ESTIMACIÓN DE ALTURAS DE PINUS RADIATA D. DON EN SAN JUAN, CHIMBORAZO, USANDO VEHÍCULOS AÉREOS NO TRIPULADOS

Fabián Marcelo Remache Reinoso; Shirley Dayana Horna Durán; Norma Ximena Lara Vásconez; Diego Francisco Cushquicullma Colcha; Eduardo Antonio Muñoz Jácome

doi:10.47187/perf.v1i32.276

Autores/as

Fabián Marcelo Remache Reinoso Escuela Superior Politécnica de Chimborazo, Facultad de Recursos Naturales, Escuela de Ingeniería Forestal, Riobamba, Ecuador
Shirley Dayana Horna Durán Escuela Superior Politécnica de Chimborazo, Facultad de Recursos Naturales, Escuela de Ingeniería Forestal, Riobamba, Ecuador
Norma Ximena Lara Vásconez Escuela Superior Politécnica de Chimborazo, Facultad de Recursos Naturales, Escuela de Ingeniería Forestal, Riobamba, Ecuador
Diego Francisco Cushquicullma Colcha Escuela Superior Politécnica de Chimborazo, Facultad de Recursos Naturales, Escuela de Ingeniería Forestal, Riobamba, Ecuador
Eduardo Antonio Muñoz Jácome Escuela Superior Politécnica de Chimborazo, Facultad de Recursos Naturales, Escuela de Ingeniería Forestal, Riobamba, Ecuador

DOI:

https://doi.org/10.47187/perf.v1i32.276

Palabras clave:

Plantación, Clinómetro, RTK, Drones, Altura

Resumen

La evolución de la tecnología ha hecho posible su aplicación en el sector forestal las aeronaves tripuladas conocidas como drones han tenido una incidencia creciente los drones se ha convertido en dispositivos con una amplia variedad de funciones con facilidad de manejo. La presente investigación se desarrolló en una plantación forestal ubicada en la parroquia San Juan, cantón Riobamba, provincia de Chimborazo. Se escogió 15 árboles en el rodal joven (6 años) y 15 árboles en el rodal adulto (25 años) los cuales fueron seleccionados de forma aleatoria dentro de toda el área de investigación el equipo de medición utilizado fue el clinómetro digital haglof y con un distanciómetro marca Leica D5 se midió la distancia del punto del observador al árbol se utilizó el dron Mavic Air 2 y una estación RTK de marca Trimble se tomó 5 puntos de control considerando las irregularidades del terreno. Finalmente, los resultados de los coeficientes no son estadísticamente significativos, por lo que no se puede afirmar con confianza que tenga un efecto real en la variable dependiente (DIFERENCIA DE MEDICIONES) en función de los datos y el nivel de significancia seleccionado.

Descargas

Los datos de descargas todavía no están disponibles.

Citas

Cabrera J, Lamelas MT, Montealegre AL. Estimación de variables dasométricas a partir de datos LiDAR PNOA en masas regulares de Pinus halepensis Mill. 2014.

Ferreira Rojas O. Manual de inventarios forestales. Escuela Nacional de Ciencias Forestales; 1990.

Gambetta F, Bermudez. Curso inventarios forestales en bosques secos [Internet]. 1994. Available from: https://repositorio.catie.ac.cr/handle/11554/1056

Suh J, Choi Y. Mapping hazardous mining-induced sinkhole subsidence using unmanned aerial vehicle (drone) photogrammetry. Environ Earth Sci. 2017;76. https://doi.org/10.1007/s12665-017-6458-3

Rouse JW, Haas RH, Deering DW, Schell JA, Harlan JC. Monitoring the Vernal Advancement and Retrogradation (Green Wave Effect) of Natural Vegetation (E75-10354) [Internet]. 1974. Available from: https://ntrs.nasa.gov/citations/19750020419

Gutiérrez ARH, Duarte MAT, France RG, León RR. El uso de drones en ciencias de la tierra. Reaxión. Revista arbitrada de divulgación científica de la Universidad Tecnológica de León. 2017 Jan 23 [Internet]. Available from: http://reaxion.utleon.edu.mx/Art_El_uso_de_drones_en_ciencias_de_la_tierra.html

Baena S, Boyd DS, Moat J. UAVs in pursuit of plant conservation—Real world experiences. Ecol Inform. 2018;47:2-9. https://doi.org/10.1016/j.ecoinf.2017.11.001

Gago J, Douthe C, Coopman RE, Gallego PP, Ribas-Carbo M, Flexas J, et al. UAVs challenge to assess water stress for sustainable agriculture. Agric Water Manag. 2015;153:9-19. https://doi.org/10.1016/j.agwat.2015.01.020

Colomina I, Molina P. Unmanned aerial systems for photogrammetry and remote sensing: A review. ISPRS J Photogramm Remote Sens. 2014;92:79-97. https://doi.org/10.1016/j.isprsjprs.2014.02.013

Rejeb A, Abdollahi A, Rejeb K, Treiblmaier H. Drones in agriculture: A review and bibliometric analysis. Comput Electron Agric. 2022;198:107017. https://doi.org/10.1016/j.compag.2022.107017

