INTEGRACIÓN DE DATOS LiDAR E IMÁGENES SENTINEL-2A PARA LA EVALUACIÓN DE LA DENSIDAD DE COBERTURA VEGETAL EN UNA CUENCA HIDROLÓGICA DE

CARÁCTER FORESTAL

L. Fragoso Campón1, J.A. Gutiérrez Gallego1, J. Mora Aliseda2 y E. Quirós Rosado1

1 Departamento de Expresión Gráfica, Universidad de Extremadura. laurafragoso@unex.es; jagutier@unex.es; equiros@unex.es.2 Departamento de Ciencias del Territorio, Universidad de Extremadura. jmora@unex.es.

RESUMEN

Para evaluar el volumen de escorrentía en una cuenca hidrográfica, el método más utilizado a nivel mundial es el del número de curva del USDA Natural Resources Conservation Service. Este método depende de distintos factores, siendo la densidad de cobertura vegetal uno de los aspectos a tener en cuenta cuando se trata de áreas forestales. En la determinación de la densidad de cobertura vegetal, o factor de cabida cubierta, es necesario considerar de forma conjunta la de todos los estratos de vegetación: dosel arbóreo, vegetación arbustiva y pastos. Las actuales Tecnologías de Información Geográfica ofrecen nuevas herramientas que permiten obtener el valor de esta densidad de cobertura vegetal para cada uno de los estratos. En este trabajo se analiza la capacidad de las imágenes multiespectrales Sentinel-2A en combinación con los datos derivados del vuelo LiDAR-PNOA para la determinación del factor de cabida cubierta en los distintos estratos vegetales. Para ello se realiza una clasificación supervisada de las imágenes mediante el algoritmo Random Forest en base a la combinación de las variables explicativas derivadas de los datos LiDAR y de las imágenes Sentinel-2A (bandas espectrales del espectro visible, infrarrojo cercano, e índices de vegetación y suelo). Los resultados obtenidos confirman que es posible realizar el análisis de la densidad de cobertura vegetal, como dato de entrada en un modelo hidrológico, utilizando en el análisis de forma conjunta las imágenes Sentinel-2A y los datos del vuelo LiDAR-PNOA de cobertura nacional con densidad 0,5 puntos/m². El caso de estudio corresponde a las cuencas hidrográficas del Arroyo Palomillas y San Juan en Badajoz.

Palabras clave: hidrología forestal; LiDAR; Sentinel-2A; factor de cabida cubierta; Random Forest; SNAP

ABSTRACT

The most widely used method to evaluate the runoff volume in a watershed is the USDA Natural Resources Conservation Service Curve Number. This method depends on different factors being the vegetation cover density one of the most important to deal with in forested areas. In the determination of this density it is necessary to consider all the vegetation strata together: tree canopy, shrub vegetation and pastures. Nowadays, Geographic Information Technologies offer new tools for obtaining the value of this vegetation cover density for each of the strata. In this work, the ability of the multispectral Sentinel-2A images, in combination with the data derived from the LiDAR-PNOA flight, to determine the canopy cover factor in the different plant strata is analyzed. For this porpoise, a supervised classification is carried out using the Random Forest algorithm and a combination of some variables derived from the LiDAR data and the Sentinel-2A images (visible spectral bands, near infrared and vegetation and soil indexes). The results confirm that it is possible to obtain the value of the canopy cover factor, as input data in a hydrological model, using the Sentinel-2A images and the LiDAR-PNOA data which has density 0.5 points/m². The studied areas correspond to the hydrographic basins of Arroyo Palomillas and San Juan in Badajoz (Spain).

Keywords: forest hydrology; LiDAR; Sentinel-2A; forest canopy cover; Random Forest; SNAP.

1. INTRODUCCIÓN

El estudio detallado del tipo de cobertura vegetal en zonas forestales es un factor de vital importancia para la realización de inventarios forestales, estudio de la biomasa, técnicas de manejo de los bosques, gestión

1

de los incendios y para la caracterización hidrológica, entre otros. El análisis de la respuesta hidrológica de una cuenca forestal se hace generalmente según el método del Número de Curva, ampliamente utilizado a nivel mundial, propuesto por el Natural Resources Conservation Service del USDA (United States Department of Agriculture) (NRCS 2009). Para la aplicación de dicho método, es necesario conocer la densidad de cobertura vegetal, ya que se relaciona el volumen de escorrentía, tras un episodio de lluvia, directamente con el tipo de cobertura vegetal, su densidad y la capacidad de infiltración del suelo.

