![]() |
Guia docente | |||||||||||||||||||||||||||||||||||||||
DATOS IDENTIFICATIVOS | 2020_21 | |||||||||||||||||||||||||||||||||||||||
Asignatura | INVENTARIO 3D DE RECURSOS NATURALES | Código | 00915003 | |||||||||||||||||||||||||||||||||||||
Enseñanza |
|
|||||||||||||||||||||||||||||||||||||||
Descriptores | Cr.totales | Tipo | Curso | Semestre | ||||||||||||||||||||||||||||||||||||
3 | Obligatoria | Primer | Primero |
|||||||||||||||||||||||||||||||||||||
Idioma |
|
|||||||||||||||||||||||||||||||||||||||
Prerrequisitos | ||||||||||||||||||||||||||||||||||||||||
Departamento | TECN.MINERA,TOPOGRAF. Y ESTRUC |
|||||||||||||||||||||||||||||||||||||||
Responsable |
|
Correo-e | egonf@unileon.es prodg@unileon.es |
|||||||||||||||||||||||||||||||||||||
Profesores/as |
|
|||||||||||||||||||||||||||||||||||||||
Web | http://agora.unileon.es | |||||||||||||||||||||||||||||||||||||||
Descripción general | La asignatura se centra en aspectos teóricos y prácticos para el empleo del LiDAR aéreo en el campo de la geomática y topografía y en el inventario de los recursos naturales y forestales. La asignatura aborda el procesamiento de datos LiDAR desde su captura, validación, exportación y análisis de resultados. La principal ventaja competitiva de la tecnología LiDAR en lo que se refiere al inventario forestal y de los recursos naturales es la posibilidad de generar automáticamente MDE y Modelos Digitales de Copas (MDC), que recogen una gran cantidad de información sobre la vegetación (por tratarse de representaciones tridimensionales y georreferenciadas de la realidad). | |||||||||||||||||||||||||||||||||||||||
Tribunales de Revisión |
|
|||||||||||||||||||||||||||||||||||||||
Competencias |
Tipo A | Código | Competencias Específicas |
A17855 | 915CE4 Capacidad para conocer los fundamentos y principales tipos de sensores remotos e identificar los sensores idóneos para cada tipo de estudio. | |
A17856 | 915CE5 Comprender y extraer las distintas variables que pueden obtenerse mediante sensores remotos, así como los algoritmos utilizados en dicho proceso y saber utilizarlos para extraer la información relevante. | |
Tipo B | Código | Competencias Generales y Transversales |
B5543 | 915CG3 Aptitud para seleccionar, aplicar y evaluar las metodologías y técnicas geoinformáticas avanzadas más adecuadas en su aplicación a problemas de gestión de recursos naturales. | |
B5544 | 915CT1 Capacidad de toma de decisiones basadas en criterios objetivos, así como capacidad de argumentar y justificar dichas decisiones. | |
B5546 | 915CT3 Capacidad de resolución de problemas: localizar problemas, identificar causas e identificar, analizar, evaluar y seleccionar alternativas de solución. | |
B5548 | 915CT5 Capacidad de organización y planificación. | |
Tipo C | Código | Competencias Básicas |
C2 | Que los estudiantes sean capaces de integrar conocimientos y enfrentarse a la complejidad de formular juicios a partir de una información que, siendo incompleta o limitada, incluya reflexiones sobre las responsabilidades sociales y éticas vinculadas a la aplicación de sus conocimientos y juicios. | |
C4 | Que los estudiantes posean las habilidades de aprendizaje que les permitan continuar estudiando de un modo que habrá de ser en gran medida autodirigido o autónomo. |
Resultados de aprendizaje |
Resultados | Competencias | ||
El estudiante adquirirá una comprensión básica de las nubes de puntos geoespaciales, así como de los métodos de postprocesado de los datos LiDAR | A17855 A17856 |
C2 C4 |
|
El estudiante adquirirá una comprensión básica de los métodos de inventario forestal basados en datos LiDAR | A17855 A17856 |
C2 C4 |
|
El estudiante será capaz de crear sus propios flujos de trabajo de un modo autodirigido o autónomo, así como de seleccionar y aplicar las metodologías más adecuadas a un problema de gestión relacionado con en el inventario de recursos naturales a partir de datos LiDAR | B5543 B5544 B5546 B5548 |
C2 C4 |
Contenidos |
Bloque | Tema |
