6CFE01-040

2/13

Inventario exhaustivo de carbono en pinares de Coca (Segovia) mediante datos LiDAR MONTALVO RODRÍGUEZ, J.1,4, FERNÁNDEZ ULLOA, A.2, DURÁN AMORES, A.2, LANAJA DEL BUSTO, J.M.2, SÁNCHEZ JARDÓN, L.3,4, ACOSTA GALLO, B.3,4, MARTÍN FORES, I.3,4 y HERRERO DE JÁUREGUI, C.3,4

1 Departamento de Ecología y Biología Animal, Universidad de Vigo. 2 Departamento de Ingeniería de Recursos Naturales y Medio Ambiente, Universidad de Vigo. 3 Departamento de Ecología, Universidad Complutense de Madrid. 4 Fundación Matrix, Investigación y Desarrollo Sostenible. Resumen Usando datos de un sensor aerotransportado de baja densidad de pulsos láser en superficies extensas de pinares de baja espesura es posible estimar la densidad de pies y altura del dosel con una exactitud aceptable. Combinados con modelos alométricos y de calibración de medidas de campo y del láser, pueden generalizarse las diferencias interespecíficas en la acumulación de carbono por árbol detectadas, relacionadas con la estructura de la masa y el método de ordenación, que son relevantes para describir la variabilidad espacial en la densidad de carbono en la biomasa aérea e inventariar el carbono total con alta resolución espacial y fiabilidad. Palabras clave Biomasa, cambio climático, inventario forestal, LiDAR, Pinus pinaster, Pinus pinea.

1. Introducción Los inventarios de grandes superficies arboladas se hacen por muestreo estadístico

mediante parcelas que en conjunto generalmente representan menos del 1% de la superficie total (CMA 2004, Bombín 2005). En las parcelas se toman de datos dasométricos de todos los árboles presentes o de un número determinado de árboles tipo o de un diámetro especificado. El conteo de árboles del diámetro especificado se realiza usualmente en las parcelas, aunque en montes ordenados con aprovechamiento resinero a veces se hace por conteo pie a pie de la superficie total de algunas unidades dasocráticas. Aunque exista estratificación y un número alto de parcelas y árboles medidos, las estimaciones de volumen maderable o biomasa de estos inventarios están condicionadas por la representatividad de la muestra de parcelas y una baja intensidad de muestreo. Se examina un enfoque alternativo de inventario exhaustivo, que no requiere parcelas de muestreo y puede cubrir la superficie total de la unidad espacial a inventariar.

Los inventarios nacionales de emisiones de gases de efecto invernadero y los servicios

ecosistémicos forestales de mitigación del cambio climático exigen estimaciones fiables de la cantidad de carbono almacenado en la biomasa arbórea en superficies extensas (Penman et al 2003, González-Alonso et al 2005, Bravo et al 2007). Más allá de estimaciones aproximadas de existencias de recursos, es necesario disponer de información rigurosa basada en métodos modernos y contrastados. La estimación de la biomasa aérea mediante LiDAR es un método de teledetección que permite inventariar grandes superficies mediante un procesado de datos adecuado, cuya exactitud supera al radar y a métodos ópticos pasivos (Fallah Vazirabad &

3/13

Karslioglu 2011, Zolkos et al 2013). Desde 2009, existen datos LiDAR procedentes del Plan Nacional de Ortofotografía Aérea (PNOA) del Instituto Geográfico Nacional (IGN), con una baja densidad de pulsos láser. Aún no se han aplicado de forma sistemática para inventariar el carbono forestal en los montes de España (no se conocen resultados de aplicaciones forestales difundidas en revistas o foros científicos). 2. Objetivos

Los objetivos se refieren a pinares de baja espesura y son los siguientes: (1) realizar una comparación preliminar de la altura individual de árboles medida in situ con la estimada desde datos LiDAR de baja densidad de pulsos; (2) examinar a nivel local las diferencias en los patrones de acumulación de carbono en el fuste entre Pinus pinaster y Pinus pinea; y (3) realizar una evaluación exhaustiva y de alta resolución espacial de la variabilidad de la densidad de carbono desde dichos datos LiDAR y aplicarla al inventario del stock de carbono total de fustes en un área relativamente extensa.

