6
7
ISSN 2477-9105
Número 32 Vol.1 (2024)
Esmaon of Pinus radiata D. DON tree heights in San Juan, Chimborazo, using
unmanned aerial vehicles
Escuela Superior Politécnica de Chimborazo, Facultad de Recursos Naturales, Escuela de Ingeniería Forestal, Riobamba, Ecuador.
*marcelo.remache@espoch.edu.ec
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 converdo en disposivos con una amplia variedad de funciones
con facilidad de manejo. La presente invesgación 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 invesgación el equipo de medición
ulizado fue el clinómetro digital haglof y con un distanciómetro marca Leica D5 se midió la distancia del punto del observador
al árbol se ulizó 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 coecientes no son estadíscamente signicavos, por lo que
no se puede armar con conanza que tenga un efecto real en la variable dependiente (DIFERENCIA DE MEDICIONES) en
función de los datos y el nivel de signicancia seleccionado.
Palabras claves: Plantación, Clinómetro, RTK, Drones, Altura.
The evoluon of technology has made possible its applicaon in the forestry sector. Manned aircra known as drones have
had a growing incidence and drones have become devices with a wide variety of funcons with ease of use. The present
invesgaon was developed in a forest plantaon located in the San Juan parish, Riobamba canton, province of Chimborazo.
We chose 15 trees in the young stand (6 years old) and 15 trees in the adult stand (25 years old) which were randomly
selected from the enre research area. The measuring equipment used was a Haglof digital clinometer and a Leica D5
distance meter to measure the distance from the observer's point to the tree; a Mavic Air 2 drone and a Trimble RTK staon
were used to take 5 control points considering the irregularies of the terrain. Finally, the results of the coecients are not
stascally signicant, so it cannot be stated with condence that it has a real eect on the dependent variable (DIFFERENCE
OF MEASUREMENTS) based on the data and the signicance level selected.
Keywords: Plantaon, Clinometer, RTK, Drones, Height.
RESUMEN
ABSTRACT
ESTIMACIÓN DE ALTURAS DE PINUS RADIATA D. DON EN
SAN JUAN, CHIMBORAZO, USANDO VEHÍCULOS AÉREOS NO
TRIPULADOS
ISSN 2477-9105
Número 32 Vol.1 (2024)
Fecha de recepción: 11-10-2023 / Fecha de aceptación: 19-11-2023 / Fecha de Publicación: 20-07-2024
DOI: hps://doi.org/10.47187/perf.v1i32.276
iD
Fabián Marcelo Remache Reinoso *
iD
Norma Ximena Lara Vásconez
iD
Eduardo Antonio Muñoz Jácome
iD
Shirley Dayana Horna Durán
iD
Diego Francisco Cushquicullma Colcha
6
7
Esmación de alturas de Pinus radiata D. DON en San Juan,
Chimborazo, usando vehículos aéreos no tripulados
Remache, Horna, Lara, Cushquicullma, Muñoz.
Tradicionalmente, los inventarios forestales
se diseñaban para cubrir las necesidades de
información relacionadas con la tala. En muchos
países, estos datos se recogen en parcelas de
muestreo para inferir sobre la población forestal.
Según (1), estas parcelas pueden ser de forma
circular, rectangular o lineal, y varían en tamaño
desde los 100 m² hasta los 800 m², dependiendo
de los objevos básicos del levantamiento (2).
La altura (H) y el diámetro a la altura del pecho
(DAP) son los parámetros más importantes
medidos en un inventario con nes comerciales
(3). Actualmente, estos datos se obenen de la
manera tradicional, mediante salidas al campo
con un equipo capacitado, lo que requiere
mano de obra, costos y empo. Se necesitan
nuevos métodos que sean ecaces y ecientes,
y que permitan obtener información detallada
y actualizada, caracterizando la estructura y los
componentes del bosque (4). A medida que la
demanda de inventarios forestales connúa
aumentando en un contexto de recursos
nancieros reducidos, las tecnologías de
teledetección desempeñan un papel cada vez
más importante (5). Aunque existen diferentes
satélites que permiten obtener datos relevantes
sobre un bosque, cuando se requieren datos
biométricos con alta precisión es necesario
ulizar otros equipos, como el LiDAR (Light
Detecon and Ranging). Sin embargo, el uso de
esta tecnología está limitado debido a sus altos
costos (6).