En líneas generales, el análisis de la tipología de cobertura vegetal podría ser considerado a partir de las fuentes cartográficas oficiales disponibles en la zona de estudio. Sin embargo, la incidencia de su utilización en un análisis hidrológico ha sido evaluada en Fragoso et al. (2017a), detectando que la utilización de unas u otras tiene gran incidencia en la bondad del ajuste hidrológico y proponiendo la utilización de mapas específicos para estos análisis.

De ese modo, la aplicación de las técnicas clasificación supervisadas de imágenes satelitales multiespectrales e hiperespectrales sería la idónea para este tipo de estudios, ya que es una de las técnicas más comunes para el análisis de la tipología de cobertura vegetal (Clark y Kilham 2016, Godinho et al. 2016, Immitzer et al. 2016, Godinho et al. 2017, Loi et al. 2017). En este ámbito tradicionalmente se han empleado imágenes del satélite Landsat por su capacidad en la discriminación de los distintos tipos de coberturas. Pero hoy en día, con la aparición de nuevos satélites y la disponibilidad de imágenes gratuitas, otras imágenes como las de Sentinel-2 han irrumpido en los estudios de usos de suelo y análisis de cobertura vegetal. Su configuración espectral permite el cálculo de nuevos índices de vegetación que complementan favorablemente la detección de la vegetación. La utilización de dichos índices ayuda a discriminar la cobertura vegetal ya que ésta presenta valores muy característicos debido a la coloración, contenido de agua y acción fotosintética de las plantas (Godinho et al. 2016, Hill 2013). Entre los índices de vegetación (IV) más utilizados al trabajar con las imágenes Landsat se encuentran el NDVI (Normalized Difference Vegetation Index), SAVI (Soil Adjusted Vegetation Index) y MSAVI2 (Second Modified Soil Adjusted Vegetation Index). Sin embargo, la mayor resolución espectral de las imágenes Sentinel 2 dentro de la banda del infrarrojo cercano permite el cálculo de otros índices adicionales como el GNDVI ( Green Normalized Difference Vegetation Index), NDI45 (Normalized Difference Index) y S2REP (Sentinel-2 Red-Edge Position Index). Adicionalmente, los índices de suelo (IS) como el BI (Brightness Index) y CI (Colour Index) nos aportan información sobre las características espectrales del suelo desnudo.

Por otro lado, tal y como ya se ha comentado, otro factor clave para la evaluación de la escorrentía es la densidad de la cobertura (Fragoso et al. 2017b). El potente desarrollo de las técnicas LiDAR (Light Detection And Ranging) y su capacidad de representar la estructura espacial de las masas forestales, ha sido ampliamente validado en este sentido (Véga et al. 2016, Zhao et al. 2016, Zhao et al. 2017). Un factor clave en la utilización de datos LiDAR para la evaluación de la densidad de cobertura vegetal es la densidad de puntos por m². Así, en Ma et al. (2017) se analiza la influencia de la densidad de puntos en la exactitud de los resultados, concluyendo que densidades en torno a 1 punto/m² arrojan resultados con una calidad suficiente para determinar la cobertura del estrato arbóreo.

Sin embargo, a la hora de determinar la cobertura vegetal en una cuenca hidrográfica, es necesario conocer tanto la densidad del porte arbóreo, como la densidad de la vegetación en los estratos inferiores, pudiendo encontrar pocas investigaciones que centren su análisis en los estratos inferiores de matorral y pastos (Riaño et al. 2007, Estornell et al. 2011, Esteban et al. 2017, Latifi et al. 2015). Algunos de ellos, como Estornell et al. (2012), profundizan en la cuantificación de la densidad de matorral, llegando a la conclusión de que para obtener buenos resultados en la estimación del volumen de matorral es necesario disponer de una nube de puntos LiDAR con una densidad superior a los 8 puntos/m². Sin embargo, Riaño et al. (2007) pueden estimar dicha cobertura con una densidad de puntos menor de 3,5 puntos/m² complementando el estudio con ortofotografía infrarroja de 0,50 m de resolución espacial. En este sentido, también en García et al. (2011) se consiguen buenos resultados con una densidad de puntos LiDAR de tan solo 1,5-6 puntos/m² suplementando el análisis con una imagen multiespectral de alta resolución espacial (2 m).