3. Metodología

Área de estudio.– Forma parte de la Tierra de Pinares segoviana, de aproximadamente

150.000 ha, la comarca más representativa del Gran Arenal de Castilla. La especie dominante en las áreas arboladas es pino negral (P. pinaster subsp. pinaster = P. mesogeensis), un bosque mediterráneo de interés comunitario (Pinares mediterráneos de pinos mesogeanos endémicos, código 9540; Ruiz Benito et al 2009). Existe también pino piñonero (P. pinea). El microclima del área es mediterráneo continental y relativamente seco (precipitación total anual de 450-550 mm). Los suelos son moderadamente ácidos o neutros, con alta proporción de arena, deficitarios en materia orgánica, pobres en nutrientes y con escaso desarrollo del perfil. Su crecimiento está entre los más bajos de las masas de esta especie en España (Rodríguez et al 2008). El aprovechamiento histórico ha sido intenso, siendo el tradicional actual moderado de resina y madera, entre otros recursos (Rodríguez Martínez 2003, JCL-Agresta 2008). Es un pinar de baja densidad (Figura 1) que pertenece al Grupo 9º de ordenación de la provincia de Segovia, constituido por los montes 105 (Sección 1ª a 3ª), 104 (Sección 4ª), y 106 (Sección 5ª) del Catálogo de Utilidad Pública. El Grupo 9º se encuentra situado en los términos municipales de Coca y Navas de Oro (entre 41º10’ N y 41º18’ N y entre 4º34’ W y 4º24’ W), y pertenecen a la Comunidad de Villa y Tierra de Coca y al Ayuntamiento de Coca (JCL-Agresta 2008). Según la revisión de ordenación, la forma principal de la masa es regular, con cortas de regeneración por aclareo sucesivo uniforme, un método de ordenación de tramos permanentes, un turno de 100 años y un periodo de aplicación de 25 años para los distintos tramos (que son cuatro; JCL-Agresta 2008). El área seleccionada para inventariar es la Sección 2ª, con una superficie de 1.741,12 ha (el 26,2% del la superficie total del Grupo 9º), que consta de tres cuarteles y un total de 48 tranzones. El Servicio Territorial de Medio Ambiente de Segovia de la Junta de Castilla y León suministró los límites georreferenciados de los montes y sus divisiones dasocráticas.

Selección de árboles.– En diciembre de 2012 se muestrearon árboles de diferentes

tamaños, representativos del rango de alturas existente en el monte. Su selección y número varía según la especie. En masas puras de P. pinaster, mediante un muestreo estratificado al azar de 161 árboles, distribuidos en 12 tranzones de cinco tipos diferentes de masa y tramos de ordenación y de edad creciente: latizal-tramo 4, fustal joven-tramo 4, fustal maduro-tramo 3, fustal maduro-tramo 2, y fustal maduro-tramo 1. En cada tipo se muestrearon tres tranzones

4/13

diferentes y al menos 10 árboles por tranzón en la Sección 2ª; para el tipo latizal, se muestrearon dos tranzones de la Sección 1ª y uno de la Sección 3ª (no existe latizal en la Sección 2ª; JCL-Agresta 2008). En masas puras de P. pinea, se seleccionaron aleatoriamente 33 árboles distribuidos en fustales y masas irregulares de tres tranzones de las Secciones 1ª y 4ª, y de una masa irregular adyacente a la Sección 1ª (no pertenece al Grupo 9º, pero es representativa del área por su origen por regeneración natural y situación). Todos los árboles fueron georreferenciados con un GPS.

Figura 1. Ortofoto de un área de pinar de la Sección 2ª. Fuente: PNOA (Instituto Geográfico Nacional).

Estimación del carbono almacenado en el fuste.– Se midieron en cada árbol las

siguientes variables directas: • H: altura total, en m. Se ha medido con una exactitud muy alta mediante una estación

total Leica modelo TC 307, que tiene correcciones automáticas de error de colimación, error de índice vertical, y corrección de inclinación; este método de campo se usa para evaluar estimaciones de LiDAR (por ejemplo, Andersen et al 2006). Usa un haz láser que mide H con extrema exactitud (3 mm + 2 ppm). Se ha usado la función “altura remota”, que determina la diferencia de cota entre la base del árbol y su ápice (punto inaccesible) a partir del ángulo cenital de ese punto (con una exactitud de la medida angular de 7 s) y de la distancia medida a un punto base situado en la vertical del punto inaccesible desde distancias al árbol inferiores a 100 m.

