lamabilidad que enlazan con el medio
adicionalmen e o es al. La ges ión e icien e de los ecosis emas o es ales exige cada ez más
una ca og a ía de combus ibles p ecisa y de allada pa a compa a y p io iza di e en es
es a egias de educción de combus ible, así como pa a se i de base en la plani icación de la
ex inción y en es au ación de los ecosis emas. Es a a ea eque i á uni y combina bases de
da os ob enidas, an o de mues eo adicional como del uso de senso es emo os, que acili en
la ob ención de in o mación a ni el espacial.
En es e documen o de esis se han desa ollado di e en es sis emas de ecuaciones de
es imación de ca ga de combus ible o es al a ni el de masa o de á bol indi idual, englobando
dis in as si uaciones: ma o al desa bolado, so obosque bajo pina , combus ibles de escale a y
dosel de copas. Se incluyen modelos basados en écnicas emo as ela i amen e no edosas
como la u ilización de da os LiDAR aé eos (ALS) y/o e es es (TLS), pe o ambién modelos
basados en in en a ios adicionales de campo. Si bien la o ien ación de la p esen e esis es el
uso de es os modelos en el campo de los incendios o es ales, especialmen e como apoyo en la
ges ión del combus ible, ambién pueden ene o as u ilidades como, po ejemplo, la es imación
de las exis encias de ca bono o la ca ac e ización de hábi a s.
A con inuación, se sin e izan las conclusiones, o ganizadas po los a ículos que con o man la
p esen e esis:
A ículo 1: Es imación de ca gas de combus ible y ca ac e ís icas es uc u ales de comunidades
de ma o al desa bolado median e escaneo con láse e es e (Remo e Sensing, 2020, 12 (22),
3704).
Comunicación 8CFE: Es imaciones de ca ga y es uc u a e ical de o maciones de ma o al
a pa i de mediciones de obs ucción isual en campo.
1. Los es udios que e alúan la u ilidad del TLS en la es imación de ca ac e ís icas de los
combus ibles de supe icie son escasos, u ilizan múl iples escaneos y se o ien an hacia
su uso en modelos ísicos de compo amien o del uego que equie en da os
idimensionales y espacialmen e explíci os sob e el e eno. Además, la mayo pa e de
los es udios analizan únicamen e la biomasa o al aé ea, dis inguiendo en el mejo de
los casos en e combus ibles i os y mue os. En nues o es udio se ha comp obado que
el uso de mé icas de i adas de un único escaneo del TLS p oduce es imaciones
su icien emen e p ecisas de la ca ga de ma o al desa bolado desag egada po es ado
biológico y clase de amaño, así como de o as ca ac e ís icas es uc u ales,
simpli icando, además, el abajo de campo y el p ocesado de la in o mación en elación
con las me odologías que u ilizan escaneos múl iples.
Ci a ion: Alonso-Rego, C.;
Fe nandes, P.; Ál a ez-González, J.G.;
A ellano-Pé ez, S.; Ruiz-González,
A.D. Indi idual-T ee and S and-Le el
Models o Es ima ing Ladde Fuel
Biomass F ac ions in Unp uned Pinus
adia a Plan a ions. Fo es s 2022,13,
1697. h ps://doi.o g/10.3390/
13101697
Academic Edi o : Palaiologos
Palaiologou
Recei ed: 9 Sep embe 2022
Accep ed: 11 Oc obe 2022
Published: 15 Oc obe 2022
Publishe ’s No e: MDPI s ays neu al
wi h ega d o ju isdic ional claims in
published maps and ins i u ional a il-
ia ions.
Copy igh : © 2022 by he au ho s.
Licensee MDPI, Basel, Swi ze land.
This a icle is an open access a icle
dis ibu ed unde he e ms and
condi ions o he C ea i e Commons
A ibu ion (CC BY) license (h ps://
c ea i ecommons.o g/licenses/by/
4.0/).
A icle
Indi idual-T ee and S and-Le el Models o Es ima ing Ladde
Fuel Biomass F ac ions in Unp uned Pinus adia a Plan a ions
Cecilia Alonso-Rego 1, Paulo Fe nandes 2, Juan Gab iel Ál a ez-González 1, S e ano A ellano-Pé ez 1
and Ana Da ía Ruiz-González 1,*
1
Unidad de Ges ión Ambien al y Fo es al Sos enible (UXAFORES), Depa amen o de Ingenie ía Ag o o es al,
Escuela Poli écnica Supe io de Ingenie ía, Uni e sidad de San iago de Compos ela, Rua Beningno Ledo s/n,
27002 Lugo, Spain
2CITAB—Cen o de In es igação e de Tecnologias Ag o-Ambien ais e Biológicas, Uni e sidade de
T ás-os-Mon es e Al o Dou o, 5001-801 Vila Real, Po ugal
*Co espondence: [email p o ec ed]; Tel.: +34-982-823220
Abs ac :
The mild clima e and, in ecen decades, he inc eased demand o imbe ha e a ou ed
he es ablishmen o ex ensi e plan a ions o as -g owing species such as Pinus adia a in Galicia (a
i e-p one egion in no hwes e n Spain). This species is cha ac e ised by e y poo sel -p uning;
unmanaged pine s ands ha e a wo ying e ical con inui y o uels a e c own closu e because he
dead lowe b anches accumula e la ge amoun s o ine dead biomass including wigs and suspended
needles. Despi e he impo an con ibu ion o hese dead ladde uels o he o e all canopy biomass
and o c own- i e haza ds, equa ions o es ima ing hese uels ha e no ye been de eloped. In his
s udy, wo sys ems o equa ions o es ima ing dead ladde uel acco ding o size class and he e ical
dis ibu ion in he i s 6 m o he c own we e i ed: a ee-le el sys em based on indi idual ee
and s and a iables and a s and-le el sys em based only on s and a iables. The goodness-o - i
s a is ics o bo h model sys ems indica ed ha he es ima es we e obus and accu a e. A he ee
le el, uel biomass models explained be ween 35% and 59% o he obse ed a iabili y, whe eas
cumula i e uel biomass models explained be ween 62% and 81% o he obse ed a iabili y. On he
o he hand, a he s and le el, uel-load models explained be ween 88% and 98% o he obse ed
a iabili y, whe eas cumula i e uel-load models explained mo e han 98% o he o al obse ed
a iabili y. These sys ems will he e o e allow manage s o adequa ely quan i y he dead ladde uels
in pu e Pinus adia a s ands and o iden i y he ea men s equi ed o educe c own- i e haza d.
Keywo ds:
canopy base heigh ; canopy uel load; canopy bulk densi y; c own- i e haza d; pu e
e en-aged s ands; o es managemen
1. In oduc ion
Fuel bed, he gene al e m o he complex a ay o biomass ypes in a gi en a ea, is
e ically s a i ied in o h ee uel laye s: g ound, su ace, and canopy uels [
1
]. G ound
uel comp ises all o he bu nable ma e ial below he li e including du , plan oo s,
decaying wood, and pea . G ound uel suppo s smoulde ing ( lameless) combus ion,
which p oduces lowe empe a u es and las s longe han he laming combus ion o
su ace uels [
2
]. Canopy o ae ial uels comp ise he biomass abo e he su ace uel laye ;
some o hei s uc u al cha ac e is ics such as canopy uel load (CFL), canopy bulk densi y
(CBD), and canopy base heigh (CBH) a ec he ini ia ion and sp ead o c own i es [
3
,
4
].