2

De ese modo, son varios los trabajos que muestran cómo la aplicación conjunta de teledetección óptica y LiDAR mejora en gran medida la exactitud de la evaluación de cobertura vegetal (Mundt et al. 2006, Bork y Su 2007, García et al. 2011, Bolton et al. 2018). No obstante, conviene matizar que en la evaluación de la cobertura de los estratos superiores el complemento de ambas técnicas no se hace tan necesario al poder trabajar con datos LiDAR de poca densidad de puntos. Sin embargo, en la estimación de la densidad de los arbustos y pastos dicha combinación se hace imprescindible si se trabaja con densidades de puntos inferiores a 8 puntos/m² (Estornell et al. 2011).

Se pretende en este trabajo analizar la capacidad de las imágenes multiespectrales Sentinel-2A, en combinación con los datos derivados del vuelo LiDAR-PNOA, para la determinación del factor de cabida cubierta en los distintos estratos vegetales de cuencas hidrológicas. Para ello se realizarán dos clasificaciones supervisadas mediante el algoritmo Random Forest, comprobando que la inclusión de variables derivadas de los datos LiDAR a los datos espectrales Sentinel-2A, e índices de vegetación y suelo derivados de la propia imagen, propicia un incremento de la exactitud de los resultados.

2. FUENTES Y METODOLOGÍA

2.1. Área de estudio y base cartográfica

La investigación se ha llevado a cabo en las cuencas hidrológicas de los arroyos Palomillas y San Juan, de 146 km² y 194 km² respectivamente y situadas en la provincia de Badajoz, dentro del ámbito administrativo de la Confederación Hidrográfica del Guadiana (). La base cartográfica considerada como referencia en este estudio ha sido el Mapa de Cultivos y Aprovechamiento de España (MAPAMA 2018), en concreto se han consultado las hojas nº 804 y nº 830.

Figura 1. Zona de estudio abarcada por las cuencas de los arroyos Palomillas y San Juan dentro de la extensión de la cuadrícula Sentinel 2A-L2A T30STH (representada en falso color infrarrojo). Se indican las áreas de entrenamiento y puntos de

validación considerados en la clasificación y validación.

2.2. Datos LiDAR-PNOA

Los datos LiDAR utilizados corresponden a los datos del proyecto PNOA-LiDAR que tiene cobertura nacional (Ministerio_de_Fomento 2018). Los datos se han obtenido a través del Centro de Descarga del CNIG

3

(Instituto-Geográfico-Nacional 2017) en ficheros digitales de 2x2 km de extensión. Los datos disponibles en la zona estudiada presentan una densidad de puntos de 0,5 puntos/m². En total se han analizado 116 archivos. El tratamiento de los archivos LiDAR se ha realizado mediante el software FUSION desarrollado por el Forest Service del USDA (McGaughey 2009).

2.3. Imágenes multiespectrales

La imagen utilizada ha sido tomada por el satélite Sentinel de la Agencia Espacial Europea (ESA), y en concreto del tipo Sentinel 2A - Level 2A. La reflectividad de los productos de nivel de procesado 2A ya tienen aplicada la corrección atmosférica y por tanto representan la reflectividad en la superficie de la tierra (reflectividad BOA - bottom of atmosfere). La zona de estudio corresponde a la cuadrícula T30STH (); entre la serie de imágenes disponibles sin cobertura de nubes, se ha seleccionado la correspondiente al día 18 de diciembre de 2017, fecha en la que se observa un fuerte contraste entre las zonas de pasto y labor, frente a la cobertura frondosa perenne y matorral.