• D: diámetro con corteza a 1,30 m, en cm. Mediante una cinta diamétrica. • E: espesor de corteza a 1,30 m, en cm. Mediante dos medidas opuestas (E1 y E2)

mediante un calibrador de cortezas [E=(E1+E2)/2]. • DC: diámetro de copa, en m. Mediante dos medidas perpendiculares (DC1 y DC2) de la

proyección ortogonal sobre el suelo mediante una cinta métrica. Se estimaron para cada árbol las siguientes variables derivadas, mayoritariamente según

la metodología y datos de Burriel et al (2000-2004) e Ibàñez et al (2002): • AC: área de copa, en m2. AC=(π/2)×((DC1/2)2+(DC2/2)2) • V: volumen del fuste con corteza, en m3. V=π×(D/100)2×H×Kf; Kf=0,44.

5/13

• Vs: volumen del fuste sin corteza, en m3. Igual que V, sustituyendo D por Ds: diámetro normal sin corteza, en cm. Ds=D-2E.

• Vc: volumen de corteza, en m3. Vc=V-Vs. • Bs: biomasa del fuste sin corteza, en kg. Bs=Vs×δf ×103; δf =0,52 g cm-3 o 0,59 g cm-3

(para P. pinaster o P. pinea, respectivamente). • Bc: biomasa de corteza, en kg. Bc=Vc×δc×103; δc=0,31 cm-3 o 0,38 cm-3 (para P.

pinaster o P. pinea, respectivamente). • Cs: carbono almacenado en la biomasa del fuste sin corteza, en kg. Cs=Bs×CCf; siendo

CCf el contenido de carbono del fuste CCf=51,11% o 50,78% (para P. pinaster o P. pinea, respectivamente).

• Cc: carbono almacenado en la corteza, en kg. Cc=Bc×CCc; siendo CCc el contenido de carbono de la corteza CCc=53,41% o 53,05% (para P. pinaster o P. pinea, respectivamente).

• Ct: carbono almacenado en la biomasa del fuste con corteza, en kg. Ct=Cs+Cc. Modelos alométricos y tests estadísticos.– La relación entre algunas variables se ha

examinado mediante un sencillo modelo potencial Y=aXb. Este modelo está justificado por (a) la proporcionalidad de la tasa de crecimiento relativo de diferentes partes de los árboles, y en particular entre su altura, el diámetro del fuste y el carbono total almacenado en la biomasa del fuste (Niklas 1994, Enquist 2002), y (b) sus aplicaciones para evaluar el stock de carbono en los montes (por ejemplo, Montero et al 2005). El ajuste al modelo se ha realizado mediante regresión lineal, previa transformación de los datos [log (x+1) o log (y+1)]. Los modelos estudiados son los siguientes: H=aDb; Ct=aHb; y AC=aHb. Se ha realizado una evaluación de los modelos mediante indicadores convencionales, por el especial interés de algunos para los fines predictivos perseguidos. Además, se han examinado las diferencias interespecíficas entre los parámetros a y b de los modelos mediante el test t (Zar 2010). La comparación múltiple de medias de algunas variables se ha realizado mediante el test HSD de Tukey (p<0,05).

Adquisición y procesado de datos LiDAR.– El IGN facilitó los datos LiDAR (acrónimo

de Light Detection And Ranging) en archivos con formato LAS, sin clasificar y alturas elipsoidales del sistema de referencia geodésico ETRS89, adquiridos en 2010 en un vuelo del PNOA. El LiDAR es un sensor activo que emite pulsos láser y registra la altura de los ecos de estos pulsos tras interceptar el terreno o la vegetación como coordenadas de una nube de puntos. El sensor aerotransportado usado por el PNOA es el modelo ALS 60 de Leica. El sensor escanea en líneas paralelas de 2 km de ancho con un solapamiento transversal del 15%, un ángulo máximo de 50º, una frecuencia minima de escaneado de 70 Hz, y una frecuencia de pulsos de 45 kHz. Registra hasta cuatro ecos por pulso, con una densidad nominal promedio de ecos iniciales de 0,5 m-2 (que implica una distancia entre puntos ≤1,41 m), y con un error típico de estimación (ETE) altimétrica ≤0,20 m en la nube de puntos.