These a iables mus be quan i ied o p edic i e beha iou cha ac e is ics and enable he
selec ion o app op ia e sil icul u al ea men s aimed a educing suscep ibili y o c own
i es in i e-p one s ands such as pine o es s [
5
]. CFL is de ined as he mass o a ailable
canopy uel pe uni g ound a ea, CBD indica es he amoun o a ailable uel pe olume
uni in he ae ial laye , and CBH is he lowes heigh abo e g ound le el a which he e is
su icien canopy uel o p opaga e i e e ically h ough he canopy [
6
,
7
]. Fo modelling
Fo es s 2022,13, 1697. h ps://doi.o g/10.3390/ 13101697 h ps://www.mdpi.com/jou nal/ o es s
Fo es s 2022,13, 1697 2 o 19
pu poses, needles and ine wigs (diame e < 6 mm) a e usually conside ed he a ailable
uel because hey a e gene ally consumed wi hin he laming on o a c own i e [8].
Di e en app oaches and me hods ha e been used o es ima e he canopy uel a i-
ables ela ed o c own i es; e.g., [
3
,
6
,
9
]. The mos commonly used app oach is he “load-
o e -dep h me hod”, which assumes ha all canopy ine uel is homogeneously dis ibu ed.
This me hod is consis en wi h he semi-empi ical based models used in he main i e
beha iou simula o s a ailable [
10
]. The canopy ine uel can be es ima ed a he indi idual
ee le el by using equa ions o p edic c own uel cha ac e is ics using eg esso a iables
ha a e easy o measu e in he ield such as ee diame e o heigh ; e.g., [
11
,
12
]; and a
he s and le el by using models ha a e less accu a e bu also less demanding in e ms
o sampling. Thus, o example, in he s udy a ea, i.e., he no h-wes e n Ibe ian Penin-
sula, hese ypes o models ha e been de eloped o pine s ands ha a e p one o c own
i es using s and a iables de e mined in ield in en o ies [
11
–
16
] o by emo e sensing
echnologies including ai bo ne ligh de ec ion and anging (LiDAR) [
17
–
20
] and op ical
sa elli e image y [
21
]. The la e wo app oaches a e less accu a e han hose based on ield
in en o y bu acili a e landscape-le el mapping and hus he use o map-based simula ion
sys ems such as FlamMap [22].
The su ace uel laye (including li e , sh ubs, g asses, and woody biomass) also
con ibu es o c own- i e haza ds because i s load (biomass pe uni a ea) modula es he
i eline in ensi y o he su ace phase and i s heigh a ec s he uel s a a gap (FSG), which
is de ined as he dis ance om he op o he su ace uel bed o he lowe limi o he
ae ial uel s a um comp ising he ladde and li e c own uels ha can suppo e ical i e
p opaga ion [23].
Su ace uels a e cha ac e ised by simila me hods o hose desc ibed o canopy uels.
Howe e , gi en he high co e age and complexi y o sh ub communi ies wi h o wi hou
an o e laying ee canopy in he s udy egion, he s and-le el app oach is based on ield
in en o y [
24
,
25
], e es ial lase scanning [
26
] and emo e sensing echniques such as
LiDAR [27] and sa elli e imaging [21].
In Galicia (NW Spain), an a ea a he in e sec ion be ween he Medi e anean and
A lan ic clima ic in luences, a ce ain le el o summe d ough coexis s wi h high o es
p oduc i i y, esul ing in e y high uel accumula ion [
28
,
29
]. These a ou able si e con-
di ions ha e allowed he p oli e a ion o pu e and e en-aged pine s ands, especially o
Pinus pinas e L. and Pinus adia a D. Don. Acco ding o he IV Na ional Fo es In en o y
(IVIFN [
30
]), hese species co e 217,000 and 96,000 ha, espec i ely, accoun ing o 15
and 7% o he o es a ea in he egion. The mild clima e and, in ecen decades, he in-
c eased demand o imbe ha e a ou ed he es ablishmen o ex ensi e comme cial o es
plan a ions o bo h as -g owing species [30,31].
Di e en sil icul u al o o es managemen s a egies a e used o hese species in
Galicia depending on si e quali y and he cos e ec i eness o he inal p oduc s [
32
]. These
s a egies include uel ea men s by hinning and p uning ( o a maximum heigh o 6 m)
o educe canopy uels and mas ica ion o con ol su ace uels. These ea men s enable
a ce ain e ical and ho izon al uel discon inui y o be main ained by gene a ing a gap
be ween su ace and canopy uels; hey a e hus expec ed o dec ease he likelihood o
c own i e ini ia ion and sp ead. Howe e , a high p opo ion o adul pine s ands a e ei he
no managed o a e inadequa ely managed and display a wo ying e ical con inui y o
uels. This pa icula ly applies o Pinus adia a s ands, gi en he e y poo sel -p uning
ha cha ac e ises he species [
33
]. Thus, la ge amoun s o dead biomass accumula e in
he lowe canopy a e c own closu e, including ine wigs and suspended needles, which
ep esen he so-called ladde uels.
Ladde uels comp ise li e o dead ege a ion o a combina ion o bo h ha p o-
ides e ical and ho izon al con inui y and enables su ace- o-c own i e ansi ion, hus
ans o ming compa a i ely low-in ensi y i es in o se e e canopy i es [
34
]. In addi ion,
dense ladde uels can make i e supp ession mo e di icul and inc ease he exposu e o
i e igh e s o haza dous condi ions, especially when i e beha iou shi s unexpec edly,
Fo es s 2022,13, 1697 3 o 19
by inhibi ing escape o sa e y zones [
35
,
36
]. Ladde uels can also educe habi a quali y
by dec easing accessibili y and o aging e iciency o wildli e [
37
]. Ladde uels can be
any li e o dead biomass, bu usually occu s as ee and sh ub oliage and small b anches
ha ex end o he su ace uel laye o up in o he canopy laye [
1
]. Ladde uels should
he e o e be conside ed when assessing he po en ial o c own i es in adia a pine s ands
o p e en he i e haza d being unde es ima ed.
Exis ing Pinus adia a CFL es ima ion models in Galicia a e obus , especially hose
based on s and a iables [
12
], bu can lead o unde es ima ion o CFL in closed canopy and
unp uned s ands because hey a e based on he indi idual ee ae ial biomass equa ions
ha only quan i y he li e ac ion [
38
]. Fu he mo e, CBH acco ding o he equi emen s o
ea ly c own i e ini ia ion models [
3
]; i.e., solely based on he li e c own componen , migh
no be an adequa e me ic o he incep ion o c own i es in his ype o s and whe e dead
ladde uels a e well ep esen ed. Van Wagne [
3
] iewed ladde uels, i abundan enough,
as a componen o su ace i e beha iou ha would inc ease i eline in ensi y and ex end
he lame in o he li e canopy. This implies an op ion o ei he he addi ion o ladde uels
o he su ace uel complex i i e beha iou modeling based on Van Wagne [
3
] is used o
he usage o i e beha iou models and sys ems whe e FSG (dependen on he heigh o
dead b anches and oliage) is an inpu o assess he su ace- o-c own i e ansi ion [
5
,
23
,
39
].
The la e is p e e ed because he deg ee o in ol emen o ladde uels in combus ion will
a y wi hin he ange o i e wea he and s and s uc u e condi ions [40].
The p ocess o uel-managemen decision making, including he equi ed i e be-
ha iou simula ions, should be in o med by app op ia e and ho ough assessmen o uel
a iables. The e o e, he objec i e o his s udy was o de elop ools o allow manage s o
co ec ly quan i y dead ladde uels in closed canopy and unp uned pu e and e en-aged
Pinus adia a s ands and hus selec he ea men s equi ed o educe c own- i e haza ds
by inco po a ing his highly lammable uel in he es ima es o he canopy uel a iables
mos closely ela ed o i e haza ds. Wi h his aim, wo sys ems o equa ions we e i ed.
One sys em was i s i ed o es ima e he dead biomass acco ding o size class in he i s
6 m o he c own o he indi idual ee and i s e ical dis ibu ion. Ano he sys em was
hen i ed o es ima e he s and-le el load o he di e en size classes and hei e ical
dis ibu ion in a 6 m laye om he g ound.