Bloque I: Introducción a la tecnología LiDAR (teoría) | TEMA 1: Definición y principio de funcionamiento. LiDAR vs RADAR. TEMA 2: Componentes TEMA 3: Tipos de sistemas y datos TEMA 4: Principales características de los datos TEMA 4: Comportamiento en zonas forestales TEMA 5: Procesado de los datos y modelos digitales |
Bloque II: El procesamiento de datos LiDAR (teoría y práctica) | TEMA 6: El proceso de filtrado TEMA 7: El proceso de interpolación TEMA 8: El proceso de validación TEMA 9: Factores que influyen en la calidad de los modelos |
Bloque III: La tecnología LiDAR aplicada al inventario forestal y de los recursos naturales (teoría y práctica) | TEMA 10: Generación de capas temáticas de información TEMA 11: Inventario a nivel árbol individual TEMA 12: Inventario a nivel de rodal TEMA 13: Generalidades sobre otras aplicaciones de LiDAR aplicado al inventario 3D de los recursos naturales |
Planificación |
Metodologías :: Pruebas | |||||||||
Horas en clase | Horas fuera de clase | Horas totales | |||||||
Practicas a través de TIC en aulas informáticas | 8 | 0 | 8 | ||||||
Trabajos | 0 | 60 | 60 | ||||||
Aprendizaje basado en problemas (ABP)/ Problem Based Learning (PBL) | 4 | 0 | 4 | ||||||
Sesión Magistral | 2 | 0 | 2 | ||||||
Pruebas mixtas | 1 | 0 | 1 | ||||||
(*)Los datos que aparecen en la tabla de planificación són de carácter orientativo, considerando la heterogeneidad de los alumnos |
Metodologías |
descripción | |
Practicas a través de TIC en aulas informáticas | Sesiones en el aula de informática donde el alumno trabajará con nubes de datos 3D procedentes de sensores LiDAR y con programas informáticos para su procesado y análisis estadístico. Son actividades dirigidas. |
Trabajos | Realización de un trabajo académicamente dirigidos sobre contenidos del programa de la asignatura en relación al procesamiento de datos LiDAR aplicado al inventario forestal y de los recursos naturales. Dicho trabajo se basará en problemas reales con el objeto de desarrollar habilidades de solución de problemas y adquirir conocimientos científicos. Son actividades supervisadas. |
Aprendizaje basado en problemas (ABP)/ Problem Based Learning (PBL) | Sesiones de resolución de proyectos/casos con LiDAR. Incluye sesiones de tutoría grupal y de utilización de herramientas geoinformáticas. Son actividades supervisadas. |
Sesión Magistral | En estas sesiones se explicarán los contenidos generales de la materia y los conceptos novedosos, se limitarán los contenidos de la asignatura y se plantearán pautas para prepararla. Son actividades dirigidas. |
Tutorías |
|
|
Evaluación |
descripción | calificación | ||
Trabajos | En la evaluación de los trabajos y pruebas prácticas se valorará la capacidad de síntesis, organización y presentación | 70% | |
Pruebas mixtas | Prueba teórica con preguntas de respuesta corta | 30% | |
Otros comentarios y segunda convocatoria | |||
La puntuación necesaria para aprobar la asignatura, tanto en primera como en segunda convocatoria será de un 50% de la puntuación máxima establecida para la asignatura (por lo general se puntuará de 0 a 10 puntos, por lo que hará falta 5 puntos). Consideraciones a tener en cuenta en primera y segunda convocatoria:
Consideraciones para el examen de segunda convocatoria:
Otros aspectos a tener en cuenta:
Según se estable en el acuerdo aprobado por la Comisión Permanente del Consejo de Gobierno 29/01/2015, “Pautas de actuación en los supuestos de plagio, copia o fraude en exámenes o pruebas de evaluación”, se informa de lo siguiente:
|
ADENDA |
Plan de contingencia para una situación de emergencia que impida actividades docentes presenciales |
Enlace de acceso a la Adenda de la Guia docente por el COVID-19 |
Fuentes de información |
Acceso a la Lista de lecturas de la asignatura |
Básica | |
|
|
Complementaria | |