El procesado de los datos de ecos del LiDAR (más de 34×106) ha sido convencional,

mediante clasificación automática de los puntos en ecos de suelo y de otras superficies, con una cuidadosa verificación y comprobación con ortofotos digitales. del PNOA (tamaño de píxel de 0,25 m, georreferenciadas también con el sistema ETRS89). Se han construido modelos digitales del terreno de alta resolución espacial, y tras un alisado se define el nivel de la superficie del suelo. Esto permite estimar las alturas de los ecos de vegetación. Se usa una malla multivariable que almacena los registros de los ecos en un Sistema de Gestión de Base

6/13

de Datos Geográficas (SGBDG). La selección y filtrado de los datos del SGBDG se realiza mediante un postproceso que, con los criterios que se especifiquen, permite la extracción de diferentes variables derivadas y su representación cartográfica o síntesis en tablas de resultados.

. Se estableció sobre el área de estudio una malla regular con celdas de 5 x 5 m. En cada

celda se estimó el número total de ecos (Et); el número de ecos de suelo (Es); el número de ecos del dosel arbóreo (>3 m; Ea); y la altura del árbol (HL), considerada la altura máxima de la superficie de la copa calculada como el percentil-99 (P99) de la distribución de valores de altura de todos los ecos de las celdas con Ea>0. El número de árboles (N) se ha estimado como el número de celdas que superan un umbral de densidad del dosel arbóreo determinado empíricamente para el área de estudio. La estructura vertical y densidad de la vegetación, dependientes del volumen y biomasa del dosel, condicionan la penetración de los pulsos láser y están relacionados con el cociente Ps=Es/Et (Nelson et al 1988, Ahokas et al 2011). El umbral usado es Ps=0,33, determinado en un tranzón con una superficie de 33,5 ha y más de 4.000 árboles registrados por conteo manual en la ortofoto digital, y cuyo valor de N estimado es el 98,9% del valor de N observado.

Calibración de datos LiDAR y estimación de densidad de carbono.– La calibración de

HL con H se ha realizado mediante ajuste por regresión lineal según el modelo HL=b0+b1H [Ecuación 1], previa transformación logarítmica de ambas variables. Se desecharon los datos de aquellos árboles con errores de georreferenciación o estimación de HL por su tamaño u otras circunstancias. La generalización de las estimación de H al área a inventariar se ha realizado por un método indirecto. La generalización estima el valor de H desde HL de todos los árboles de la Sección 2ª mediante regresión inversa de la Ecuación 1: H=(HL+b0)/b1 [Ecuación 2] (Neter et al 1989); después se aplica el modelo Ct=aHb para generalizar a todos los árboles. Considerando la superficie de la celda (25 m2), Ct (kg árbol-1) se convierte en densidad de carbono de fustes (DCt; en Mg C ha-1), que se utiliza para cartografíar la variabilidad de DCt con una alta resolución espacial. Debido a la baja proporción de P. pinea, en general en masas mixtas, y considerando que es una estimación preliminar, el modelo aplicado a todos los árboles es el construido para P. pinaster.

4. Resultados La Figura 2 ilustra los valores medios de altura y carbono en los árboles medidos en campo. Aunque su finalidad es meramente descriptiva de la muestra, refleja la variabilidad estructural de las masas originada por las diferencias individuales en altura y acumulación de carbono resultantes de la aplicación del método de ordenación, y es representativa del monte a nivel local. La Figura 3 y la Tabla 1 muestran los modelos alométricos construidos para las variables y los indicadores de su evaluación. Las predicciones de H, Ct y AC desde otros variables son muy precisas en todos los casos (R2 entre 0,79 y 0,96). Más interesante aún es la alta exactitud de los modelos, ya que todos tienen un error típico de estimación (ETE) muy bajo, lo que indica su notable potencia predictiva (bajo sesgo de estimación de las variables dependientes).

Por otra parte, existen diferencias significativas en todos los modelos entre las especies de pino. Para un mismo crecimiento diametral, P. pinaster crece significativamente más en altura que P. pinea. Si se dobla el diámetro, la altura de P. pinaster se multiplica por 1,7 mientras que la de P. pinea por 1,5. Para un mismo crecimiento en altura, sin embargo, P.

7/13

pinea acumula significativamente mucho más carbono en su fuste que P. pinaster. Si se dobla la altura, en promedio el carbono en el fuste de P. pinea aumenta un 37% más (alrededor de 16 veces más carbono) que el de P. pinaster (que aumenta unas 12 veces). Las diferencias relativas se incrementan con el área de copa. Si se duplica la altura, el área de copa P. pinea se multiplica por 6, mientras que el área de copa de P. pinaster solo se multiplica por 3,6.