2. Ma e ials and Me hods
A o al o 20 ma u e, pu e e en-aged, unmanaged s ands o Pinus adia a (Figu e 1)
we e subjec i ely selec ed o co e he obse ed a iabili y in si e quali y and densi y in
he a ea o dis ibu ion o he species in Galicia.
A empo a y ci cula sample plo wi h a 10 m adius was es ablished in each s and.
The diame e a b eas heigh (d) o all ees wi hin he sample plo was measu ed o he
nea es 0.1 cm a wo pe pendicula angles wi h a g adua ed calipe . The o al ee heigh
(h), heigh o he li e c own base (h
blc
), and heigh o he dead c own base (h
bdc
), which we e
de ined as he lowe inse ion poin o espec i ely li e b anches and dead b anches in a
ee, we e measu ed o he nea es 0.1 m wi h a digi al hypsome e in a andom subsample
o one- hi d o he o al ees in he sample plo (237 ees). The numbe o s ems pe hec a e
(N), s and basal a ea (G), mean diame e (
d
), quad a ic mean diame e (dg), mean s and
heigh (
h
), and a modi ica ion o he ela i e spacing index (RS), de ined as 100
/(√N·h)
,
we e calcula ed o each sample plo om ee measu emen s. The dominan heigh , which
was de ined as he a e age heigh o he 100 hickes ees pe ha, was no conside ed in
his s udy; due o he size o he sample plo s (314 m
2
), i s alue was es ima ed om he
4 hickes ees in he plo and would ha e been a ec ed by any measu emen e o .
The alues o h,h
blc
, and h
bdc
o he emaining ees in he plo s we e es ima ed by
i ing a sys em o h ee equa ions wi h he measu emen s o he 237 subsampled ees.
The sys em was i ed simul aneously using he i e a i e seemingly un ela ed eg ession
(ITSUR) me hod in he MODEL p ocedu e o SAS/ETS [
41
]. The i ed equa ions explained
78%, 64%, and 98% o he obse ed a iabili y in h,h
blc
, and h
bdc
, espec i ely; he ollowing
Fo es s 2022,13, 1697 4 o 19
inal exp ession, oo -mean-squa e e o (RMSE), and s anda d de ia ion o he pa ame e
es ima es (SE) we e ob ained as:
h=1.3a0+ (ha0−1.3a0)1−exp(−a1·d)
1−exp(−a1·dg)1/a0RMSE =1.94 m
a0=1.6732 (SE =0.4856);a1=0.0444 (SE =0.0197)(1)
hblc =h· exphb0·d
dg +b1·h+b2·Gi
1+exphb0·d
dg +b1·h+b2·Gi!RMSE =2.21 m
b0=−0.8009 (SE =0.1025);b1=−0.0326 (SE =0.0102);b2=0.0306 (SE =0.0040)
(2)
hbdc =h· exphc0+c1·h
h+c2·Gi
1+exphc0+c1·h
h+c2·Gi!RMSE =0.18 m
c0=−1.9083 (SE =0.2600);c1=−0.9932 (SE =0.2264);c2=−0.0246 (SE =0.0032)
(3)
Fo es s 2022, 13, x FOR PEER REVIEW 4 o 20
Figu e 1. Geog aphical loca ion o Pinus adia a s ands in Galicia and o he 20 plo s included in he
s udy (le ). View o one o he s udy plo s (lowe igh ).
A empo a y ci cula sample plo wi h a 10 m adius was es ablished in each s and.
The diame e a b eas heigh (d) o all ees wi hin he sample plo was measu ed o he
nea es 0.1 cm a wo pe pendicula angles wi h a g adua ed calipe . The o al ee heigh
(h), heigh o he li e c own base (h
blc
), and heigh o he dead c own base (h
bdc
), which we e
de ined as he lowe inse ion poin o espec i ely li e b anches and dead b anches in a
ee, we e measu ed o he nea es 0.1 m wi h a digi al hypsome e in a andom subsample
o one- hi d o he o al ees in he sample plo (237 ees). The numbe o s ems pe hec-
a e (N), s and basal a ea (G), mean diame e (𝑑), quad a ic mean diame e (dg), mean
s and heigh (ℎ), and a modi ica ion o he ela i e spacing index (RS), de ined as
100√𝑁·ℎ
,
⁄ we e calcula ed o each sample plo om ee measu emen s. The domi-
nan heigh , which was de ined as he a e age heigh o he 100 hickes ees pe ha, was
no conside ed in his s udy; due o he size o he sample plo s (314 m
2
), i s alue was
es ima ed om he 4 hickes ees in he plo and would ha e been a ec ed by any meas-
u emen e o .
The alues o h, h
blc
, and h
bdc
o he emaining ees in he plo s we e es ima ed by
i ing a sys em o h ee equa ions wi h he measu emen s o he 237 subsampled ees.
The sys em was i ed simul aneously using he i e a i e seemingly un ela ed eg ession
(ITSUR) me hod in he MODEL p ocedu e o SAS/ETS [41]. The i ed equa ions explained
78%, 64%, and 98% o he obse ed a iabili y in h, h
blc
, and h
bdc
, espec i ely; he ollowing
inal exp ession, oo -mean-squa e e o (RMSE), and s anda d de ia ion o he pa ame-
e es ima es (SE) we e ob ained as:
Figu e 1.
Geog aphical loca ion o Pinus adia a s ands in Galicia and o he 20 plo s included in he
s udy (le ). View o one o he s udy plo s (lowe igh ).
In each plo , 2 o 4 ees in he subsample used o heigh measu emen we e subjec-
i ely selec ed o co e he obse ed diame e ange. Those ees had no c own damage and
b anch de elopmen co esponded o he na u al p ocesses o in aspeci ic compe i ion in
hese pa icula condi ions. A o al o 65 ees we e selec ed and he dead c own b anches
wi hin he i s 6 m o he s em we e des uc i ely sampled. An uppe sampling limi o
6 m was selec ed because his was he maximum p uning heigh o he species in he s udy
a ea. All dead b anches in each 1 m sec ion om he base o he ee we e cu and he
ma e ial was bagged and aken o he labo a o y, whe e i was physically sepa a ed in o
di e en size classes: needles, ine woody uels ( wigs diame e < 0.6 cm, he ea e G1),
medium uels ( wigs 0.6 cm
≤
diame e < 2.5 cm, he ea e G2), and coa se uels (b anches
2.5 cm
≤
diame e < 7.6 cm and cones, he ea e G3). Mos o he ees did no con ain G3
ma e ial, so he G2 and G3 ca ego ies we e g ouped oge he (G23). Al hough he e is no
Fo es s 2022,13, 1697 5 o 19
ull consensus abou wha is conside ed a ailable uel (see [
11
] o cla i ica ion), o he
pu poses o canopy uel modelling, only he hinnes ac ion (needles and G1) is usually
conside ed. Howe e , uels hicke han 6 mm we e also conside ed in his s udy o enable,
e.g., he o al biomass con ibu ed by dead b anches o di e en p uning heigh s o be
de e mined. Once classi ied, he ma e ial was weighed and d ied in a o ced ai o en
(105
◦
C o 24 h o ine uels and 48 h o coa se uels) o de e mine he d y biomass o
each ac ion (W o al,Wneedles,WG123,WG23, and WG1).
The compa ible sys em o ee biomass equa ions de eloped o adia a pine in Gali-
cia [
38
,
42
] was used o es ima e he biomass o needles and ine wigs (<0.6 cm diame e )
in he li e c own o all ees in he plo . Th ee s uc u al canopy uel a iables we e hen
es ima ed using he ‘load o e dep h’ me hod: canopy uel load (CFL), canopy base heigh
(CBH), and canopy bulk densi y (CBD). CBH was calcula ed as he mean alue o he
heigh o he base o li e c own pe plo ; CFL was calcula ed as he biomass o needles and
ine wigs o all ees in he plo , which we e assumed o be he uel consumed wi hin
he laming on o a c own i e di ided by he su ace plo ; and CBD was calcula ed by
di iding CFL by c own leng h, which was es ima ed as he di e ence be ween he mean
s and heigh (
h
) and CBH. The mean alue and s anda d de ia ion o he main s and and
ee a iables a e shown in Table 1.
