Estimation of stand density using aerial LiDAR information: Integrating the area-based-approach and individual-tree-detection methods in plantations of Pinus radiata

Inglés. SUMMARY A mixed approach was applied using aerial LiDAR information to estimate the stand density in a Pinus radiata plantation. The methods used individual tree detection (ITD) information to improve stand density estimates from the approach-based area (ABA) method. Method 1, which corresponds to the traditional ABA estimation in a linear mode, obtained a RMSE = 23.6 % and a AIC = 840.9, where the LiDAR metrics used were in the 95 % percentile and the ratio between first returns over 1.3 m (COV). Method 2, which corresponds to an Individual Tree Detection (ITD) algorithm configured with a search window of 3 meters and a height defined by the 50th percentile, resulted in a RMSE = 49%. The mixed method 3 used the number of trees detected in method 2 as an additional metric in the ABA method, generating RMSE = 20.9 % and a AIC = 822.1. Method 4 was defined as mixed with error, which incorporated the number of trees estimated using the ITD method as another predictor variable, generating a RMSE = 21.3 % and a AIC = 835.2. The method with the best performance was 3, reducing 2.7 percentage points with respect to the RMSE of method 1 (traditional ABA). The integration of the ABA and ITD methods improved estimations of stand density, and also achieved better representation of the spatial variability of the number of trees at complete stand level.

Español; castellano. RESUMEN Se aplicó un enfoque mixto utilizando información LiDAR aérea para estimar la densidad del rodal en una plantación de Pinus radiata. El método utiliza la información de la identificación de árbol individual (ITD) para mejorar las estimaciones de la densidad de rodal del método de estimación a nivel de masa (ABA). En el método 1 que corresponde a la estimación tradicional ABA en un modelo lineal obtuvo un RMSE = 23,6 % y un AIC = 840,9; donde las métricas LiDAR usadas fueron el percentil 95 % y razón entre primeros retornos sobre 1,3 metros (COV). El método 2, el cual corresponde a un algoritmo de identificación de árboles ITD configurado en una ventana de búsqueda de 3 metros y una altura definida por el percentil 50 %, generó una RMSE = 49 %. El método 3 mixto utilizó el número de árboles identificados en el método 2 como una métrica adicional en el método ABA, generando RMSE = 20,9 % y un AIC = 822,1. El método 4 definido como mixto que incorpora el número de árboles estimados por el método ITD como otra variable predictora, generó RMSE = 21,3 % y AIC = 835,2. El método con mejor performance fue el 3, reduciendo 2,7 puntos porcentuales con respecto a la RMSE del método 1 (ABA tradicional). La integración del método ABA e ITD mejoró las estimaciones de la densidad de rodal, además logró representar mejor la variabilidad espacial del número de árboles a nivel de rodal completo.