Del abanico de bandas espectrales disponibles se han utilizado el espectro visible (B2, B3 y B4) y las del infrarrojo cercano (NIR: B5, B6, B7, B8, B8A) por considerarse las más adecuadas para el análisis de la vegetación. Las imágenes Sentinel-2A ofrecen distinta resolución espacial en función de la banda espectral considerada. Las bandas B2, B3, B4 y B8 tienen una resolución de 10 m, mientras que las bandas B5, B6, B7, B8a tienen una resolución de 20 m.

El tratamiento y clasificación de la imagen se ha realizado con el software Sentinel Application Platform (SNAP) desarrollado por la ESA para el tratamiento de las imágenes Sentinel (European-Space-Agency 2018).

2.4. Clasificación supervisada y áreas de entrenamiento

Las clasificaciones se han realizado aplicando el algoritmo Random Forest, adecuado para análisis y fusión de distintas fuentes de datos (Data fusión), tal y como se refleja en la completa revisión del estado del arte de este algoritmo en particular expuesta en Belgiu y Drăguţ (2016). La aplicación de este algoritmo requiere establecer dos únicos parámetros de entrada, el número de combinaciones de entrenamiento y número de árboles a construir para la clasificación, en este trabajo se han considerado unos valores de 5000 y 500 respectivamente.

Siguiendo las recomendaciones de Belgiu y Drăguţ (2016) sobre las áreas de entrenamiento, se han definido de manera aleatoria, manteniendo el balance entre clases y representando la variabilidad dentro de cada tipo. Para ello se ha considerado una superficie de entrenamiento en torno al 0,5% del total de la superficie estudiada (). La clasificación de la vegetación se ha realizado agrupándola en clases con comportamiento hidrológico similar. Se han considerado cuatro coberturas vegetales principales: zonas arboladas, zonas de matorral y áreas de labor y pasto. De forma complementaria se han clasificado las masas de agua y zonas de sombra. Con el objetivo planteado de analizar la densidad de cobertura en los distintos estratos arbóreos, en las zonas arboladas, y de matorral la clasificación se ha realizado según el factor de cabida cubierta (fcc), es decir, considerando la parte de suelo ocupada por la proyección vertical de las copas de arbolado y matorral expresado en porcentaje (Figura 2).

En las zonas arboladas el valor del fcc se ha obtenido a partir de los datos LiDAR ya que, aunque la densidad de puntos del vuelo LiDAR disponible es reducida (0,5 puntos/m²), existen ya estudios como el de González-Ferreiro et al. (2013) que proponen explícitamente la utilización del vuelo PNOA-LiDAR en inventarios forestales para el estudio del estrato arbóreo. El cálculo se ha realizado con FUSION utilizando los primeros retornos de la vegetación (first return cover index).

Por el contario, para el caso del matorral, esta densidad de puntos tan reducida no permite por si misma evaluar adecuadamente la densidad de estos estratos inferiores (Estornell et al. 2011, Latifi et al. 2015, Riaño et al. 2007). Así pues, para obtener el valor del fcc en las zonas de matorral se ha recurrido a un procedimiento alternativo, digitalizando las áreas de matorral sobre la ortofotografía aérea de alta

4

resolución del PNOA de 0,25 m, de forma similar al procedimiento descrito en Godinho et al. (2016) y Godinho et al. (2017) en el estudio del valor del fcc de las dehesas.

Arbolado 0≤fcc<25% Arbolado 25%≤fcc<50% Arbolado 50%≤fcc<75% Arbolado 75%≤fcc<100%

Matorral 0≤fcc<25% Matorral 25%≤fcc<50% Matorral 50%≤fcc<75% Matorral 75%≤fcc<100%

Figura 2. Rangos de densidad de cobertura vegetal considerada y ejemplos de áreas de entrenamiento de matorral y arbolado.

2.5. Variables derivadas del vuelo LiDAR

A partir del vuelo LiDAR, mediante el software FUSION, se ha generado el modelo digital de vegetación (MDV), en el que se muestran las alturas de vegetación normalizadas con una resolución inicial de 2 m. Posteriormente, para ajustar el MDV a la resolución de la imagen del Sentinel-2A, de forma similar al procedimiento descrito en Ahmed et al. (2015), se ha procesado el modelo ráster generalizando los valores a un tamaño de celda de 10 m. En este proceso se han obtenido los estadísticos del valor máximo (mdv_max), medio (mdv_medio), mínimo (mdv_min) y la mediana (mdv_mediana). Por otro lado, se han generado dos modelos ráster, también con tamaño de celda de 10 m, con el valor del fcc arbóreo para alturas de vegetación superior a 3 metros (fccarb H>3) y para la vegetación superior a 5 m (fccarb H>5) (Figura 3).

