RESEARCH ARTICLE          

Integration of VANT-LiDAR with multispectral imagery for the estimation of carbon stocks in Prosopis sp. forest plantations

Integración de VANT-LiDAR con imágenes multiespectrales para la estimación del carbono almacenado en plantaciones forestales de Prosopis sp.

Sheyla Y. Chumbimune-Vivanco¹ *; Hairo León¹; Cristina Llanos-Carrillo¹  

José Millan-Ramírez¹; Cesar Vilca-Gamarra¹; Elvis Vera1; Alex Agurto1

Juan R. Baselly-Villanueva2; Camila Cruz-Grimaldo¹

1 Dirección de Desarrollo Tecnológico Agrario, Instituto Nacional de Innovación Agraria (INIA), Av. La Molina 1981, Lima 15024. Lima, Perú.

2 Estación Experimental Agraria San Roque, Instituto Nacional de Innovación Agraria (INIA), Iquitos, Perú.

* Corresponding author: ychv8290@gmail.com (S. Y. Chumbimune-Vivanco).

Received: 19 October 2024. Accepted: 8 April 2025. Published: 5 May 2025.

Abstract

The Prosopis sp. individuals known as carob trees are key species in the development of dry forest and recovery of degraded areas in the northern coast of Peru. The evaluation of plantations, calculation of aboveground forest biomass (AFB) and carbon stock represent an important role in forest management and climate change mitigation. This study evaluates monitoring methodologies using multispectral and LiDAR images coupled to a UAV, to validate them and generate models to estimate carbon stocks. Seven species of Prosopis sp. were evaluated with the conventional methodology and significant differences were found between species for dasometric characteristics and vegetation indices, as well as in the comparison with the data obtained with LiDAR. Models were selected to determine BAF and the association between the aerial carbon obtained with the models constituted by LiDAR data and vegetation indexes that presented significant correlations (p < 0.05), seven models were built for carbon prediction and the model that has as regressor variables the total height and crown area obtained from LiDAR, as well as the indexes CIgreen, GNDVI, RECI, LCI and NDVI (R² = 0.77) stands out. This confirms that the use of the LiDAR methodology with the vegetation indices allows a more practical estimation of the carbon stored in the plantation.

Keywords: UAV; LiDAR; biomass; carbon stocks; vegetation indices.

Resumen

Los individuos del género Prosopis sp. conocidos como algarrobos; son especies claves en el desarrollo del bosque seco y recuperación de áreas degradadas en la Costa norte del Perú. La evaluación de plantaciones, cálculo de la biomasa aérea forestal (BAF) y carbono almacenado representa un papel importante en el manejo forestal y mitigación del cambio climático. Este estudio evalúa metodologías de monitoreo a través del uso de imágenes multiespectrales y LiDAR acopladas a un VANT, con la finalidad de realizar su validación y generar modelos que permitan estimar el carbono almacenado. Se evaluaron siete especies de Prosopis sp. con la metodología convencional y se encontraron diferencias significativas entre las especies para las características dasométricas e índices de vegetación, así como en la comparación con los datos obtenidos con el LiDAR. Se seleccionaron modelos para determinar BAF y la asociación entre el carbono aéreo obtenido con los modelos constituidos por datos de LiDAR e índices de vegetación que presentaron correlaciones significativas (p < 0,05), se construyeron siete modelos para predicción de carbono y destaca el modelo que tiene como variables regresoras la altura total y área de copa obtenidas del LiDAR, así como los índices CIgreen, GNDVI, RECI, LCI y NDVI (R² = 0,77). Lo cual confirma que el uso de la metodología LiDAR con los índices de vegetación permite una estimación más práctica del carbono almacenado en la plantación.

Palabras clave: VANT; LiDAR; biomasa; carbono almacenado; índices de vegetación.

DOI: https://doi.org/10.17268/sci.agropecu.2025.024

Cite this article:

Chumbimune-Vivanco, S. Y., León, H., Llanos-Carrillo, C. Ll., Millan-Ramírez, A., Vilca-Gamarra, C., Vera, E., Agurto, A., Baselly-Villanueva, J. R., & Cruz-Grimaldo, C. (2025). Integración de VANT-LiDAR con imágenes multiespectrales para la estimación del carbono almacenado en plantaciones forestales de Prosopis sp.. Scientia Agropecuaria, 16(3), 333-348.