Table 1. S a is ics o he main ee and s and a iables.
S and a iables (n = 20)
Va iable Mean Maximum Minimum S d. De .
N(s ems/ha) 985.03 1368.73 604.79 222.62
G(m2/ha) 39.34 60.51 25.06 9.87
d(cm) 21.47 29.24 16.94 3.26
h(m) 19.56 25.57 14.19 3.15
RS 0.17 0.24 0.12 0.03
Li e canopy a iables (n = 20)
Va iable Mean Maximum Minimum S d. De .
CBH (m) 8.64 14.09 4.65 2.80
CFL (kg/m2)1.19 1.78 0.75 0.28
CBD (kg/m3)0.11 0.20 0.07 0.04
T ee a iables (n = 629)
Va iable Mean Maximum Minimum S d. De .
d(cm) 21.05 49.8 4.8 8.04
h(m) 19.77 30.4 9.9 4.17
hblc (m) 8.79 19.3 2.5 3.27
hbdc (m) 0.39 1.1 0.1 0.18
Dead c own biomass wi hin he i s 6 m o des uc i ely sampled ees (n = 65)
Va iable Mean Maximum Minimum S d. De .
W o al (kg) 19.06 63.92 3.12 11.68
Wneedles (kg) 3.17 11.55 0.22 2.19
WG1(kg) 2.10 7.55 0.31 1.09
WG23 (kg) 13.79 47.06 1.82 9.41
S d. De = s anda d de ia ion; N= s em densi y; G= s and basal a ea;
d
= mean diame e ;
h
= mean heigh ;
RS = ela i e spacing index; CBH = canopy base heigh ; CFL = canopy uel load; CBD = canopy bulk densi y;
d= ee diame e ; h= ee heigh ; h
blc
= heigh o he li e c own base; h
bdc
= heigh o he dead c own base; and
W
o al
, W
needles
,W
G23
, and W
G1
= o al, needles, medium and coa se (G23), and woody ine (G1) uel biomass,
espec i ely.
2.1. Fuel Biomass Equa ions o he Fi s 6 m o he S em a T ee Le el
Equa ions o es ima ing he biomass o each o he i e uel ac ions we e de eloped
(W
o al
,W
needles
,W
G123
,W
G23
, and W
G1
) o he i s 6 m o he s em using allome ic models
Fo es s 2022,13, 1697 6 o 19
o he o m
c
Wi=β0·Xβi
i
, whe e
c
Wi
is he uel biomass o ac ion i,X
i
is a se o independen
a iables, and
β0
and
βi
a e pa ame e s o be es ima ed. The i ed equa ions had o ul il
he p ope y o addi i i y; i.e., he sum o biomass es ima es om sepa a e ac ions had o
equal he biomass es ima es om he o al biomass model (e.g., W
needles
+W
G123
es ima es
had o equal W
o al
es ima es o W
G23
+W
G1
es ima es had o equal W
G123
es ima es).
The e o e, he equa ion o each uel ac ion was i ed sepa a ely in a i s s ep and he
comple e sys em o i e equa ions (one pe ac ion) was hen i ed simul aneously o
gua an ee addi i i y. The bes se o independen a iables was selec ed by using he
s epwise selec ion me hod a e linea izing he allome ic models by applying loga i hmic
ans o ma ions o bo h sides o he equa ion.
The equa ion o es ima ing o al uel biomass
W o al is exp essed as ollows:
W o al =a0·Xai
i(4)
Two equa ions disc imina ing be ween b anch and cone biomass (W
G123
) and needle
biomass (Wneedles) we e ob ained by disagg ega ing Equa ion (4):
Wneedles =exp[b0_n+bi_n·log(Xi)]
WG123 =exp[b0_G123 +bi_G123·log(Xi)]
WG123
W o al
=
WG123
WG123 +
Wneedles=1
1+
Wneedles/
WG123
The equa ion o es ima ing he b anch and cone uel biomass was hen ob ained as
ollows:
WG123 =
W o al ·1
1+exp[b0+bi·log(Xi)] (5)
whe e b
j
=b
j_n −
b
j_G123
; he equa ion o es ima e he needles uel biomass was exp essed
as ollows:
Wneedles =
W o al −
WG123 =
W o al·exp[b0+bi·log(Xi)]
1+exp[b0+bi·log(Xi)] (6)
Two equa ions o disc imina ing be ween coa se b anch and cone biomass (W
G23
)
and ine b anch biomass (WG1) we e de i ed by disagg ega ing Equa ion (5):
[
WG23 =exp[c0_G23 +ci_G23·log(Xi)]
d
WG1=exp[c0_G1+ci_G1·log(Xi)]
[
WG23
WG123
=
[
WG23
[
WG23 +d
WG1=1
1+d
WG1/[
WG23
The equa ion o es ima ing he ine dead uel biomass was hen ob ained as ollows:
[
WG23 =
WG123 ·1
1+exp[c0+ci·log(Xi)] (7)
whe e c
j
=c
j_G1−
c
j_G23
; he equa ion o es ima ing he li e ine uel biomass was exp essed
as ollows:
d
WG1=
WG123 −
[
WG23 =
WG123·exp[c0+ci·log(Xi)]
1+exp[c0+ci·log(Xi)] (8)
Fo es s 2022,13, 1697 7 o 19
2.2. Ve ical Fuel Biomass Dis ibu ion by Heigh in he Fi s 6 m o he S em a T ee Le el
The 2-pa ame e Weibull p obabili y densi y unc ion (PDF) was selec ed o desc ibe
e ical uel biomass dis ibu ion acco ding o heigh along he i s 6 m o he s em o
each uel ac ion:
Wacum_ij =Wi·1−exp−xj
p1ip2i, wi h xj=hj−hbdc
min(6, hblc)−hbdc
(9)
whe e W
acum_ij
is he cumula i e uel biomass o he ac ion i(W
o al
,W
needles
,W
G123
,W
G23
,
and W
G1
) a heigh h
j
wi hin he i s 6 m o he s em; W
i
is he en i e 6 m s em’s uel
biomass o ac ion i;h
bdc
and h
blc
a e he dead c own base heigh and he li e c own base
heigh , espec i ely; and p
1
and p
2
a e he scale and shape pa ame e s o he 2-pa ame e
Weibull PDF, espec i ely.
To ensu e addi i i y be ween ac ions, he W
acum_G1j
,W
acum_G23j
, and W
acum_needlesj
equa ions we e i ed so ha he o he uel biomass classes (W
acum_G123j
and W
acum_ o alj
)
we e es ima ed as he sum o he i ed ac ion es ima es.
2.3. Fuel Loads and Ve ical Dis ibu ion in he Fi s 6-m Laye abo e G ound a S and Le el
A e de eloping he sys em o 8 equa ions o es ima ing uel biomass and e ical
dis ibu ion in he i s 6 m o he s em o a speci ic ee, he equa ions we e applied o all
ees measu ed in each o he 20 sample plo s. Thus, he uel loads o each ac ion and
hei e ical dis ibu ion in a 6 m laye abo e g ound we e es ima ed o he en i e s and
(Mg/ha). Finally, we used hese es ima es o i a new sys em o 8 equa ions simila o ha
i ed o indi idual ees bu now o en i e s ands.
The wo k low o i ing he equa ion sys ems a indi idual ee and s and le els is
shown in Figu e 2, which p o ides a simple o e iew o he p ocedu e desc ibed in de ail
in he abo e sec ions.