2.6. Índices de vegetación y suelo derivados del Sentinel-2A

Con ayuda del software SNAP se han calculado los IV (GNDVI, NDVI, NDI45, S2REP, SAVI, MSAVI2 y RVI) e IS (BI y CI) que intervendrán en las clasificaciones.

2.7. Escenarios de clasificación y evaluación de la exactitud

Se han estudiado dos escenarios posibles. El primero, denominado escenario B-IVS, que correspondería con la clasificación a partir exclusivamente de las bandas de la imagen satélite y variables derivadas como los IV e IS. Por otro lado, el escenario alternativo, denominado escenario B-IVS-LiDAR, que incluiría en la clasificación también las variables derivadas del LiDAR.

En cada escenario se ha evaluado la exactitud en dos sentidos:

1. Evaluación de predicción de la clasificación que el propio software SNAP calcula con ciertos pixeles de las áreas de entrenamiento.

2. Cálculo de exactitud de las clasificaciones mediante matrices de error utilizando una muestra de

5

validación independiente de más de 2500 puntos () aleatorios, manteniendo el balance entre clases, al igual que las áreas de entrenamiento.

El diagrama de flujo del proceso metodológico realizado se muestra en la Figura 3.

Figura 3. Diagrama de flujo del proceso metodológico propuesto.

3. RESULTADOS Y DISCUSIÓN

3.1. Resultados de la clasificación supervisada

Los mapas con la clasificación de la cobertura vegetal en cada escenario se muestran en la Figura 4. En ella se puede observar como el escenario B-IVS clasifica mayor superficie catalogada como labor-pasto en detrimento de las zonas de arbolado y matorral.

Dentro de la clasificación de la zona arbolada, las mayores diferencias las encontramos en la asignación de coberturas con fcc superiores al 50%. El escenario B-IVS clasifica el 10 % de la superficie dentro de este rango de vegetación densa, bastante superior a los resultados obtenidos para el escenario B-IVS-LiDAR, que tan solo clasifica el 4% con un fcc superior al 50 %.

3.2. Evaluación de predicción de la clasificación

Para el escenario B-IVS el clasificador presenta un 77% de predicciones correctas con un error RMSE de 1,89 mientras que en el caso del escenario B-IVS-LiDAR se eleva el porcentaje de predicciones correctas al 86% y se reduce el error RMSE a 1,19.

El análisis de la influencia de las distintas variables explicativas en cada escenario de la Figura 5 muestra los valores normalizados respecto de la variable con mayor importancia relativa. En el caso de considerar las variables derivadas del LiDAR, éstas juegan un papel determinante en la clasificación (mdv_max y fccarb H>3m). Se observa también cómo los índices NDI45, MSAVI2 y SAVI y el CI adquieren especial importancia a la hora de clasificar, sobre todo en el escenario B-IVS, en ausencia de datos LiDAR. La relevancia del CI radica en que, en diciembre, la fecha de la imagen Sentinel-2A, las áreas de labor-pasto no presentan prácticamente vegetación adquiriendo el IS especial importancia en la clasificación. Los IV con mayor importancia obtenidos en las clasificaciones difieren de los obtenidos en Godinho et al. (2017) que realiza la

6

clasificación también a partir de imágenes Sentinel-2A, en los que la variable predictiva con mayor importancia resultó ser el NDVI, sin incluir en su análisis los índices considerados en este trabajo. Sin embargo, coinciden con lo señalado en García et al. (2011) donde se selecciona el índice SAVI al ser menos sensible a las diferencias de densidad de vegetación que el NDVI.