La fotogrametría digital ha evolucionado
rápidamente en los úlmos años, con la
disponibilidad de soware que uliza algoritmos
soscados para el procesamiento y extracción
de datos (7). Estos algoritmos comienzan con
la extracción automáca de puntos clave en
las imágenes, los cuales son idencados y
emparejados entre sí. Posteriormente, se
realizan ajustes de paquetes para calcular
simultáneamente los parámetros de la cámara y
generar un nuevo conjunto de puntos en 3D (8).
La compresión de las dinámicas de las masas
forestales es fundamental para su correcta
gesón y ordenación, en ocasiones no basta con
un inventario cualitavo, siendo necesaria una
valoración cuantava, mediante la esmación
de variables dasométricas (9).
I. INTRODUCCIÓN
(10) menciona que el inventario forestal es el
método más usado para medir y registrar los
datos del bosque, el procesamiento de los datos
obtenidos permite obtener información de
candad y calidad del arbolado, el procesamiento
de los datos obtenidos permite obtener
información candad y calidad del arbolado,
todas estas caracteríscas requeridas para un
inventario, generan problemas para evaluar una
supercie forestal de grandes extensiones, no
siempre se cuenta con los elementos necesarios
para llevar a cabo; según (11) la forma de la
distribución de las muestras es en gran parte del
éxito del inventario forestal. Los drones se están
ulizando para vigilar el estado de la sequía en los
bosque y áreas naturales (12). Las aplicaciones
RPAS, tal como la fotogrametría y topograa
están plenamente operavas, consiguiendo un
gran ahorro de empo y costos reduciendo los
riesgos personales escenarios de acceso dicil o
peligroso (13). El marcado avance en la tecnología
y la disminución en los costos de adquisición ha
permido el uso de drones en el ámbito civil
lo que se espera tenga grandes benecios a la
sociedad (14).
Otro problema ligado al tamaño de muestra
son los altos costos del muestreo, ya que
pequeños incrementos en precisión lo elevan
considerablemente. Actualmente los vehículos
aéreos no tripulados o también conocidos
como drones han generado mucho interés por
sus múlples aplicaciones (15). Así como usos
y tendencias de los VANT en los principales
estudios ciencos forestales favorecerá a
potencializar los alcances en ciertas líneas de
invesgación forestal (16). Además, los costos y el
conocimiento requerido para su implementación
han disminuido constantemente debido a los
avances rápidos en el desarrollo de unicación
de hardware y soware (17). Por ejemplo, los
drones pueden ofrecer imágenes de alta calidad
y alta resolución en días nublados (18).
Mediante técnicas de procesamiento
fotogramétricos AP-navegan, como la estructura
de los algoritmos de movimiento, los vehículos
aéreos no tripulados (drones) permiten
una adquisición de datos hipertemporal e
hiperespacial de nubes de puntos 3D (19). Por
lo tanto, los drones han demostrado ser valiosas
plataformas para las cámaras métricas, que
permiten crear nubes de puntos fotogramétricos
a través de la estructura de la técnica de
movimiento de montaje; de tal manera se
8
9
ISSN 2477-9105
Número 32 Vol.1 (2024)
La presente invesgación se desarrolló en una
plantación forestal ubicada en la parroquia San
Juan, cantón Riobamba, provincia de Chimborazo.
La ubicación geográca es 9 819 065 Norte, 749
464 Este (UTM, Zona 17S, Datum WGS84) y a una
altud de 3 268 msnm. La temperatura promedio
anual es de 12°C, precipitación promedio anual
de 800-1000 mm, velocidad del viento 3,4 Km/h.
Corresponde a Bosque húmedo montano. Suelo
franco – arenoso, topograa con pendientes
irregulares hasta el 40%.
Mediante un reconocimiento de la plantación
por los 2 rodales coetáneos, se ubicaron y
georreferenciaron árboles a ser objeto de
II. MATERIAL Y MÉTODOS
Figura 1. Mapa zonicación del área de estudio.
puede generar ortofotos, modelos e imágenes
3D con alta resolución. Actualmente se han
hecho estudios recientes que han demostrado la
capacidad de los drones, usados en los inventarios
forestales (20) un ejemplo de un estudio hecho en
frailejones en Carchi para la esmación de alturas
(21). Los drones pueden ofrecer imágenes de alta
calidad y alta resolución en días nublados (22).