2.4. S a is ical Analysis
The condi ion numbe was used o e alua e he p esence o mul icollinea i y among
a iables in he equa ions i ed. Acco ding o Mye s [43], condi ion numbe s highe han
√1000
indica e se e e mul icollinea i y. The p esence o he e oscedas ici y was analysed by
using he Whi e es [
44
] and by isual inspec ion o S uden ised esiduals plo ed agains
i ed alues. In case o he p esence o he e oscedas ici y, each obse a ion was weigh ed
by he in e se o i s es ima ed a iance (
ˆ
σ2
i
) unde he assump ion ha his a iance could
be modelled as a powe unc ion o he independen a iables [
45
]; i.e.,
ˆ
σ2
i=(Xi)exp
.
The alue o he exponen ial e m (exp) was op imised o p o ide he mos homogeneous
S uden ised esidual plo by using he me hod o Ha ey [46].
As he da abase con ained mul iple equidis an obse a ions (1 m) o each ee o
s and along he 6 m laye abo e g ound, i was easonable o expec au oco ela ion
wi hin he esiduals o each ee o s and. To o e come po en ial au oco ela ion, an
au o eg essi e e o s uc u e o o de 1 (AR1) was added o he equa ions o es ima e
he e ical dis ibu ion o uel loads. The Du bin–Wa son es was used o e alua e he
possible p esence o au oco ela ion.
Each o he sys ems o 8 equa ions o he espec i e indi idual ee le el and s and
le el, bo h o which consis ed o i e allome ic equa ions o he en i e 6 m laye abo e
g ound and h ee e ical heigh dis ibu ion models along he 6 m laye , we e i ed
simul aneously using he MODEL p ocedu e o SAS/ETS
®
[
41
]. In o de o ake c oss-
equa ion co ela ions in o accoun , he ITSUR me hod was used o i he sys em using he
c oss-equa ion e o co a iance ma ix ob ained by o dina y leas squa es o ini ia e he
i e a i e p ocedu e.
Fo es s 2022,13, 1697 8 o 19
Fo es s 2022, 13, x FOR PEER REVIEW 8 o 20
(Mg/ha). Finally, we used hese es ima es o i a new sys em o 8 equa ions simila o ha
i ed o indi idual ees bu now o en i e s ands.
The wo k low o i ing he equa ion sys ems a indi idual ee and s and le els is
shown in Figu e 2, which p o ides a simple o e iew o he p ocedu e desc ibed in de ail
in he abo e sec ions.
Figu e 2. Wo k low o i ing he equa ion sys ems a indi idual ee and s and le els.
2.4. S a is ical Analysis
The condi ion numbe was used o e alua e he p esence o mul icollinea i y among
a iables in he equa ions i ed. Acco ding o Mye s [43], condi ion numbe s highe han
√1000 indica e se e e mul icollinea i y. The p esence o he e oscedas ici y was analysed
by using he Whi e es [44] and by isual inspec ion o S uden ised esiduals plo ed
agains i ed alues. In case o he p esence o he e oscedas ici y, each obse a ion was
weigh ed by he in e se o i s es ima ed a iance (𝜎) unde he assump ion ha his a -
iance could be modelled as a powe unc ion o he independen a iables [45]; i.e., 𝜎=
(𝑋). The alue o he exponen ial e m (exp) was op imised o p o ide he mos homo-
geneous S uden ised esidual plo by using he me hod o Ha ey [46].
As he da abase con ained mul iple equidis an obse a ions (1 m) o each ee o
s and along he 6 m laye abo e g ound, i was easonable o expec au oco ela ion wi hin
he esiduals o each ee o s and. To o e come po en ial au oco ela ion, an au o eg es-
si e e o s uc u e o o de 1 (AR1) was added o he equa ions o es ima e he e ical
dis ibu ion o uel loads. The Du bin–Wa son es was used o e alua e he possible p es-
ence o au oco ela ion.
Figu e 2. Wo k low o i ing he equa ion sys ems a indi idual ee and s and le els.
The da abase used o i he h ee e ical dis ibu ion models acco ding o heigh o
indi idual ees included kmeasu emen s o each ee wi h a maximum o k= 6, which
co esponded o he uel loads o each ac ion a heigh s om 1 o 6 m abo e g ound
o up o he beginning o he li e c own. Howe e , he e was only one obse a ion o
W
o al
,W
needles
,W
G123
,W
G23
, and W
G1
pe indi idual ee o i ing Equa ions (4)–(8).
As simul aneous i ing equi ed he same numbe o obse a ions o each equa ion in he
sys em, he W
o al
,W
needles
,W
G123
,W
G23
, and W
G1
obse a ions we e epea ed k imes o
each ee so ha hose alues in he simul aneous i ing we e weigh ed by he in e se o
he numbe o obse a ions 1/k. The same p ocedu e was used o i he equa ions sys em
a he s and le el; e.g., [47,48].
Two goodness-o i s a is ics we e used o check he accu acy o es ima es: model
e iciency (EF) [49] and he oo -mean-squa e e o (RMSE):
EF =1−∑n
i=1Yi−ˆ
Yi2
∑n
i=1Yi−Y2(10)
RMSE =s∑n
i=1Yi−ˆ
Yi2
n−1(11)
whe e
Yi
,
ˆ
Yi
, and
Y
a e he measu ed, es ima ed, and mean alues o he dependen a iable,
espec i ely; and nis he o al numbe o obse a ions used o i he equa ion.
Fo es s 2022,13, 1697 9 o 19
3. Resul s
3.1. Fuel Biomass Equa ions and Ve ical Dis ibu ion wi hin he 6 m abo e he G ound Laye a
he T ee Le el
Once he bes se o independen a iables was selec ed o each o he i e uel biomass
es ima ion equa ions (Equa ions (4)–(8)) o he o al o he i s 6 m in he s em, he en i e
sys em o eigh equa ions was i ed simul aneously. The au o eg essi e e ms we e no
ini ially included; howe e , he esul s o he Du bin–Wa son es indica ed he p esence o
au oco ela ion in se e al o he e ical p o ile equa ions, so he i was epea ed. A e
including he AR1 e m, no au oco ela ion was de ec ed.
As p e iously men ioned, he es ima es o W
acum_G123j
and W
acum_ o alj
we e ob ained
as he sum o he W
acum_G23j
+W
acum_G1j
and W
acum_G123j
+W
acum_needlesj
i ed ac ion
es ima es, espec i ely, and he R
2
and RMSE o hese wo indi idual ee ac ions we e
hen calcula ed.
The esul s o he i o he sys em o equa ions and he alues o he goodness-o - i
s a is ics a e shown in Table 2. All o he pa ame e s included we e signi ican (
α
= 0.05)
and he alues o he condi ion numbe associa ed wi h each independen a iable and he
esul s o Whi e’s es did no indica e he p esence o mul icollinea i y o he e oscedas ici y,
espec i ely.
The uel biomass models explained be ween 35% and 59% o he obse ed a iabili y
in he needle uel biomass (W
needles
) and o al woody and coa se uel biomass (W
G123
and
W
G23
) equa ions, espec i ely, wi h RMSE alues anging om 0.73 kg o ine woody uels
(W
G1
) o 7.92 kg o o al uel (W
o al
). On he o he hand, he cumula i e uel biomass
models o a ce ain heigh in he s em (h
j
) explained be ween 62% (W
acum_needlesj
) and 81%
(W
acum_G1j
) o he o al obse ed a iabili y, wi h RMSE alues anging om 0.46 kg o he
ine woody uel biomass equa ion (W
acum_G1j
) o 5.02 kg o he o al uel biomass equa ion
(Wacum_ o alj).
By way o example, Figu e 3shows he obse ed e sus p edic ed alues o needles
(W
acum_needlesj
), woody ines (W
acum_G1j
), and o al (W
acum_ o alj
) uel loads as well as he
e ical dis ibu ion o he esiduals o hese es ima es o he same ac ions and sec ions.