Figura 4. Clasificación de la cobertura vegetal en las cuencas de los arroyos Palomillas y San Juan. El mapa de la izquierda representa la clasificación obtenida para el escenario que correspondería con la clasificación a partir exclusivamente de las bandas

de la imagen satélite y variables derivadas como los índices de vegetación y suelo. La imagen de la derecha representa la clasificación que incluye también las variables derivadas del LiDAR. Se presentan sendos gráficos con los porcentajes obtenidos

dentro de la zona de estudio para cada cobertura.

7

Figura 5. Influencia de la importancia relativa de las variables explicativas en cada escenario.

Respecto a las bandas espectrales, las que presentan mayor importancia en la clasificación son las bandas del infrarrojo cercano B5 (a partir de la cual se obtiene el índice NDI45), B7 (a partir de la cual se obtiene el GNDVI), B6 y B8 (a partir de la cual se obtiene los índices MSAVI2 y SAVI); por tanto, la resolución espectral del infrarrojo cercano, tan característica del Sentinel-2A, es determinante para realizar clasificaciones de coberturas vegetales, coincidiendo con las conclusiones reflejadas en Godinho et al. (2017).

3.3. Evaluación de la exactitud de la clasificación

La exactitud global obtenida al realizar la clasificación bajo las variables del escenario B-IVS es del 68%, elevándose hasta el valor del 77% para el caso del escenario B-IVS-LiDAR. La valoración de la exactitud global se asemeja a la obtenida por Lasaponara y Lanorte (2007) del 75% en las clasificación del combustible vegetal a partir de imágenes de alta resolución QuickBird. No obstante, los resultados obtenidos son inferiores a los mostrados en García et al. (2011) del 94%, si bien el vuelo LiDAR de este trabajo contaba con densidad de 1,5-6 puntos/m², superior al LiDAR considerado en el presente estudio (0,5 puntos/m²), suplementando el análisis con una imagen multiespectral de alta resolución espacial de 2 m, también superior a los 10 m del presente trabajo.

En cuanto a las exactitudes del usuario y productor en la clasificación de las masas arboladas son en general bastante mejores que las obtenidas para el matorral y, en ambos casos, los mejores resultados son los obtenidos para el escenario B-IVS-LiDAR (Tabla 1). La confusión producida por similitud espectral del matorral y arbolado se reduce al aplicar las variables derivadas del LiDAR, que permiten discriminar entre los dos estratos.

Tabla 1. Resultados obtenidos para las exactitudes del usuario y productor para la clasificación en el escenario B-IVS y escenario B-IVS-LiDAR.

Exactitud del usuario Exactitud del productorEscenario

Cobertura B-IVS B-IV-LiDAR B-IVS B-IV-LiDAR

Arbolado

Arbolado fcc<25% 40% 62% 36% 62%Arbolado 25%<fcc<50% 36% 64% 16% 63%Arbolado50%<fcc<75% 23% 62% 35% 74%Arbolado fcc>75% 16% 78% 7% 51%

Agua Agua 100% 100% 93% 93%

Matorral

Matorral fcc<25% 7% 37% 21% 47%Matorral 25%<fcc<50% 3% 4% 21% 26%Matorral 50%<fcc<75% 3% 12% 10% 40%Matorral fcc>75% 18% 29% 33% 60%

Labor-Pasto Labor-Pasto 98% 100% 88% 85%Sombra Sombra 33% 33% 100% 100%

4. CONCLUSIONES

En este estudio se ha analizado la capacidad de las imágenes multiespectrales Sentinel-2A, en combinación con los datos derivados del vuelo LiDAR-PNOA, para la determinación densidad de cobertura vegetal desagregada en los estratos de vegetación arbustivo y arbóreo. Se ha comprobado que la moderada exactitud obtenida en la clasificación considerando exclusivamente la imagen del Sentinel-2A e índices de vegetación y suelo derivados mejora mediante la inclusión de las variables del LiDAR-PNOA de cobertura nacional con densidad 0,5 puntos/m².

Los resultados reflejan que la resolución espectral de Sentinel-2A en el infrarrojo cercano permite calcular índices de vegetación determinantes para realizar clasificaciones de coberturas vegetales. Complementando dichos índices, se propone, como futura línea de trabajo, la incorporación en la clasificación de índices texturales, así como la evaluación multitemporal de la vegetación.