Gracias a estas herramientas se pueden
caracterizar de manera eciente en escalas de
cenmetros los diferentes estratos forestales (23).
Las grandes candades de datos recopilados por
los vehículos aéreos no tripulados equipados con
sensores a bordo pueden ayudar a proporcionar
información (24). El objevo del presente trabajo
fue evaluar la capacidad de las nuevas tecnologías
fotogramétricas para la esmación de una de las
variables dasométricas forestales de un inventario
en rodales sin manejo, con vehículos aéreos no
tripulados (drones).
medición generando un mapa con el Soware
ArcGIS 10.6.1. 2.1 (Figura 1).
Acvidades previas para la recolección de datos
Durante la implementación del experimento,
se podaron árboles para asegurar una mejor
movilidad del equipo, eliminando obstáculos
durante su uso con los diferentes pos de Dron.
Luego, cada uno de los árboles fue marcado con
una franja de spray de color rojo a la altura del
pecho (1,30 m). Esta marca permite una mayor
visualización de la nube de puntos generada
durante el procesamiento por un soware
especíco.
Medición de alturas
En este estudio se midió la altura total de una
muestra de 30 árboles tomando como referencia
el estudio realizado por (25). Se escogieron 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 invesgación. El equipo de medición
ulizado fue el clinómetro digital haglof y con
un distanciómetro marca Leica D5 se midió la
distancia del punto del observador al árbol.
Obtención de imágenes de dron y puntos de
control
Para las fotograas se ulizó el dron Mavic Air
2, del cual las caracteríscas son: cámara de 48
megapíxeles en fotograa, resolución de video
4k, distancia de vuelo 6 km, empo de vuelo
20 min, con una estación RTK de marca Trimble
se tomó 5 puntos de control considerando las
irregularidades del terreno.
Planicación y ejecución del vuelo con UAV
La planicación del vuelo se lo realizó mediante
la aplicación Dronelink. Para la planicación
se consideró una altura de 90 metros, que
proporcionó un tamaño de pixel 2.77 cm y un
traslape vercal y horizontal del 80% entre
fotograas. El vuelo tuvo un empo de duración
de 10:08 minutos, cubrió aproximadamente 1
hectárea y se ulizó una batería. El resultado nal
del vuelo generó 120 fotograas.
Puntos de control en erra – GCP
Los puntos de control terrestre son ubicaciones
8
9
Esmación de alturas de Pinus radiata D. DON en San Juan,
Chimborazo, usando vehículos aéreos no tripulados
Remache, Horna, Lara, Cushquicullma, Muñoz.
Esmación de alturas de árboles
Para el cálculo de las alturas de árboles de pino
se ulizó la metodología propuesta por (27) en
cuanto a la diferencia del DSM y DTM. A través de
la información proporcionada por el DSM y DTM,
se realizó el siguiente procedimiento en Arcgis:
1.- Se idencó los árboles de pino medidos
en campo, y se los señalo mediante un archivo
shapele po “punto”.
2. Se ulizó la herramienta “Extract Mul Values
Figura 2. Mapa del censo forestal con fotograa de dron y
procesamiento SIG para rodales 1 y 2.
especícas en el área de interés que enen
coordenadas conocidas. Estos puntos se
establecen principalmente para proporcionar
información valiosa en los procesos de
georreferenciación de objetos o fenómenos
espaciales, según las necesidades y caracteríscas
de cada proyecto (26).
Para obtener las coordenadas geográcas se
emplearon tres unidades receptoras GNSS
(Sistema Global de Navegación por Satélite) L1/
L2 de doble frecuencia. Un receptor GNSS se
usa como base durante 4 horas de adquisición,
mientras que los otros dos funcionan como
receptores móviles (hover), con un empo de
adquisición de 15 minutos, y se distribuyen en
cada vérce. La base se colocó a 60 metros de la
posición de la unidad móvil.