3.2. Fuel Load Equa ions and Ve ical Dis ibu ion in he Fi s 6 m Laye abo e G ound a
S and Le el
Once he ee-le el equa ions we e i ed, hey we e applied o all he ees in each
sample plo and he dead biomass alues pe hec a e o he di e en ac ions o he
i s 6 m o heigh om he g ound we e ob ained by agg ega ing he alues o each ee
(Table 3).
As in he sys em o he indi idual ee, once he bes se o independen a iables
was selec ed, he sys em o eigh equa ions was i ed simul aneously (ini ially wi hou
including he au o eg essi e e ms). In iew o he esul s o he Du bin–Wa son es , he
sys em was e i ed by including he o de 1 au o eg essi e e m (AR1). Mul icollinea i y
and he e oscedas ici y we e no de ec ed in any o he eigh equa ions i ed. The models
inally ob ained, as well as he goodness-o - i s a is ics, a e shown in Table 4. All pa ame e s
included in he models we e signi ican (α= 0.05).
Again, once he eigh equa ions we e i ed, he Ws and
acum_G123j
and Ws and
acum_ o alj
alues o each s and we e es ima ed as he sum o he Ws and
acum_G23j
+Ws and
acum_G1j
and Ws and
acum_G123j
+Ws and
acum_needlesj
es ima es, espec i ely. The R
2
and RMSE alues
we e hen calcula ed o hese wo ac ions.
Fo es s 2022,13, 1697 16 o 19
o By am [
52
] and conside ing he usual low ne hea o combus ion o 18,000 kJ/kg [
5
,
40
],
he ene gy eleased by he c owns would inc ease om 21,420 kJ/m
2
o 30,240 kJ/m
2
,
which ep esen s a 41.1% inc ease in i eline in ensi y. Ou indings con i med ha hese
pine plan a ions did no ha e a homogeneous dis ibu ion o li e and dead ine uel in he
canopy, simila o hei Aus alian coun e pa s [
40
]. Ins ead, wo clea ly di e en uel
laye s we e p esen : a lowe laye p edominan ly comp ising dead uels cha ac e ised by
high lammabili y when d y enough and an uppe laye p edominan ly comp ising li e
uels wi h a highe bulk densi y.
The goodness-o - i s a is ics o he wo equa ion sys ems de eloped indica ed obus
and accu a e es ima es, so hese sys ems con ibu ed o illing he gap on how o quan i y
dead ladde uels and imp o e he es ima es o po en ial hea elease pe uni and i eline
in ensi y. Al hough bo h equa ion sys ems can be used o he same pu pose o es ima ing
dead ladde uels load acco ding o classes and hei e ical dis ibu ion in he s and, hei
ad an ages and limi a ions mus be conside ed. The use o he ee-le el equa ion sys ems
(Table 2) equi es a la ge numbe o independen a iables and he calcula ion is mo e
complica ed han he di ec use o he s and-le el sys em (Table 4). The p ocess in ol es
calcula ing he biomass o each ee, agg ega ing he biomass o all ees in he sample
plo , and exp essing he esul ela i e o he uni a ea (ha). Howe e , despi e appa en ly
poo e goodness-o - i s a is ics, he ee-le el sys em is mo e accu a e because i is based
on ac ual dead uel da a ob ained om des uc i ely sampled ees whe eas he s and-le el
sys em (Table 4) is based on ee biomass alues es ima ed by he sys em o equa ions a
he indi idual ee le el (Table 2). On he o he hand, he s and-le el sys em is simple
o apply because i only equi ed a sample o ees o ob ain ep esen a i e mean alues
a he han he measu emen o he o al, dead c own ini ia ion, and li e c own ini ia ion
heigh s o all ees in he plo .
In any case, he use o ei he app oach will basically depend on he equi ed balance
be ween he accu acy o he es ima es o be ob ained (highe accu acy wi h he indi idual-
ee app oach) and he cos ha can be assumed in he ield in en o y (lowe cos wi h he
s and app oach).
5. Conclusions
Accu a e cha ac e iza ion o he load and e ical dis ibu ion o ladde uels is essen-
ial o o es manage s gi en he impo ance o his ype o uel as a su ace- o-c own- i e
ansi ion ac o by p o iding g ea e e ical uel con inui y. In addi ion, ladde uels in
unmanaged pine s ands o species cha ac e ised by poo sel -p uning such as he Pinus
adia a conside ed he e can g ea ly hinde i e igh ing e o s and sa e y by limi ing mobili y
and isibili y due o hei high densi y. Bo h sys ems o models i ed in his s udy can
be used o quan i y he dead ladde uels ex ending o nea he g ound in closed-canopy
and unp uned pu e and e en-aged P. adia a s ands. This in o ma ion will allow o es
manage s o simula e how di e en p uning heigh s up o 6 m a ec po en ial c own- i e
haza ds o a ange o me eo ological and uel mois u e scena ios as well as o di e en
ea men al e na i es o he woody deb is gene a ed ( emo al, mas ica ion, o no man-
agemen ). These modelling sys ems should be used in combina ion wi h li e CFL models
o adia a pine (e.g., [
12
]) o es ima e he o al load o he ine uel ac ion in his ype
o s and. This will p e en unde es ima ion o he a ailable canopy uel load as well as
o e es ima ion o he uel s a a gap and will hus p e en e o s in assessing c own i e
po en ial ac i i y, including onse o c owning, ype o c own i e, and he associa ed i e
beha iou cha ac e is ics ( i e-sp ead a e and i eline in ensi y).
Au ho Con ibu ions:
Concep ualiza ion, C.A.-R., P.F. and A.D.R.-G.; me hodology, C.A.-R., P.F.,
J.G.Á.G., S.A.-P. and A.D.R.-G.; so wa e, J.G.Á.G.; o mal analysis, C.A.-R. and J.G.Á.G.; in es iga ion,
C.A.-R., S.A.-P. and A.D.R.-G.; esou ces, C.A.-R., P.F., S.A.-P., J.G.Á.G. and A.D.R.-G.; da a cu a ion,
C.A.-R. and A.D.R.-G.; w i ing—o iginal d a p epa a ion, C.A.-R., P.F., J.G.Á.G., S.A.-P. and A.D.R.-
G.; supe ision, A.D.R.-G.; p ojec adminis a ion, A.D.R.-G.; unding acquisi ion, A.D.R.-G. All
au ho s ha e ead and ag eed o he published e sion o he manusc ip .
Fo es s 2022,13, 1697 17 o 19
Funding:
This esea ch was unded by he p ojec s GEPRIF (RTA2014-00011-c06-04) and VIS4FIRE
(RTA 2017-0042-C05-05) o he Spanish Minis y o Economy, Indus y, and Compe i i eness; DIA-
BOLO (GA 633464) o he Eu opean Union’s H2020 esea ch; UIDB/04033/2020 o he Po uguese
Founda ion o Science and Technology; and a p e-doc o al g an o he i s au ho unded by he
“Conselle ía de Educación, Uni e sidade e Fo mación P o esional” and he “Conselle ía de Economía,
Emp ego e Indus ia” o he Galician Go e nmen and he EU ope a ional p og am “FSE Galicia
2014–2020”.
Ins i u ional Re iew Boa d S a emen : No applicable.
In o med Consen S a emen : No applicable.
Da a A ailabili y S a emen : No applicable.
Acknowledgmen s:
We a e g a e ul o Ma io López Fe nández o his ines imable echnical suppo
in conduc ing all he ield sampling asks in he plo ne wo k.
Con lic s o In e es : The au ho s decla e no con lic o in e es .
Re e ences
1. Keane, R.E. Wildland Fuel Fundamen als and Applica ions; Sp inge In e na ional Publishing: New Yo k, NY, USA, 2015.
2.
Rea don, J. G ound Fuel. In Encyclopedia o Wild i es and Wildland-U ban In e ace (WUI) Fi es; Manzello, S.L., Ed.; Sp inge : Cham,
Swi ze land, 2020; pp. 1–8.
3. Van Wagne , C.E. Condi ions o he s a and sp ead o c own i e. Can. J. Fo . Res. 1977,7, 23–34. [C ossRe ]
4.