8

5. AGRADECIMIENTOS

La presente investigación se ha realizado gracias a la financiación de la Universidad de Extremadura y el Fondo Social Europeo: “Una manera de hacer Europa”, mediante una Ayuda para la Financiación de Contratos Predoctorales para la Formación de Doctores en los Centros Públicos de I+D pertenecientes al Sistema Extremeño de Ciencia, Tecnología e Innovación (Expediente PD16018).

"La presentación de este trabajo ha sido posible gracias a la financiación concedida por el Fondo Europeo de Desarrollo Regional de la Unión Europea y la Junta de Extremadura al grupo de investigación DESOSTE a través de la ayuda GR18052"

6. BIBLIOGRAFÍA

Ahmed, O. S., Franklin, S. E., Wulder, M. A. y White, J. C. (2015): Characterizing stand-level forest canopy cover and height using Landsat time series, samples of airborne LiDAR, and the random forest algorithm. ISPRS Journal of Photogrammetry and Remote Sensing, 101, 89-101.

Belgiu, M. y Drăguţ, L. (2016): Random forest in remote sensing: A review of applications and future directions. ISPRS Journal of Photogrammetry and Remote Sensing, 114, 24-31.

Bolton, D. K., White, J. C., Wulder, M. A., Coops, N. C., Hermosilla, T. y Yuan, X. (2018): Updating stand-level forest inventories using airborne laser scanning and Landsat time series data. International Journal of Applied Earth Observation and Geoinformation, 66, 174-183.

Bork, E. W. y Su, J. G. (2007): Integrating LIDAR data and multispectral imagery for enhanced classification of rangeland vegetation: A meta analysis. Remote sensing of Environment, 111, 1, 11-24.

Clark, M. L. y Kilham, N. E. (2016): Mapping of land cover in northern California with simulated hyperspectral satellite imagery. ISPRS Journal of Photogrammetry and Remote Sensing, 119, 228-245.

Esteban, J., Fernández-Landa, A. y Trassierra, A. (2017):Generación de cartografía de matorrales a partir de Landsat 8 y variables auxiliares usando Random Forest. 7º Congreso Forestal Español 26-30 junio 2017 Plasencia (Cáceres).

Estornell, J., Ruiz, L. A. y Velázquez-Martí, B. (2011): Study of shrub cover and height using LiDAR data in a Mediterranean area. Forest Science, 57, 3, 171-179.

Estornell, J., Ruiz, L. A., Velázquez-Martí, B. y Hermosilla, T. (2012): Assessment of factors affecting shrub volume estimations using airborne discrete-return LiDAR data in Mediterranean areas. Journal of Applied Remote Sensing, 6, 1, 063544-063541-063544-063510.

European-Space-Agency (2018): Science Toolbox exploitation platform. http://step.esa.int/main/toolboxes/snap/ 15/01/2018.

Fragoso, L., Durán-Barroso, P., Quirós, E. y Gutiérrez, J. A. (2017a):Análisis de la sensibilidad en la generación de escorrentía en zonas forestales ante las variaciones de la fracción de cabida cubierta. Caso de estudio: Valle del Jerte. 7º Congreso Forestal Español 26-30 junio 2017a Plasencia (Cáceres).

Fragoso, L., Quirós, E. y Durán-Barroso, P. (2017b): Resource communication: Variability in estimated runoff in a forested area based on different cartographic data sources. Forest Systems, 26, 2, 02.

García, M., Riaño, D., Chuvieco, E., Salas, J. y Danson, F. M. (2011): Multispectral and LiDAR data fusion for fuel type mapping using Support Vector Machine and decision rules. Remote sensing of Environment, 115, 6, 1369-1379.

Godinho, S., Gil, A., Guiomar, N., Costa, M. J. y Neves, N. (2016): Assessing the role of Mediterranean evergreen oaks canopy cover in land surface albedo and temperature using a remote sensing-based approach. Applied Geography, 74, 84-94.

Godinho, S., Guiomar, N. y Gil, A. (2017): Estimating tree canopy cover percentage in a mediterranean silvopastoral systems using Sentinel-2A imagery and the stochastic gradient boosting algorithm. International Journal of Remote Sensing, 1-23.