Bibliografía complementaria: Ahamed, T., Tian, L., Zhang, Y. and Ting, K.C., 2011.A review of remote sensing methods for biomass feedstock production. Biomassand Bioenergy, 35(7): 2455-2469. Alberdi, I., Vallejo,R., Álvarez González, J.G., Condés, S., González- Ferreiro, E., Guerrero, S.,Hernández, L., Martínez-Jauregui, M., Montes, F., Oliveira, N., Pasalodos-Tato,M., Robla, E., Ruiz-González, A.D., Sánchez- González, M., Sandoval, V., SanMiguel, A., Sixto, H., Cañellas, I. 2017. The multi-objective Spanish National Forest Inventory. Forest Systems[S.l.] 26 (2): e04S. DOI: 10.5424/fs/2017262-10577. Andersen, H.-E., R.J. McGaughey, and S.E. Reutebuch. 2005. Estimatingforest canopy fuel parameters using LIDAR data. Remote Sensing of Environment94(4):441-449. Arias-Rodil, M.,Diéguez-Aranda, U., Álvarez-González, JG., Pérez-Cruzado, C; Castedo-Dorado,F., González-Ferreiro, E. 2018. Modellingdiameter distributions in radiata pine plantations in Spain with existingcountrywide LiDAR data. Annals of Forest Science, in press. DOI:10.1007/s13595-018-0712-z. Buján, S., González-Ferreiro, E., Barreiro-Fernández, L., Santé-Rivera, I.,Corbelle-Rico, E., Miranda, D. 2013. Classification of rural landscapes fromlow-density lidar data: is it theoretically possible?. International Journalof Remote Sensing 34 (16): 5666 - 5689. Buján, S.,González-Ferreiro, E., Reyes-Bueno, F., Barreiro-Fernández, L., Crecente, R.,Miranda, D. 2012. Land use classification fromLiDAR data and ortho-images in a rural area. Photogrammetric Record 27(140): 401-422. García-Gutiérrez, J.,González-Ferreiro, E., Riquelme-Santos, J.C., Miranda, D., Diéguez-Aranda, U.,Navarro-Cerrillo, R.M. 2014. Evolutionaryfeature selection to estimate forest stand variables using LiDAR. InternationalJournal of Applied Earth Observation and Geoinformation 26: 119-131. Gonçalves-Seco, L., González-Ferreiro, E., Diéguez-Aranda, U., Fraga-Bugallo, B., Crecente, R, Miranda, D. 2011. Assessing the attributes of highdensity Eucalyptus globulus stands using airborne laser scanner data. International Journalof Remote Sensing 32 (24): 9821 – 9841. González-Ferreiro, E.,Arellano-Pérez. S., Castedo-Dorado, F., Hevia, A., Vega, J.A., Vega-Nieva, D.,Álvarez-González, J.G., Ruiz-González, A.D. 2017. Modelling the vertical distribution of canopy fuel load using nationalforest inventory and low-density airbone laser scanning data. PLOS ONE 12(4):e0176114. González-Ferreiro, E.,Diéguez-Aranda, U, Crecente-Campo, F., Barreiro-Fernández, L., Miranda, D.,Castedo-Dorado, F. 2014. Modelling canopyfuel variables for Pinus radiata D. Don in NW Spain with low density LiDARdata. International Journal of Wildland Fire 23: 350-362. González-Ferreiro, E.,Miranda, D., Barreiro-Fernández, L., Buján, S., García-Gutiérrez, J.,Diéguez-Aranda, U. 2013. Modelling standbiomass fractions in Galician Eucalyptus globulus plantations by use ofdifferent LiDAR pulse densities. Forest Systems 22 (3):510-525. Guerra-Hernández J.,González-Ferreiro, E., Sarmento A., Silva J., Nunes A., Correia A.C, Fontes L.,Tomé M. Díaz-Varela, R.A. 2016. Using highresolution UAV imagery to estimate tree variables in Pinus pinea plantation inPortugal. Forest Systems 25(2), eSC09, 5 pp.[EGF2] Guerra-Hernández, J.,Bastos Görgens, E., García-Gutiérrez, J., Estraviz Rodriguez, L.C., Tomé, M.,González-Ferreiro, E. 2016. Comparison ofALS based models for estimating aboveground biomass in three types ofMediterranean forest. European Journal of Remote Sensing 49: 185-204. Guerra-Hernández, J., González-Ferreiro, E., Monleón, V. J., Faias, S. P.,Tomé, M., Díaz-Varela, R. A. 2017. Use of multi-temporal UAV-derived imageryfor estimating individual tree growth in Pinus pinea stands. Forests 8(8):300.[EGF1] Hevia, A.,Álvarez-González, J.G., Ruíz-Fernández, E., Prendes, C., Ruiz- González, A.D.,Majada, J., González-Ferreiro, E. 2016. Modelling canopy fuel and forest stand variables and characterizing theinfluence of the thinning treatments in the stand structure using airborneLiDAR. Spanish Journal of Remote Sensing 45: 41-55. Hyyppä, J., Hyyppä, H., Litkey, P., Yu, X., Haggrén, H., Rönnholm, P.,Pyysalo, U., Pitkänen, J. and Maltamo, M., 2004. Algorithms and methods ofairborne laser scanning for forest measurements. International Archives ofPhotogrammetry, Remote Sensing and Spatial Information Sciences 36(8): 