(a)

ed

c

b

a

0

5

10

15

20

25

1 2 3 4 5

Z (m

)

(b)

dc c

b

a

0

50

100

150

200

250

300

350

400

450

500

1 2 3 4 5

C (k

g)

Figura 2. Valores medios para los árboles estudiados de P. pinaster de (a) altura del árbol (H; en la figura designado como Z), y (b) carbono por árbol (Ct; designado como C) ordenados según diferentes tipos de masas: latizal-

tramo 4 (1), fustal joven-tramo 4 (2), fustal maduro-tramo 3 (3), fustal maduro-tramo 2 (4), y fustal maduro-tramo 1 (5). Las barras expresan el error estándar y letras diferentes reflejan diferencias estadísticamente significativas.

La Figura 4a muestra el modelo de calibración realizado entre la altura estimada con

LiDAR y medida en los árboles. La ecuación tras la regresión inversa es H=(HL+0,961)/0,987; presenta una precisión relativamente alta (R2=0,85) y un sesgo relativamente bajo (ETE=1,192 m). Como se aprecia en la Figura 4b, predomina la subestimación de la altura mediante LiDAR, y en los árboles menores de 15 m existe una mayor error de estimación.

La Figura 5 ilustra la variación de la densidad de carbono estimada en un tranzón. La

densidad de carbono en los tranzones varía entre 3,4 Mg C ha-1 y 48,4 Mg C ha-1, siendo 44.609 Mg C el stock total en la biomasa de fustes de la Sección 2ª (equivalente a un efecto sumidero de más de 160.000 toneladas de CO2). 5. Discusión

Las diferencias interespecíficas en la arquitectura del árbol tienen un significado adaptativo (Enquist 2002; Niklas & Spatz 2004) y están relacionadas con patrones específicos de acumulación de carbono en el fuste (Fig. 3). La magnitud de las diferencias registradas depende probablemente de respuestas de crecimiento en un ambiente poco favorable y con una baja densidad de árboles, en parte resultante de las intervenciones de gestión por aclareo. Un mayor crecimiento en altura en P. pinaster que en P. pinea para el mismo crecimiento en diámetro (Fig. 3a) se ha descrito también con otros modelos similares basados en datos del Inventario Forestal Nacional (Lianes 2010). Según estos modelos, la mayor temperatura y menor disponibilidad de agua se asocia a especies con valores de b menores en las ecuaciones alométricas. En este sentido, la conocida xerofilia de ambas especies de pinos aparece vinculada a una diferente distribución vertical del carbono. El carbono acumulado en el fuste

8/13

para una misma altura es mayor en P. pinea que en P. pinaster (Fig. 3b), lo que sugiere una asignación resultante del crecimiento del árbol en un ambiente abierto, con baja competencia por los recursos, en especial por la luz.

(a)

(b)

(c)

Figura 3. Relaciones alométricas para P. pinaster (PR) y P. pinea (PP) entre (a) altura del árbol (H; en la figura designado como Z) y su diámetro (D; designado como DCC); (b) carbono por árbol (Ct; designado como C) y H; y (c) área de copa

(AC) y H. Las líneas expresan los modelos ajustados para cada especie, con símbolos grises para PP y blancos para PR (ver Tabla 1).

Tabla 1. Ecuaciones de los modelos alométricos (Y=aXb) para diferentes variables de dos especies de pino (ver Figura 3).

Para cada modelo se indica el coeficiente de determinación (R2), su significación (p) y el error típico de la estimación (ETE). Se indica las diferencias significativas en los parámetros de cada ecuación (a y b) entre ambas especies (“sig. a” y

“sig .b”) se indican mediante letras diferentes (test t, P<0,05).

Ecuación R2 p ETE sig. a

sig. b

P. pinaster H=1,006D0,75 0,924 <0,0001 0,135 m b a P. pinea H=1,279D0,619 0,895 <0,0001 0,175 m a b P. pinaster Ct=0,0087H3,556 0,958 <0,0001 0,406 kg C a b P. pinea Ct=0,0066H4,007 0,933 <0,0001 0,710 kg C a a P. pinaster AC=0,173H1,835 0,832 <0,0001 0,459 m2 a b

9/13

(a)

(b)

Figura 4. Relación entre (a) altura de los árboles medida (H) y la estimada con LiDAR (HL), La línea expresa el modelo de calibración; (b) desviación entre los valores de altura medidos y estimados respecto a los primeros.