Cuerno Rejado C, Garcia Hernandez L, Sanchez Carmona A, Carrio Fernandez A, Sanchez Lopez JL, Campoy Cervera P. EVOLUCIÓN HISTÓRICA DE LOS VEHÍCULOS AÉREOS NO TRIPULADOS HASTA LA ACTUALIDAD. DYNA Ing Ind. 2016;91(1):282-8. https://doi.org/10.6036/7781

Westoby MJ, Brasington J, Glasser NF, Hambrey MJ, Reynolds JM. ‘Structure-from-Motion’ photogrammetry: A low-cost, effective tool for geoscience applications. Geomorphology. 2012;179:300-14. https://doi.org/10.1016/j.geomorph.2012.08.021

Fritz A, Kattenborn T, Koch B. UAV-BASED PHOTOGRAMMETRIC POINT CLOUDS – TREE STEM MAPPING IN OPEN STANDS IN COMPARISON TO TERRESTRIAL LASER SCANNER POINT CLOUDS. Int Arch Photogramm Remote Sens Spatial Inf Sci. 2013;XL-1-W2:141-6. https://doi.org/10.5194/isprsarchives-XL-1-W2-141-2013

Hung C, Bryson M, Sukkarieh S. Multi-class predictive template for tree crown detection. ISPRS J Photogramm Remote Sens. 2012;68:170-83. https://doi.org/10.1016/j.isprsjprs.2012.01.009

Noboa S. Estimación de altura de frailejones (Espeletia pycnophylla) en el volcán Chiles mediante UAV (Carchi – Ecuador) [Master’s thesis]. Universidad Politécnica Salesiana; 2019.

Manfreda S, McCabe M, Miller P, Lucas R, Madrigal V, Mallinis G, et al. On the Use of Unmanned Aerial Systems for Environmental Monitoring [Internet]. 2018. https://doi.org/10.20944/preprints201803.0097.v1

Cunliffe AM, Brazier RE, Anderson K. Ultra-fine grain landscape-scale quantification of dryland vegetation structure with drone-acquired structure-from-motion photogrammetry. Remote Sens Environ. 2016;183:129-43. https://doi.org/10.1016/j.rse.2016.05.019

Moradi S, Bokani A, Hassan J. UAV-based Smart Agriculture: A Review of UAV Sensing and Applications. 2022 32nd International Telecommunication Networks and Applications Conference (ITNAC). 2022:181-4. https://doi.org/10.1109/ITNAC55475.2022.9998411

Reyes-Zurita N, Rodríguez-Ortiz G, Valle JRE-D, Jiménez-Colmenares CL, Rincón-Ramírez JA. Estimación de variables dasométricas en rodales bajo manejo forestal con vehículos aéreos no tripulados. FIGEMPA: Investig Desarro. 2022;13(1), Article 1. https://doi.org/10.29166/revfig.v13i1.3299

White L, Lucieer A, Turner D, Watson C. Evaluación y mitigación de errores para levantamientos LiDAR hipertemporales transportados por UAV del inventario forestal. Actas de Silvilaser, Hobart. 2011.

Queiroz WT. Amostragem em inventário florestal. Belém: Universidade Rural do Amazônia; 2012. 441 p.

Mikita T, Janata P, Surov P. Inventario de rodales forestales basado en fotogrametría combinada aérea y terrestre de corto alcance. Bosques. 2016;7(8):1-14.

Groot A, Cortini F, Wulder MA. Relaciones de atributos de fibra de copa para un inventario forestal mejorado: Progreso y perspectivas. For Chron. 2015;91(3):266-79.

Wallace L, Lucieer A, Turner D, Watson C. Evaluación y mitigación de errores para levantamientos LiDAR hipertemporales transportados por UAV del inventario forestal. Actas de Silvilaser, Hobart. 2011.

Bastian A. Análisis comparativo entre os programas para restituição Fotogramétrica photomodeler y orthowre. III Seminario Internacional sobre Documentación del Patrimonio Arquitectónico con el Uso de Tecnologías Digitales. Joao Pessoa. PB; 2014. p. 119-29.

Iglhaut J, Cabo C, Puliti S, Piermattei L, O'Connor J, Rosette J. Estructura de la fotogrametría de movimiento en la silvicultura: una revisión. Informes For Actuales. 2019;5(3):155-68.

Ablanedo ES, Candler JH, Pérez JRR, Ordoñez C. Precisión de levantamientos de fotogrametría con vehículos aéreos no tripulados (UAV) y SFM en función del número y ubicación de los puntos de control terrestre utilizados. Teledetección. 2018;10(10):2-19.

Figueiredo EO, D'Oliveira MVN, Cerraduras CJ, Papá DA. Estimativa del Volumen de Madeira en Patios de Estocagem de Toras por medio de Cámaras RGB Instaladas en Aeronaves Remotamente Pilotadas (ARP). Bol Cien For.

Rouse JW, Haas RH, Deering DW, Schell JA, Harlan JC. Monitoring the Vernal Advancement and Retrogradation (Green Wave Effect) of Natural Vegetation (E75-10354) [Internet]. 1974. Available from: https://ntrs.nasa.gov/citations/19750020419