1. Introducción

Los bosques secos tropicales son uno de los biomas más amenazados (Paladines, 2003) y menos estu­diados del mundo (Blackie et al., 2014). Los indivi­duos del género Prosopis, conocidos como algarro­bos, son especies clave en el equilibrio ecológico del bosque seco. Contribuyen a mejorar la fertilidad y humedad del suelo, regulan el microclima bajo su copa y fortalecen la estabilidad de la llanura fluvial con sus extensos sistemas radiculares (Beresford-Jones & Whaley, 2021). Además, desempeñan un papel importante en la mitigación del cambio cli­mático debido a su capacidad de almacenar CO₂ (Méndez et al., 2012). Sin embargo, el taxón es amenazado por un conjunto de factores como la deforestación, cambio de uso de suelo, de clima, afectaciones a su estructura forestal por incendios forestales, así como pérdida de diversidad lo cual incrementaría la tensión de estos ecosistemas (Calvo-Rodriguez et. al, 2021), siendo una acción prioritaria su monitoreo y conservación junto al ecosistema de bosque seco (Vera et al., 2024). Así como, acciones de reforestación para recuperar el equilibrio ecosistémico en las áreas degradadas (Beresford-Jones et al., 2009), para ser utilizada como sistemas silvopastoriles y protección contra la desertificación (Guariguata et al., 2017).

La medición y evaluación de la biomasa aérea fo­restal (BAF) representa un papel importante en el manejo forestal y en la mitigación del cambio cli­mático por su relación directa con el carbono que almacenan los ecosistemas forestales (Sione et al., 2020; Su et al., 2023). Por lo que es crucial determi­nar la cantidad de biomasa utilizando parámetros que sean fáciles de medir (Assefa et al., 2023). La BAF puede ser estimada por métodos directos o destructivos, que implican la extracción de los ár­boles y métodos indirectos, como los modelos alo­métricos (Carpp et al., 2017). Diversos modelos se han desarrollado para especies tropicales y subtro­picales, pero muy pocos para aquellas de zonas se­miáridas (Méndez et al; 2012). El diámetro basal (DB), altura total (HT) y área de copa (AC) son las variables más utilizadas para la predicción de bio­masa en árboles jóvenes, de tallo múltiple y arbus­tos; siendo evaluadas mediante métodos conven­cionales (Zeng et al., 2010, Muturi et al., 2011).

El monitoreo de los bosques y plantaciones es una labor imprescindible para el entendimiento y ma­nejo forestal. No obstante, existen limitaciones en los métodos convencionales de medición, que in­cluyen un proceso de recolección de datos con inversión de tiempo y costos altos (Al-Jabri et al., 2025). La evaluación y monitoreo de bosques se han incrementado a lo largo de los años, en la ac­tualidad las técnicas de teledetección cumplen un rol importante para la realización inventarios fores­tales (Remache-Reinoso et al., 2024) y obtención de información del estado de distintos tipos de cubier­tas vegetales (Li et al., 2015; Mohan et al., 2017). El uso de Vehículos Aéreos No Tripulados (VANTs) re­presentan una alternativa de detección económica capaz de generar datos precisos de manera rápida y cubrir extensas áreas (Xu et al., 2025; Matese et al., 2015).

Los sensores pasivos y activos están en aumento en el uso de técnicas de teledetección para estudios y evaluaciones forestales (Colomina et al., 2014), en­focándose principalmente, en los atributos indivi­duales de la estructura forestal, inventarios y moni­toreo del vigor forestal (Gallardo-Salazar et al., 2020). La cámara multiespectral es un sensor pasivo capaz de captar varios espectros de la luz y dividir­los en bandas espectrales, generando a partir de ellas índices de vegetación (Candiago et al., 2015), comúnmente utilizados para estudios de vigorosi­dad o estado de la vegetación (Plaza, 2020; Modica et al., 2020) y en algunos casos para la determina­ción de BAF mediante métodos de regresión (Baloloy et al., 2018; Tafur et al., 2022).

LiDAR por sus siglas en inglés Light Detection and Ranging es un sensor activo y es una alternativa via­ble para recolección de datos forestales (Tafur et al., 2022). El sensor genera información tridimensional detallada sobre la estructura del bosque y terreno, el cual permite estimar la altura de los árboles, di­mensión de copa (Wallace et al., 2014) y realizar una estratificación vertical mejorada de la vegetación y el terreno debido a su mayor penetración en el dosel (Pearse et al., 2018). Estudios con LiDAR han demostrado que permite estimar detección indivi­dual de los árboles (Jarahizadeh y Salehi 2025), co­rrectamente variables como la altura de los árboles (Liao et al., 2022; Dalla et al, 2020; Ganz et al., 2019) y a partir de estas características elaborar modelos de predicción de BAF (Islas-Gutierrez et al., 2024).

La mayoría de los estudios de biomasa y stock de carbono en algarrobo se efectuaron mediante mé­todos destructivos, en donde las variables regreso­ras fueron evaluadas con métodos convencionales (Carpp et al., 2017; Sione et al., 2020). La presente investigación pretende contribuir con la generación de información para el monitoreo de las plantacio­nes de Prosopis sp. a través del uso de imágenes multiespectrales y LiDAR, con la finalidad de validar estas metodologías y generar modelos que permi­tan estimar el carbono almacenado de una manera sencilla y eficiente.

