Rodalización basada en variables de copa individuales en plantaciones de Pinus sylvestris L. que sufren procesos de decaimiento

• Mª Ángeles Varo Martínez ^[1] ; Rafael M. Navarro-Cerrillo ^[1]
  1. [1] Universidad de Córdoba

     Universidad de Córdoba

     Cordoba, España

     
• Localización: El arte de investigar: Córdoba, del 3 al 6 de mayo de 2022 / Inmaculada Luque Moreno (dir. congr.), 2022, ISBN 978-84-9927-712-7, págs. 365-369
• Idioma: español
• Texto completo no disponible (Saber más ...)
• Resumen
  • español

    Las repoblaciones de Pinus sylvestris en el sur de la Península Ibérica están experimentandoprocesos de decaimiento forestal. Este trabajo explora el potencial deintegrar datos multiespectrales y LiDAR para la rodalización de plantaciones y asícomprender dichos procesos. Se cuantificaron los pigmentos en hoja (clorofilas ay b, Chla y Chlb y carotenoides, Car) y el índice de área foliar (LAI) como variablesde copa. Se calcularon índices de vegetación y métricas LiDAR como predictorespara estimar las variables. Por último, se integraron a nivel de masa, para finalmentesegmentar rodales. Los modelos de contenido en pigmento proporcionaron valores de R2 de 0,87(Chla, RMSE=12,98%), 0,74 (Chlb, RMSE=10,39%) y 0,88(Car, RMSE=10,05%). Se delimitaron en total 104 rodales. El mapa de distribuciónresultante mostró un mosaico de patrones de severidad a escala de rodal ypie individual. Estos hallazgos subrayan el potencial de la integración de datospara la rodalización en función del estado sanitario del arbolado como herramientapara desarrollar prácticas selvícultura adaptativa en plantaciones en riesgo porcambio climático.

  • English

    Pine plantations of Pinus sylvestris in the south of the Iberian Peninsula are experiencingprocesses of forest decline. This work explores the potential of integratingmultispectral and LiDAR data for the stand delineation to increase our understandingof these processes. Leaf pigments (chlorophyll a and b, Chla and Chlb, andcarotenoids, Car) and leaf area index (LAI) were quantified as crown variables.Vegetation indices and LiDAR metrics were produced as predictors to estimate thevariables. Later, they were summarized at stand level, to finally segment stands.Pigment content models provided R2 values of 0.87 (Chla, RMSE=12.98%), 0.74(Chlb, RMSE=10.39%) and 0.88 (Car, RMSE=10.05%). A total of 104 stands weredelimited. The resulting distribution map showed a mosaic of severity patterns atthe stand and individual scales. These findings underscore the potential of remotesensing data integration for forest management planning based on the health statusof trees as a tool to improve adaptative silviculture in plantations at risk fromclimate change.