Alexande , M.E.; C uz, M.G. C own i e dynamics in coni e o es s. In Syn hesis o Knowledge o Ex eme Fi e Beha io : Volume I o
Fi e Manage s; We h, P.A., Po e , B.E., Clemen s, C.B., Finney, M.A., Good ick, S.L., Alexande , M.E., C uz, M.G., Fo ho e , J.A.,
McAllis e , S.S., Eds.; USDA, Fo es Se ice, Paci ic No hwes Resea ch S a ion: Co allis, OR, USA, 2011; Volume PNW-GTR-854,
pp. 107–144.
5.
C uz, M.G.; Alexande , M.E.; Fe nandes, P.M. De elopmen o a model sys em o p edic wild i e beha iou in pine plan a ions.
Aus . Fo . 2008,71, 113–121. [C ossRe ]
6.
Sando, R.W.; Wick, C.H. A Me hod o E alua ing C own Fuels in Fo es S ands; USDA, Fo es Se ice, Res. Pap. NC-84: S . Paul, MN,
USA, 1972.
7.
Sco , J.H.; Reinha d , E.D. Assessing C own Fi e Po en ial by Linking Models o Su ace and C own Fi e Beha io ; USDA Fo es Se ice,
Rocky Moun ain Resea ch S a ion, Res. Pap. RMRS-RP-29: Fo Collins, CO, USA, 2001.
8.
S ocks, B.J.; Alexande , M.E.; Wo on, B.M.; S e ne , C.N.; Flannigan, M.D.; Taylo , S.W.; La oie, N.; Mason, J.A.; Ha ley, G.R.;
Ma ey, M.E.; e al. C own i e beha iou in a no he n jack pine—Black sp uce o es . Can. J. Fo . Res.
2004
,34, 1548–1560.
[C ossRe ]
9. Keyse , T.; Smi h, F.W. In luence o c own biomass es ima o s and dis ibu ion on canopy uel cha ac e is ics in ponde osa pine
s ands o he Black Hills. Fo . Sci. 2010,56, 156–165.
10.
C uz, M.; Alexande , M. Assessing c own i e po en ial in coni e ous o es s o wes e n No h Ame ica: A c i ique o cu en
app oaches and ecen simula ion s udies. In . J. Wildland Fi e 2010,19, 377–398. [C ossRe ]
11.
Ruiz-González, A.D.; Ál a ez-González, J.G. Canopy bulk densi y and canopy base heigh equa ions o assessing c own i e
haza d in Pinus adia a plan a ions. Can. J. Fo . Res. 2011,41, 839–850. [C ossRe ]
12.
Fe nández-Alonso, J.M.; Albe di, I.; Ál a ez-González, J.G.; Vega, J.A.; Cañellas, I.; Ruiz-González, A.D. Canopy uel cha ac e is-
ics in ela ion o c own i e po en ial in pine s ands: Analysis, modelling and classi ica ion. Eu . J. Fo . Res.
2013
,132, 363–377.
[C ossRe ]
13.
He ia, A.; C abi osse, A.; Majada, J.; Ál a ez-González, J.G.; Ruiz-González, A.D. Modelo de dis ibución de la ca ga de
combus ibles inos en el dosel de copas de odales egula es de Pinus pinas e : E ec o de cla as combinadas con podas. Cuad. La
SECF 2012,34, 123–133.
14.
Gómez-Vázquez, I.; C ecen e-Campo, F.; Diéguez-A anda, U.; Cas edo-Do ado, F. Modelling canopy uel a iables in Pinus
pinas e Ai . and Pinus adia a D. Don s ands in no hwes e n Spain. Ann. Fo . Sci. 2012,70, 161–172. [C ossRe ]
15.
Ruiz-González, A.D.; Cas edo-Do ado, F.; Vega, J.A.; Jiménez, E.; Fe nández-Alonso, J.M.; Ál a ez-González, J.G. Modelling
canopy uel dynamics o ma i ime pine s ands in no h-wes Spain. In . J. Wildland Fi e 2015,24, 92–102. [C ossRe ]
16.
A ellano-Pé ez, S.; Ál a ez-González, J.G.; Vega Hidalgo, J.A.; Ruiz González, A.D. Modelos de es imación de la dis ibución
e ical de combus ibles inos de copa en masas de pina a pa i de da os del IV In en a io Fo es al Nacional. In P oceedings o
he VII Cong eso Fo es al Español: “Ges ión Del Mon e: Se icios Ambien ales y Bioeconomía”, Plasencia, Spain, 26–30 June 2017.
17.
He ia, A.; Ál a ez-González, J.G.; Ruiz-Fe nández, E.; Ruiz-González, A.D.; Majada, J.; González-Fe ei o, E. Modelling canopy
uel and o es s and a iables and cha ac e izing he in luence o hinning in he s and s uc u e using ai bo ne LiDAR. Re .
Telede ección2016,45, 41–55. [C ossRe ]
Fo es s 2022,13, 1697 18 o 19
18.
González-Fe ei o, E.; A ellano-Pé ez, S.; Cas edo-Do ado, F.; He ia, A.; Vega, J.A.; Vega-Nie a, D.; Ál a ez-González, J.G.;
Ruiz-González, A.D. Modelling he e ical dis ibu ion o canopy uel load using na ional o es in en o y and low-densi y
ai bone lase scanning da a. PLoS ONE 2017,12, e0176114. [C ossRe ] [PubMed]
19.
Albe di, I.; Vallejo, R.; Ál a ez-González, J.G.; Condés, S.; González-Fe ei o, E.; Gue e o, S.; He nández, L.; Ma ínez-Jau egui,
M.; Mon es, F.; Oli ei a, N.; e al. The mul i-objec i e Spanish Na ional Fo es In en o y. Fo . Sys . 2017,26, e04S. [C ossRe ]
20.
Fidalgo-González, L.; A ellano-Pé ez, S.; Cas edo-Do ado, F.; Ruiz-González, A.D.; González-Fe ei o, E. Es imación de la
dis ibución e ical de combus ibles inos del dosel de copas en masas de Pinus syl es is empleando da os LiDAR de baja
densidad. Re . Telede ección2019,53, 1–16. [C ossRe ]
21.
A ellano-Pé ez, S.; Cas edo-Do ado, F.; López-Sánchez, C.A.; González-Fe ei o, E.; Yang, Z.; Díaz-Va ela, R.A.; Ál a ez-González,
J.G.; Vega, J.A.; Ruiz-González, A.D. Po en ial o Sen inel-2A da a o model su ace and canopy uel cha ac e is ics in ela ion o
c own i e haza d. Remo e Sens. 2018,10, 1645. [C ossRe ]
22.
Finney, M.A. An o e iew o FlamMap i e modeling capabili ies. In Fuels Managemen -How o Measu e Success: Con e ence
P oceedings; And ews, P.L., Bu le , B.W., Eds.; USDA, Fo es Se ice, Rocky Moun ain Resea ch S a ion: Fo Collins, CO, USA,
2006; Volume 41, pp. 213–220.
23. C uz, M.G.; Alexande , M.E.; Wakimo o, R.H. Modeling he likelihood o c own i e occu ence in coni e o es s ands. Fo . Sci.
2004,50, 640–658.
24.
A ellano-Pé ez, S.; Vega, J.A.; Ruíz-González, A.D.; A ellano, A.; Ál a ez-González, J.G.; Vega-Nie a, D.J.; Pé ez, E. Fo o-guía de
Combus ibles Fo es ales de Galicia y Compo amien o del Fuego Asociado; Anda i a: San iago de Compos ela, Spain, 2017.
25.