Validación
Para la comparación o validación de los datos
del dron se realizó un muestreo simple al azar,
seleccionando una muestra de n=15 árboles/
rodal del censo del procesamiento de las
imágenes con dron (Figura 2). Físicamente se fue
a cada rodal para medir alturas totales (m) para la
comprobación.
to points” ubicada en la caja de herramientas
“ArcToolBox”. En el cuadro de diálogo de la
herramienta se insertó el archivo shapele, y
los 2 archivos ráster (DSM y DTM) (Figura 2).
Esta herramienta permite obtener las altudes
correspondientes a ese punto, obteniéndolas del
DSM y del DTM.
3. Finalmente, en la tabla de atributos del
shapele se creó un nuevo campo, donde,
mediante el uso de la calculadora de campo, se
restó los valores obtenidos del DSM y del DMT.
Este valor, producto de la resta entre la altud del
DSM y DTM (en unidades de metros sobre el nivel
del mar –msnm-), es la altura del árbol.
Validación del modelo digital con las alturas
medidas en campo
Para la validación de las alturas obtenidas en el
modelo digital se realizó en el soware RStudio,
siguiendo la metodología de (28)
1. Herramienta “Extract Mul Values to Points”.
Figura 26. Izq: DSM. Der: DTM. 56 1. Se escogieron
80 plantas de forma aleatoria para realizar una
regresión lineal entre las alturas en campo y
las generadas en el modelo, con la nalidad de
obtener una ecuación que permita obtener los
valores predichos de altura.
2. Se realizó una gráca entre valores ajustados
y residuos estandarizados de la regresión lineal
para analizar la presencia de valores apicos en
el conjunto de datos. Los valores apicos fueron
eliminados y se realizó una nueva regresión lineal
para obtener la ecuación. El conjunto de datos fue
evaluado nuevamente con la gráca de valores
ajustados y residuos estandarizados.
3. La ecuación obtenida fue aplicada en las 20
plantas restantes, ulizando la información
de alturas del modelo digital. A parr de los
resultados obtenidos de alturas predichas
de estas 20 plantas, y usando sus respecvas
alturas obtenidas en campo, se calculó la Raíz
del Error Cuadráco Medio (RMSE), el cual es un
parámetro que permite medir el error existente
entre 2 conjuntos de datos
4. Se ulizó las pruebas de Shapiro – Wilk,
Kolmogorov y Jarque Bera para evaluar la
normalidad de los residuales de la regresión.
Si el valor de signicancia (p) es menor a 0.05
(conanza del 95%), signicará que los residuales
10
11
ISSN 2477-9105
Número 32 Vol.1 (2024)
Tabla 1. Prueba de muestra única.
III. RESULTADOS Y DISCUSIÓN
no poseen una distribución normal, y que los
parámetros del modelo no son exactos.
5. Además, mediante un análisis de la gráca
resultante entre los residuales y los valores
ajustados de la regresión se evaluó la hipótesis
de homocedascidad.
Obtención del procesamiento de imágenes y
generación de DTM.
Como resultados del procesamiento de imágenes
en el soware Pix4D se obtuvo la ortofotograa
del área de estudio, la cual fue cargada en ArcGIS
10.6.1 con la idencación de los puntos de
control y de la muestra de 41 árboles de Pinus
radiata D. DON medidos en campo. Además,
mediante el procesamiento de las fotograas
aéreas se obtuvo el DSM (Figura 4) y a parr de
los puntos topográcos en campo el DTM (Figura
3) (29).
El valor de p obtenido es 0,049 (Tabla 1) que indica
que el resultado es estadíscamente signicavo
que indica que las diferencias observadas o
los resultados encontrados en un estudio o
Figura 3. Modelo Digital de Terreno de la zona de estudio.
alta, que varía de milímetros a cenmetros, lo
que asegura una buena geolocalización de cada
bloque respecto a su ubicación real. Al observar
la resolución espacial del GSD en un proyecto
fotogramétrico (Distancia de prueba de fuente),
se puede ver que es mejor que la obtenida en
el procesamiento de los GCP. Sin embargo, una
menor calidad en los GCP puede ocasionar una
pérdida de calidad en la nube de puntos generada
por el proyecto.