Otra forma de expresarlo es que la tolerancia de ambas especies a condiciones

abióticas adversas o extremas, se refleja en diferencias en la arquitectura y acumulación de carbono, que permiten su coincidencia o coexistencia en el mismo tipo de hábitat, y que es compatible con otras estrategias ecológicas o reproductivas en las que difieren. En este sentido, el porte aparasolado que da la copa de P. pinea, es coherente con una expansión mayor de la misma que en P. pinaster para el mismo crecimiento relativo en altura (Fig. 3c), un cambio que es paralelo al de asignación de carbono al fuste. Ambos patrones alométricos son de mayor magnitud y convergentes, y las diferencias en la relación H-D, cuyo patrón es inverso (mayor b, que significa mayor crecimiento relativo en altura para el mismo crecimiento diametral de P. pinea que en P. pinaster) es coherente con las diferencias de asignación de carbono. Por otra parte, la mayor densidad de la madera de P. pinea (Burriel et al 2000-2004) podría justificar la mayor estabilidad mecánica necesaria en el fuste de árboles adultos para soportar su copa más expandida (King 1991, Anten & Schieving 2010; pero ver Niklas & Spatz 2004).

P. pinea AC=0,059H2,589 0,875 <0,0001 0,589 m2 b a

10/13

Figura 5. Mapa de densidad de carbono (Mg C ha-1) correspondiente a un tranzón con una masa de fustal maduro de P. pinaster del tramo 1 del cuartel A (Sección 2ª del Grupo 9º de ordenación de la provincia de Segovia). Las áreas en

blanco corresponden a espacios sin árboles (DCt=0). Los resultados expresan la necesidad de profundizar en investigaciones de

teledetección aplicadas a evaluar el papel de sumidero de los ecosistemas forestales en España (Pardos 2010). Aunque diseñados para fines de investigación, existen otros estudios empíricos interesantes en diferentes ecosistemas forestales en España que han usado datos LiDAR de vuelos realizados ad hoc (por ejemplo, García et al 2010 y Gonçalves-Seco et al 2011).

La estimación de la variabilidad de la densidad de carbono y del stock total realizadas

son una primera aproximación. Indican la viabilidad de realización de inventarios exhaustivos de carbono de alta resolución espacial en ecosistemas forestales con baja densidad de pies, comunes en España, como montes huecos y dehesas de especies planoesclerófilas. Se basan en modelos alométricos de alta calidad, aunque existe una subestimación al no haberse discriminado entre especies de pino (por la superficie estudiada y la menor abundancia de P. pinea no es relevante; JCL-Agresta 2008). El modelo de calibración ofrece estimaciones razonables, pero se requiere profundizar en los algoritmos de estimación de número de pies y de altura del árbol, para obtener predicciones más exactas y con menor varianza, revisar el modelo y realizar una validación del mismo en diferentes tipos de masas de pinar. Por otra parte, puede existir un error no sistemático, debido a diferencias de crecimiento, en especial en los tranzones con fustal joven (tramo 4), ya que la fecha de adquisición de datos LiDAR es más de dos años anterior a la medida de campo. La altura de los árboles más bajos (en

11/13

particular los menores de 9-12 m en 2012) puede estar subestimada, debido a su crecimiento apreciable desde 2010, lo que explicaría en parte los errores de estimación para ese tamaño (Fig. 4b). Una fuente de error para estos árboles procede también de la mayor probabilidad de errores de georreferenciación y menor probabilidad de ecos por su tamaño debido a la baja densidad de pulsos.

6. Conclusiones

Este trabajo es una primera aproximación para extraer datos de interés forestal desde

datos LiDAR de baja densidad de pulsos e inventariar el carbono en la biomasa aérea leñosa. Sin embargo, se puede concluir lo siguiente:

• Los datos LiDAR de baja densidad de pulsos permiten estimar de forma exhaustiva (en

toda la superficie) la variabilidad en la densidad de pies y altura del dosel arbóreo, con un esfuerzo de muestreo de campo muy bajo.

• Existen diferencias significativas entre P. pinaster y P. pinea en los patrones de acumulación de carbono en el fuste, relevantes para inventariar correctamente el stock de carbono usando datos LiDAR en masas con igual altura y densidad de árboles.