9

González-Ferreiro, E., Miranda, D., Barreiro-Fernandez, L., Bujan, S., Garcia-Gutierrez, J. y Dieguez-Aranda, U. (2013): Modelling stand biomass fractions in Galician Eucalyptus globulus plantations by use of different LiDAR pulse densities. Forest Systems, 22, 3, 510-525.

Hill, M. J. (2013): Vegetation index suites as indicators of vegetation state in grassland and savanna: An analysis with simulated SENTINEL 2 data for a North American transect. Remote sensing of Environment, 137, 94-111.

Immitzer, M., Vuolo, F. y Atzberger, C. (2016): First experience with Sentinel-2 data for crop and tree species classifications in central Europe. Remote Sensing, 8, 3, 166.

Instituto-Geográfico-Nacional (2017): Centro de Descargas. http://centrodedescargas.cnig.es/CentroDescargas/index.jsp.

Lasaponara, R. y Lanorte, A. (2007): On the capability of satellite VHR QuickBird data for fuel type characterization in fragmented landscape. Ecological Modelling, 204, 1-2, 79-84.

Latifi, H., Heurich, M., Hartig, F., Müller, J., Krzystek, P., Jehl, H. y Dech, S. (2015): Estimating over-and understorey canopy density of temperate mixed stands by airborne LiDAR data. Forestry: An International Journal of Forest Research, 89, 1, 69-81.

Loi, D. T., Chou, T.-Y. y Fang, Y.-M. (2017): Integration of GIS and Remote Sensing for Evaluating Forest Canopy Density Index in Thai Nguyen Province, Vietnam. International Journal of Environmental Science and Development, 8, 8, 539.

Ma, Q., Su, Y. y Guo, Q. (2017): Comparison of Canopy Cover Estimations From Airborne LiDAR, Aerial Imagery, and Satellite Imagery. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 10, 9, 4225-4236.

MAPAMA (2018): Mapa de Cultivos y Aprovechamientos de España 2000-2010. http://www.mapama.gob.es/es/cartografia-y-sig/publicaciones/agricultura/mac_2000_2009.aspx 15/01/2018.

McGaughey, R. J. (2009): FUSION/LDV: Software for LIDAR data analysis and visualization. US Department of Agriculture, Forest Service, Pacific Northwest Research Station: Seattle, WA, USA, 123, 2.

Ministerio_de_Fomento (2018): Plan Nacional de Observación del Territorio. Plan Nacional de Ortofotografía Aerea (PNOA). http://pnoa.ign.es/presentacion 27/10/2017.

Mundt, J. T., Streutker, D. R. y Glenn, N. F. (2006): Mapping sagebrush distribution using fusion of hyperspectral and lidar classifications. Photogrammetric Engineering & Remote Sensing, 72, 1, 47-54.

NRCS (2009): National Engineering Handbook, section 4, Hydrology, version (1956, 1964, 1971, 1985, 1993, 2004, 2009). Washington, DC: Engineering Division, US. Department of Agriculture.

Riaño, D., Chuvieco, E., Ustin, S. L., Salas, J., Rodríguez-Pérez, J. R., Ribeiro, L. M., Viegas, D. X., Moreno, J. M. y Fernández, H. (2007): Estimation of shrub height for fuel-type mapping combining airborne LiDAR and simultaneous color infrared ortho imaging. International Journal of Wildland Fire, 16, 3, 341-348.

Véga, C., Renaud, J.-P., Durrieu, S. y Bouvier, M. (2016): On the interest of penetration depth, canopy area and volume metrics to improve Lidar-based models of forest parameters. Remote sensing of Environment, 175, 32-42.

Zhao, Y., Feng, D., Yu, L., Wang, X., Chen, Y., Bai, Y., Hernández, H. J., Galleguillos, M., Estades, C., Biging, G. S., Radke, J. D. y Gong, P. (2016): Detailed dynamic land cover mapping of Chile: Accuracy improvement by integrating multi-temporal data. Remote sensing of Environment, 183, 170-185.

Zhao, Y., Hao, Y., Zhen, Z. y Quan, Y. (2017): A Region-Based Hierarchical Cross-Section Analysis for Individual Tree Crown Delineation Using ALS Data. Remote Sensing, 9, 10, 1084.

10