Los GCP con menor precisión pueden introducir
errores en el modelo generado. Esto ya ha
sido observado por la medición del volumen
de troncos. No obstante, aunque los valores
de precisión de los GCP sean en milímetros y
mejores que la resolución GSD, los resultados
de la medición enden a mejorar. Por lo tanto,
para el proyecto en cuesón, es crucial ulizar
GCP de alta precisión, especialmente cuando
se considera una pequeña distancia entre los
receptores GNSS Base y Hover, lo que aumenta
las probabilidades de un buen procesamiento de
la posición adoptada.
Validación de alturas del modelo digital frente a
los datos tomados en campo con una prueba T.
Se realizó una prueba T para una muestra para
determinar si la media de una muestra de datos
es signicavamente diferente de un valor de
referencia o poblacional conocido (generalmente
denotado como "µ").
La prueba t para una muestra es una herramienta
común en la estadísca y se uliza en una
variedad de aplicaciones, como comparar la
ecacia de un tratamiento con respecto a un valor
de referencia, evaluar la calidad de un proceso de
fabricación, o vericar si una muestra proviene
de una población con una media conocida.
Valor de prueba =0
T gl
Sig.
(bilateral)
Diferencia
de medias
95%
de
intervalo
de
conanza
de
la
diferencia
Inferior Superior
DIFERENCIA -2,032 40 0,049 -,29440 -,5872 -,0016
Figura 4. Modelos Digital de Supercie de la zona de estudio.
Los puntos de control enen una precisión muy
10
11
Esmación de alturas de Pinus radiata D. DON en San Juan,
Chimborazo, usando vehículos aéreos no tripulados
Remache, Horna, Lara, Cushquicullma, Muñoz.
Tabla 2. Prueba de muestra única.
Son 19 mediciones las cuales están dentro del
intervalo de conanza sugiere que las mediciones
son consistentes con el nivel de concordancia,
los dos métodos de medición están en acuerdo
y que las diferencias observadas son atribuibles
a la variabilidad aleatoria en lugar de a sesgos
sistemácos.
Cabe indicar que 22 mediciones se ubican fuera
del intervalo de conanza (15 mediciones por
encima del intervalo de conanza superior y 7
mediciones por debajo del intervalo de conanza
inferior), lo que indica que las diferencias entre
los dos métodos de medición son mayores de
lo esperado y que, en esos casos especícos,
los dos métodos están en desacuerdo, lo que
La fotogrametría es una herramienta viable
para la obtención de datos biométricos tales
como, altura y diámetro a la altura del pecho
de forma automazada, los puntos de control
terrestre deben considerarse estándares para
Figura 5. Análisis de Bland-Altman.
experimento no se deben al azar, sino que son
lo sucientemente grandes o notables como
para considerar que representan una verdadera
diferencia o efecto en la población de la que se
extrajo la muestra. ya que el valor p es menor
que α. En este caso, tendrías evidencia para
rechazar la hipótesis nula en favor de la hipótesis
alternava.
Luego se procedió a calcular el intervalo de
conanza superior e inferior al 95%.
Se realizó el gráco de dispersión y luego se
añadieron las líneas de la media, los intervalos de
conanza superior e inferior a n de obtener el
graco de Análisis de Bland-Altman: Este análisis
compara las diferencias entre las mediciones
tomadas con dos instrumentos en función del
valor promedio de las mediciones. Se crea un
gráco de Bland-Altman (Figura 5) que muestra
las diferencias en el eje vercal y el promedio de
las mediciones en el eje horizontal. Esto permite
idencar cualquier sesgo sistemáco entre las
dos alturas y evaluar la concordancia.
se consideraría una discrepancia aceptable o
esperada.
Finalmente se realizó una regresión lineal entre la
diferencia como variable dependiente y la media
como variable independiente.
El valor de 0,143 del coeciente de determinación,
(Tabla 2), también conocido como R cuadrado
(R²), en un modelo de regresión lineal signica
que aproximadamente el 14,3% de la variabilidad
en la variable dependiente (diferencia) puede
ser explicada por el modelo de regresión lineal
ulizado. En otras palabras, el R cuadrado indica
la proporción de la variación en la variable
dependiente que es explicada por la variable
independiente o variables independientes
incluidas en el modelo.