• La variabilidad espacial en la densidad de carbono estimada desde datos LiDAR refleja adecuadamente diferencias en la estructura y densidad de masas de pinos de baja espesura, dependientes de su gestión y edad. En la superficie arbolada del área de estudio varía entre 3,4 Mg C ha-1 y 48,4 Mg C ha-1, siendo 44.609 Mg C el stock total en la biomasa de fustes de la Sección 2ª.

7. Agradecimientos

Esta investigación se ha realizado gracias a una ayuda del Ministerio de Agricultura,

Alimentación y Medio Ambiente a la Fundación Matrix para desarrollar el ‘Programa de Conservación y gestión sostenible de bosques autóctonos: prioridades ecosistémicas estratégicas y ante el cambio climático’. Juan Carlos Ojeda (IGN) y Agustín Cabria (Centro Nacional de Información Geográfica) facilitaron muy amablemente los datos LiDAR del área de estudio. José Ángel Arranz y María Bragado (Dirección General de Medio Natural y Servicio Territorial de Medio Ambiente de Segovia, de la Junta de Castilla y León), y Juan Carlos Álvarez Cabrero (Comunidad de Villa y Tierra y Ayuntamiento de Coca), facilitaron valiosa información de referencia y apoyo institucional.

8. Bibliografía

AHOKAS, E.; HYYPPÄ, J.; YU, X.; HOLOPAINEN, M.; 2011. Transmittance of Airborne Laser Scanning Pulses for Boreal Forest Elevation Modeling. Remote Sens. 3: 1365-1379. ANDERSEN, H.E.; REUTEBUCH, S.E.; MCGAUGHEY, R.J.; 2006. A rigorous assessment of tree height measurements obtained using airborne lidar and conventional field methods. Can. J. Remote Sens. 32: 355-366. ANTEN, N.P.R.; SCHIEVING F., 2010. The Role of Wood Mass Density and Mechanical Constraints in the Economy of Tree Architecture. Am. Nat. 175: 250-260.

12/13

BOMBÍN, R.V.; 2005. Metodologías del Inventario Forestal Nacional en España. Actas del 5º Congresso Florestal Nacional de la Sociedade Portuguesa de Ciências Florestais, Viseu, 16-19 de mayo de 2005. 10 pp. BRAVO, F.; DELGADO, J.A.; GALLARDO, J.F.; BRAVO-OVIEDO, A.; RUIZ-PEINADO, R.; MERINO, A.; MONTERO, G.; CÁMARA, A.; NAVARRO, R.; ORDÓÑEZ, C.; CANGA, E.; 2007. Métodos para cuantificar la fijación de CO2 en los sistemas forestales. En: Bravo, F. (coord.): El papel de los bosques españoles en la mitigación del cambio climático. 65-112. Fundación Gas Natural. Barcelona. BURRIEL, J.A.; GRACIA, C.; IBÀÑEZ, J.J.; MATA, T.; VAYREDA, J.; 2000-2004. Inventari Ecològic i Forestal de Catalunya. CREAF. Barcelona. CMA; 2004. Manual de Ordenación de Montes de Andalucía. Consejería de Medio Ambiente (CMA), Junta de Andalucía. Sevilla. ENQUIST, B.J.; 2002. Universal scaling in tree and vascular plant allometry: toward a general quantitative theory linking plant form and function from cells to ecosystems. Tree Physiol. 22: 1045–1064. FALLAH VAZIRABAD, Y.; KARSLIOGLU, M.O.; 2011. Lidar for Biomass Estimation. En: Matovic, D. (ed.): Biomass Detection, Production and Usage. 1-26. InTech. Disponible en: http://www.intechopen.com/articles/show/t-tle/lidar-for-biomass-estimation GARCÍA, M.; RIAÑO D.; CHUVIECO, E.; DANSON, F.M.; 2010. Estimating biomass carbon stocks for a Mediterranean forest in central Spain using LiDAR height and intensity data. Remote Sens. Environ. 114: 816-830. GONÇALVES-SECO, L.; GONZÁLEZ-FERREIRO, E.; DIÉGUEZ-ARANDA, U.; FRAGA-BUGALLO, B.; CRECENTE, R.; MIRANDA, D.; 2011. Assessing the attributes of high-density Eucalyptus globulus stands using airborne laser scanner data. Int. J. Remote Sens. 32: 9821-9841. GONZÁLEZ-ALONSO, F.; CALLE MONTES, A.; MERINO DE MIGUEL, S.; CUEVAS GOZALO, J.M.; GARCÍA GIGORRO, S.; ROLDÁN ZAMARRÓN, A.; 2005. Teledetección y sumideros de carbono. Cuad. Soc. Esp. Cienc. For. 19: 117-121. IBÀÑEZ, J.J.; VAYREDA, J.; GRACIA, C.; 2002. Metodología complementaria al Inventario Forestal Nacional en Catalunya. En: Bravo, F., del Río, M. y del Peso, C. (eds.): El Inventario Forestal Nacional: elemento clave para la gestión forestal sostenible. 67-77. Fundación General de la UVA. Valladolid. JCL-AGRESTA; 2008. Revisión de la Ordenación del Grupo de Montes 9º de la provincia de Segovia. Servicio Territorial de Medio Ambiente de Segovia, Consejería de Fomento y Medio Ambiente, Junta de Castilla y León (JCL)-Agresta. KING, D.A.; 1991. Tree allometry, leaf size and adult tree size in old-groth forests of western Oregon. Tree Physiol. 9: 369-381.