82-89. Hyyppä, J., Hyyppä, H., Litkey, P., Yu, X., Haggrén, H., Rönnholm, P.,Pyysalo, U., Pitkänen, J., Maltamo, M. 2004. Algorithms and methods of airbornelaser-scanning for forest measurements. International Archives ofPhotogrammetry, Remote Sensing and Spatial Information Sciences 36: 1682?1750. Hyyppä, J., Inkinen, M. 1999. Detecting and estimating attributes forsingle trees using laser scanner. Photogrammetric Journal of Finland 16: 27?43. Hyyppä, J., Kelle, O., Lehikoinen, M., Inkinen, M. 2001. Asegmentation-based method to retrieve stem volume estimates from 3-D tree heightmodels produced by laser scanners. IEEE Transactions on Geoscience and RemoteSensing 39: 969?975. Kraus, K., Pfeifer, N. 1998. Determination of terrainmodels in wooded areas with airborne laser scanner data. ISPRS Journal ofPhotogrammetry and Remote Sensing. 53; 193?203. Kukunda, C. B., Duque-Lazo, J., González-Ferreiro, E., Thaden, H., Kleinn,C. 2017. Ensemble classification of individual Pinus crowns from multispectralsatellite imagery and airborne LiDAR. International Journal of Applied EarthObservation and Geoinformation, 65, 12-23. DOI: 10.1016/j.jag.2017.09.016. Lim, K., Treitz, P., Wulder, M., St-Onge, B. and Flood, M., 2003. LiDARremote sensing of forest structure. Progress in physical geography 27(1):88-106. Liu, X. 2008. Airborne LiDAR for DEM generation: somecritical issues. Progress in Physical Geography. 32; 31–49. Næsset, E. 1997a. Determination of mean tree height of forest stands usingairborne laser scanner data. ISPRS Journal of Photogrammetric and RemoteSensing 52: 49?56. Næsset, E. 1997b. Estimating timber volume of forest stands using airbornelaser scanner data. Remote Sensing of Environment 61: 246?253. Næsset, E. 2002. Predicting forest stand characteristics with airbornescanning laser using a practical two-stage procedure and field data. Remote Sensing ofEnvironment 80: 88?99. Næsset, E. 2004. Practical large-scale forest stand inventory using asmall-footprint airborne scanning laser. Scandinavian Journal of Forest Research19: 164?179. Næsset, E., Bjerknes, K. 2001. Estimating tree heights and number of stemsin young forest stands using airborne laser scanner data. Remote Sensing of Environment78: 328?340. Navarro-Cerrillo, R.,González Ferreiro, E., García-Gutiérrez, J., Ceacero-Ruiz, C.,Hernández-Clemente, R. 2017. Impact of plotsize and model selection on forest biomass estimation using airborne LiDAR: Acase study of pine plantations in southern Spain. Journal of Forest Science63(2): 88-97. Persson, Å., Holmgren, J., Söderman, U. 2002. Detecting and measuringindividual trees using an airborne laser scanner. PhotogrammetricEngeenering and Remote Sensing 68: 925?932. Popescu, S.C. 2007. Estimating biomass of individual pine trees usingairborne LiDAR. Biomass and Bioenergy 31: 646?655. Popescu, S.C., Wynne, R.H., Nelson, R.F. 2003. Measuring individual treecrown diameter with LiDAR and assessing its influence on estimating forestvolume and biomass. Canadian Journal of Remote Sensing 29: 564?577. Reutebuch, S.E., H.-E. Andersen, and R.J. McGaughey. 2005. Light detectionand ranging (LIDAR): An emerging tool for multiple resource inventory. Journalof Forestry 103(6): 286-292. Reutebuch, S.E., R.J. McGaughey, H.-E. Andersen, and W.W. Carson. 2003.Accuracy of a high-resolution LIDAR terrain model under a conifer forestcanopy. Canadian Journal of Remote Sensing 29(5): 527-535. Wulder, M.A., White, J.C., Alvarez, F., Han, T., Rogan, J. and Hawkes, B.,2009. Characterizing boreal forest wildfire with multi-temporal Landsat andLIDAR data. Remote Sensing of Environment 113(7): 1540-1555. Direcciones web: http://forsys.cfr.washington.edu/ https://www.fs.fed.us/eng/rsac/index.html http://forsys.cfr.washington.edu/fusion/fusionlatest.html http://forsys.cfr.washington.edu/fusion/fusion_overview.html http://forsys.sefs.uw.edu/jfsp06/index.htm http://www.cs.unc.edu/~isenburg/lastools/ |
Recomendaciones |
Otros comentarios | |
Se recomienda que el alumno tenga conocimientos de estadística y de R, así como de inglés |