Algunos estudios ulizan diferentes enfoques
para capturar imágenes con alta superposición,
tanto en parcelas circulares como desplazándose
hasta 3 metros de distancia de los árboles. Al
capturar imágenes durante la recolección, estas
estuvieron expuestas a mayor luz, y los modelos
procesados generaron ruido, dicultando la
idencación de algunas ramas en los árboles,
especialmente en nuestros modelos obtenidos
con el Mavic 3 Mulespectral.
El ruido en estos modelos se manifestó como
superposición de nubes de puntos en algunos
casos y pérdidas en otros, impidiendo la
idencación de algunas ramas que habían sido
medidas directamente durante la recolección.
Además, muchos árboles y bloques se
superpusieron entre sí en varios modelos de
nube de puntos, y algunos no fueron modelados,
es decir, no aparecieron en la nube de puntos.
Modelo R R cuadrado R cuadrado ajustado Error estándar
de la esmación
1 ,378ª ,143 ,121 ,86984
IV. CONCLUSIONES
12
13
ISSN 2477-9105
Número 32 Vol.1 (2024)
V. AGRADECIMIENTOS
obtener resultados más precisos en proyectos
fotogramétricos, ya que permiten una buena
geolocalización de un objeto en cuanto a su
posición real, ayudando a mejorar la precisión de
las esmaciones.
Para realizar proyectos fotogramétricos hay que
tener en cuenta la distancia focal de las cámaras,
ya que ellas con mayor distancia enden a
obtener detalles más pequeños en fotos en el
plano horizontal. Se debe tener en cuenta la fase
fenológica del rodal cuando el propósito es medir
la altura total, ya que la luminosidad interna
inuye negavamente, provocando que algunas
ramas no estén bien modeladas en la nube de
puntos.
Un especial agradecimiento al ingeniero Abel
Isaías Huisha Marcatoma por su colaboración
en la operación de vuelos con dron Mavic 3
Mulespectral, el cual nos permió capturar
imágenes con mejor resolución de pixel.
1. Cabrera J, Lamelas MT, Montealegre AL. Esmación de variables dasométricas a parr de datos
LiDAR PNOA en masas regulares de Pinus halepensis Mill. 2014.
2. Ferreira Rojas O. Manual de inventarios forestales. Escuela Nacional de Ciencias Forestales; 1990.
3. Gambea F, Bermudez. Curso inventarios forestales en bosques secos [Internet]. 1994. Available
from: hps://repositorio.cae.ac.cr/handle/11554/1056
4. Suh J, Choi Y. Mapping hazardous mining-induced sinkhole subsidence using unmanned aerial
vehicle (drone) photogrammetry. Environ Earth Sci. 2017;76. hps://doi.org/10.1007/s12665-
017-6458-3
5. Rouse JW, Haas RH, Deering DW, Schell JA, Harlan JC. Monitoring the Vernal Advancement and
Retrogradaon (Green Wave Eect) of Natural Vegetaon (E75-10354) [Internet]. 1974. Available
from: hps://ntrs.nasa.gov/citaons/19750020419
6. Guérrez ARH, Duarte MAT, France RG, León RR. El uso de drones en ciencias de la erra. Reaxión.
Revista arbitrada de divulgación cienca de la Universidad Tecnológica de León. 2017 Jan 23
[Internet]. Available from: hp://reaxion.utleon.edu.mx/Art_El_uso_de_drones_en_ciencias_
de_la_erra.html
7. Baena S, Boyd DS, Moat J. UAVs in pursuit of plant conservaon—Real world experiences. Ecol
Inform. 2018;47:2-9. hps://doi.org/10.1016/j.ecoinf.2017.11.001
8. 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. hps://doi.
org/10.1016/j.agwat.2015.01.020
9. Colomina I, Molina P. Unmanned aerial systems for photogrammetry and remote sensing:
A review. ISPRS J Photogramm Remote Sens. 2014;92:79-97. hps://doi.org/10.1016/j.
isprsjprs.2014.02.013
10. Rejeb A, Abdollahi A, Rejeb K, Treiblmaier H. Drones in agriculture: A review and bibliometric analysis.
Comput Electron Agric. 2022;198:107017. hps://doi.org/10.1016/j.compag.2022.107017
11. 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. hps://doi.org/10.6036/7781
V. REFERENCIAS
Los resultados de los coecientes no son
estadíscamente signicavos, por lo que no se
puede armar con conanza que tenga un efecto
real en la variable dependiente (DIFERENCIA DE
MEDICIONES) en función de los datos y el nivel de
signicancia seleccionado.