13/13

LIANES, E.; 2010. Allometry of Spanish canopy tree species is related to wood density, shade tolerance and climate. Tesis de Máster ‘Forest and Nature Conservation’, Universidad de Wageningen. MONTERO, G.; RUIZ-PEINADO, R.; MUÑOZ, M.; 2005. Producción de biomasa y fijación de CO2 por los bosques españoles. Instituto Nacional de Investigación y Tecnología Agraria y Alimentaria. Monografías INIA. Ser. For. 13. Madrid. NELSON, R.; KRABILL, W.; TONELLI, J.; 1988. Estimating forest biomass and volume using airborne laser data. Remote Sens. Environ. 24: 247-267. NETER, J.; WASSERMAN, W.; KUTNER, M.; 1989. Applied Linear Regression Models. Richard D. Irwin. Boston. NIKLAS, K.J.; 1994. Plant Allometry: The Scaling of Form and Process. University of Chicago Press. Chicago. NIKLAS, K.J.; SPATZ, H.C.; 2004. Growth and hydraulic (not mechanical) constraints govern the scaling of tree height and mass. Proc. Natl. Acad. Sci. USA 101: 15661–15663. PARDOS, J.A.; 2010. Los ecosistemas forestales y el secuestro de carbono ante el calentamiento global. Instituto Nacional de Investigación y Tecnología Agraria y Alimentaria. Monografías INIA. Ser. For. 20. Madrid. PENMAN, J.; GYTARTSKY, M.; HIRAISHI, T.; KRUG, T.; KRUGER, D.; PIPATTI, R.; BUENDIA, L.; MIWA, K.; NGARA, T.; TANABE, K.; WAGNER, F.; 2003. Good Practice Guidance For Land Use, Land-Use Change and Forestry, Intergovernmental Panel on Climate Change National Greenhouse Gas Inventories Programme. Institute for Global Environmental Strategies. Kanagawa. RODRÍGUEZ, R.J.; SERRADA, R.; LUCAS, J.A.; ALEJANO, R.; DEL RÍO, M.; TORRES, E.; CANTERO, A.; 2008. Selvicultura de Pinus pinaster Ait. subsp. mesogeensis. En: Serrada, R., Montero, G., Reque, J.A. (eds.): Compendio de selvicultura aplicada en España. 399-430. INIA. Madrid. RODRÍGUEZ MARTÍNEZ, F.; 2003. Ordenanzas de la Villa y Tierra de Coca (1583). Comunidad de Villa y Tierra de Coca. 149 pp. Coca. RUIZ BENITO, P.; ÁLVAREZ-URIA, P.; ZAVALA, M.A.; 2009. 9540 - Pinares mediterráneos de pinos mesogeanos endémicos. En: VV.AA.: Bases ecológicas preliminares para la conservación de los tipos de hábitat de interés comunitario en España. 1-112. Ministerio de Medio Ambiente, y Medio Rural y Marino. Madrid. ZAR, J.H.; 2010. Biostatistical Analysis, 5th Edition. Pearson Prentice-Hall. Upper Saddle River. ZOLKOS, S.G.; GOETZ, S.J.; DUBAYAH, R.; 2013. A meta-analysis of terrestrial aboveground biomass estimation using lidar remote sensing. Remote Sens. Environ. 128: 289–298.