Vega, J.A.; A ellano-Pé ez, S.; Ál a ez-González, J.G.; Fe nández, C.; Jiménez, E.; Fe nández-Alonso, J.M.; Vega-Nie a, D.J.;
B iones-He e a, C.; Alonso-Rego, C.; Fon ú bel, T.; e al. Modelling abo eg ound biomass and uel load componen s a s and
le el in sh ub communi ies in NW Spain. Fo . Ecol. Manag. 2022,505, 119926. [C ossRe ]
26.
Alonso-Rego, C.; A ellano-Pé ez, S.; Cabo, C.; O doñez, C.; Ál a ez-González, J.G.; Díaz-Va ela, R.A.; Ruiz-González, A.D.
Es ima ing uel loads and s uc u al cha ac e is ics o sh ub communi ies by using e es ial lase scanning. Remo e Sens.
2020
,
12, 3704. [C ossRe ]
27.
Alonso-Rego, C.; A ellano-Pé ez, S.; Gue a-He nández, J.; Molina-Vale o, J.A.; Ma ínez-Cal o, A.; Pé ez-C uzado, C.; Cas edo-
Do ado, F.; González-Fe ei o, E.; Ál a ez-González, J.G.; Ruiz-González, A.D. Es ima ing S and and Fi e-Rela ed Su ace and
Canopy Fuel Va iables in Pine S ands Using Low-Densi y Ai bo ne and Single-Scan Te es ial Lase Scanning Da a. Remo e Sens.
2021,13, 5170. [C ossRe ]
28.
Vega, J.A. E ec os del Fuego P esc i o Sob e el Suelo en Pina es de Pinus pinas e Ai . de Galicia. Ph.D. Thesis, Uni e sidad
Poli écnica de Mad id, Mad id, Spain, 2001.
29.
Fe nandes, P.M.; Rigolo , E. The i e ecology and managemen o ma i ime pine (Pinus pinas e Ai .). Fo . Ecol. Manag.
2007
,
241, 1–13. [C ossRe ]
30.
MARM. Cua o In en a io Fo es al Nacional. Galicia; Minis e io de Medio Ambien e y Medio Ru al y Ma ino: Mad id, Spain, 2011.
31. DGCN. Te ce In en a io Fo es al Nacional 1997–2006: Galicia; Minis e io de Medio Ambien e: Mad id, Spain, 2000.
32.
Conselle ía del Medio Ru al. ORDEN de 9 de Feb e o de 2021. A ailable online: h ps://www.xun a.gal/dog/Publicados/2021
/20210226/AnuncioG0426-110221-0005_es.h ml (accessed on 12 Ap il 2022).
33.
Keeley, J.E.; Zedle , P.H. E olu ion o li e his o ies in Pinus. In Ecology and Biogeog aphy o Pinus; Richa dson, D.M., Ed.; Camb idge
Uni e si y P ess: Camb idge, UK, 1998; pp. 219–250.
34.
Menning, K.M.; S ephens, S.L. Fi e climbing in he o es : A semiquali a i e, semiquan i a i e app oach o assessing ladde uel
haza ds. Wes . J. Appl. Fo . 2007,22, 88–93. [C ossRe ]
35.
Hi sch, K.; Ma ell, D. A e iew o ini ial a ack i e c ew p oduc i i y and e ec i eness. In . J. Wildland Fi e
1996
,6, 199–215.
[C ossRe ]
36.
K ame , H.A.; Collins, B.M.; Lake, F.K.; Jakubowski, M.K.; S ephens, S.L.; Kelly, M. Es ima ing ladde uels: A new app oach
combining ield pho og aphy wi h LiDAR. Remo e Sens. 2016,8, 766. [C ossRe ]
37.
No gaa d, K.M. The Poli ics o i e and he social impac s o i e exclusion on he Klama h. Humbold J. Soc. Rela .
2014
,36, 77–101.
38.
Balboa-Mu ias, M.A.; Rod íguez-Soallei o, R.; Me ino, A.; Ál a ez-González, J.G. Tempo al a ia ions and dis ibu ion o ca bon
s ocks in abo eg ound biomass o adia a pine and ma i ime pine pu e s ands unde di e en sil icul u al al e na i es. Fo . Ecol.
Manag. 2006,237, 29–38. [C ossRe ]
39.
Plucinski, M.P.; Sulli an, A.L.; Rucinski, C.J.; P akash, M. Imp o ing he eliabili y and u ili y o ope a ional bush i e beha iou
p edic ions in aus alian ege a ion. En i on. Model So w. 2017,91, 1–12. [C ossRe ]
40.
C uz, M.G.; Alexande , M.E.; Plucinski, M.P. The e ec o sil icul u al ea men s on i e beha iou po en ial in adia a pine
plan a ions o Sou h Aus alia. Fo . Ecol. Manag. 2017,397, 27–38. [C ossRe ]
41. SAS Ins i u e Inc. SAS/ETS®9.1 Use ’s Guide; SAS Ins i u e Inc.: Ca y, NC, USA, 2004.
42.
Dieguez-A anda, U.; Rojo-Albo eca, A.; Cas edo-Do ado, F.; Ál a ez-González, J.G.; Ba io-An a, M.; C ecen e-Campo, F.;
González-González, J.M.; Pé ez-C uzado, C.; Rod iguez-Soallei o, R.; López-Sánchez, C.A.; e al. He amien as Sel ícolas pa a la
Ges ión Fo es al Sos enible en Galicia; Conselle ía do Medio Ru al, Xun a de Galicia: San iago de Compos ela, Spain, 2009.
43. Mye s, R.H. Classical and Mode n Reg ession wi h Applica ions, 2nd ed.; Duxbu y P ess: Belmon , CA, USA, 1990.
44.
Whi e, H.A. He e oskedas ici y-consis en co a iance ma ix es ima o and a di ec es o he e oskedas ici y. Econome ica
1980
,
48, 817–838. [C ossRe ]
Fo es s 2022,13, 1697 19 o 19
45. Cailliez, F. Es imación del Volumen Fo es al y P edicción del Rendimien o; FAO: Rome, I aly, 1980.
46. Ha ey, A.C. Es ima ing eg ession models wi h mul iplica i e he e oscedas ici y. Econome ica 1976,44, 461–465. [C ossRe ]
47.
Diéguez-A anda, U.; Cas edo-Do ado, F.; Ál a ez-González, J.G.; Rojo, A. Compa ible ape unc ion o Sco s pine plan a ions in
no hwes e n Spain. Can. J. Fo . Res. 2006,36, 1190–1205. [C ossRe ]
48.
He ia, A.; C abi osse, A.; Ál a ez-González, J.G.; Ruiz-González, A.D.; Majada, J. No el app oach o assessing esidual biomass
om p uning: A case s udy in A lan ic Pinus pinas e Ai . imbe o es s. Renew. Ene g. 2017,107, 620–628. [C ossRe ]
49. Maye , D.G.; Bu le , D.G. S a is ical alida ion. Ecol. Model. 1993,68, 21–32. [C ossRe ]
50.
Agee, J.K. The in luence o o es s uc u e on i e beha io . In P oceedings o he 17 h Annual Fo es Vege a ion Managemen
Con e ence, Sac amen o, CA, USA, 16–18 Janua y 1996.
51.
Hall, S.A.; Bu ke, I.C. Conside a ions o cha ac e izing uels as inpu s o i e beha io models. Fo . Ecol. Manag.
2006
,227,
102–114. [C ossRe ]
52.
By am, G.M. Combus ion o o es uels. In Fo es Fi e: Con ol and Use; Da is, K.P., Ed.; McG aw-Hill: New Yo k, NY, USA, 1959;
pp. 61–89.
En es e documen o de esis se p esen an los esul ados de un
es udio sob e la u ilización de di e en es me odologías pa a
la es imación de ca gas y es uc u a e ical de los
combus ibles o es ales incluyendo ma o al desa bolado y
so obosque, combus ibles de escale a y del dosel de copas en
pina es. Los modelos ob enidos se basan en da os LiDAR
aé eo (ALS) y e es e (TLS) e in en a ios de campo
adicionales.