12
13
Esmación de alturas de Pinus radiata D. DON en San Juan,
Chimborazo, usando vehículos aéreos no tripulados
Remache, Horna, Lara, Cushquicullma, Muñoz.
12. Westoby MJ, Brasington J, Glasser NF, Hambrey MJ, Reynolds JM. ‘Structure-from-Moon’
photogrammetry: A low-cost, eecve tool for geoscience applicaons. Geomorphology.
2012;179:300-14. hps://doi.org/10.1016/j.geomorph.2012.08.021
13. Fritz A, Kaenborn 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 Spaal Inf Sci. 2013;XL-1-W2:141-6. hps://doi.org/10.5194/
isprsarchives-XL-1-W2-141-2013
14. Hung C, Bryson M, Sukkarieh S. Mul-class predicve template for tree crown detecon. ISPRS J
Photogramm Remote Sens. 2012;68:170-83. hps://doi.org/10.1016/j.isprsjprs.2012.01.009
15. Noboa S. Esmación de altura de frailejones (Espelea pycnophylla) en el volcán Chiles mediante
UAV (Carchi – Ecuador) [Master’s thesis]. Universidad Politécnica Salesiana; 2019.
16. 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. hps://doi.org/10.20944/
preprints201803.0097.v1
17. Cunlie AM, Brazier RE, Anderson K. Ultra-ne grain landscape-scale quancaon of dryland
vegetaon structure with drone-acquired structure-from-moon photogrammetry. Remote Sens
Environ. 2016;183:129-43. hps://doi.org/10.1016/j.rse.2016.05.019
18. Moradi S, Bokani A, Hassan J. UAV-based Smart Agriculture: A Review of UAV Sensing and
Applicaons. 2022 32nd Internaonal Telecommunicaon Networks and Applicaons Conference
(ITNAC). 2022:181-4. hps://doi.org/10.1109/ITNAC55475.2022.9998411
19. Reyes-Zurita N, Rodríguez-Orz G, Valle JRE-D, Jiménez-Colmenares CL, Rincón-Ramírez JA.
Esmación de variables dasométricas en rodales bajo manejo forestal con vehículos aéreos no
tripulados. FIGEMPA: Invesg Desarro. 2022;13(1), Arcle 1. hps://doi.org/10.29166/revg.
v13i1.3299
20. White L, Lucieer A, Turner D, Watson C. Evaluación y migación de errores para levantamientos
LiDAR hipertemporales transportados por UAV del inventario forestal. Actas de Silvilaser, Hobart.
2011.
21. Queiroz WT. Amostragem em inventário orestal. Belém: Universidade Rural do Amazônia; 2012.
441 p.
22. 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.
23. Groot A, Corni F, Wulder MA. Relaciones de atributos de bra de copa para un inventario forestal
mejorado: Progreso y perspecvas. For Chron. 2015;91(3):266-79.
24. Wallace L, Lucieer A, Turner D, Watson C. Evaluación y migación de errores para levantamientos
LiDAR hipertemporales transportados por UAV del inventario forestal. Actas de Silvilaser, Hobart.
2011.
25. Basan A. Análisis comparavo entre os programas para restuição 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.
26. Iglhaut J, Cabo C, Puli S, Piermaei L, O'Connor J, Rosee J. Estructura de la fotogrametría de
movimiento en la silvicultura: una revisión. Informes For Actuales. 2019;5(3):155-68.
27. 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 ulizados. Teledetección. 2018;10(10):2-19.
28. Figueiredo EO, D'Oliveira MVN, Cerraduras CJ, Papá DA. Esmava del Volumen de Madeira en
14
15
14
15
ISSN 2477-9105
Número 32 Vol.1 (2024)
Paos de Estocagem de Toras por medio de Cámaras RGB Instaladas en Aeronaves Remotamente
Pilotadas (ARP). Bol Cien For.
29. Rouse JW, Haas RH, Deering DW, Schell JA, Harlan JC. Monitoring the Vernal Advancement and
Retrogradaon (Green Wave Eect) of Natural Vegetaon (E75-10354) [Internet]. 1974. Available
from: hps://ntrs.nasa.gov/citaons/19750020419