2. Metodología

Área de estudio

El área de estudio comprende una plantación de algarrobo, instalada el 9 de octubre de 2021 y ubi­cada en la Estación Experimental Agraria Vista Flo­rida (EEA VF) del Instituto Nacional de Innovación Agraria, en el distrito de Picsi, Lambayeque, Perú (Figura 1a). La plantación se subdividió en dos unida­des experimentales: monitoreo (Figura 1c) y validación (Figura 1b). Geográficamente, se localiza entre los 6° 43’ 37,65" S y 79° 47’ 25,46" O a una altitud prome­dio de 30 m.s.n.m. La zona de estudio se caracteriza por presentar una temperatura media anual de 21 °C (máxima de 28 °C y mínima de 22 °C), veloci­dad de viento que oscilan 32-37 km/h durante el día y ausencia de precipitaciones significativas, típico del ecosistema del bosque seco del norte del Perú. El suelo es franco arcillo arenoso con pH de 9,16 y contenido de materia orgánica de 2,37%.

Evaluación convencional

En la parcela de monitoreo se evaluaron siete especies de algarrobo: P. alba var. alba, P. alba var. panta, P. calderensis, P. chilensis, P. limensis, P. mantaroensis, P. sp y P. purpurea. Se consideraron todos los individuos de las especies mencionadas, siendo un total de 74, y se realizaron cuatro evaluaciones entre junio y setiembre del 2024, obteniendo un total de 296 mediciones. En la parcela de validación se evaluaron 59 individuos de Prosopis sp. Las variables dasométricas evaluadas fueron el diámetro basal (DB) y la altura total (HT) con una cinta diamétrica y un dendrómetro digital Criterion RD 1000 (Laser Technology Inc., Colorado, EE. UU.) respectivamente. Así mismo, se evaluó el área de la copa (AC) que se determinó empleando la fórmula de círculo con los radios, para ello se consideró la medición desde el fuste hasta la proyección de la copa en sentido de los ejes cardinales (N, S, E y O), acorde a la metodología de Bueno et al., (2022) quienes recomiendan medir varios radios en copas asimétricas. Se consideró la fórmula propuesta por Cisneros et al., (2019):

Donde AC es el área de la copa (m2) y rc es el radio promedio de la copa (m).

Figura 1. a) Mapa de ubicación del área de estudio. b) Parcela de validación. c) Parcela de monitoreo.

Adquisición y procesamiento de ortofotos multiespectrales

Se adquirió información multiespectral de la cámara Micasense RedEdge-MX Dual (Micasense Inc., Seattle, EE. UU.) acoplada a un VANT Matrice 300 RTK (DJI, Shenzhen, China). Para mejorar y ajustar la georreferenciación de la nube de puntos y los modelos digitales, se establecieron 6 puntos de control sobre el terreno. Los parámetros de vuelo establecidos fueron: 40 m de altura, 1,9 m/s de velocidad, así como un traslape horizontal y frontal de 75% y 80% respectivamente. El vuelo se realizó bajo condiciones de cielo despejado y soleado en un horario de 11:00 hasta las 13:00 horas, siguiendo la metodología descrita por Lu et al. (2020). Las imágenes se procesaron con el software fotogramétrico Pix4D Mapper V4.3.33 (Pix4D S.A., Prilly, Suiza) obteniéndose el Modelo Digital de Superficie y Modelo Digital del Terreno o DSM y DTM por sus siglas en inglés, respectivamente. El Modelo de altura del dosel (CHM, por sus siglas en inglés) y los índices de vegetación (IV) se calcularon con el programa QGIS 3.22.11. En la Tabla 1 se muestran los índices de vegetación empleados.

Adquisición y procesamiento de data LiDAR

Los datos de la nube de puntos se obtuvieron utilizando el sensor LiDAR modelo ALPHA AIR450 (CHCNAV, Shangai, China) acoplado a un VANT DJI Matrice 300 RTK. El vuelo se realizó a una altura de 30 m, con traslape horizontal y frontal de 75% y 80%, respectivamente (Figure 2), generando un total de 19 274 785 de puntos por vuelo. Los datos adquiridos fueron preprocesados para generar una densa y optimizada nube de puntos en formato LAS, utilizando el programa CoPre2 Versión 2.7.3 (UPV, Valencia, España), a partir del cual se obtuvo el DSM. Los procesos posteriores para generar el DTM y CHM se realizaron en el programa QGIS Desktop 3.22.11. El CHM se obtuvo del cálculo de la diferencia entre el DSM y el DTM. En la Figura 3 se puede observar el DTM y CHM para ambas unidades experimentales.

Estimación de biomasa y carbono

La biomasa aérea se estimó utilizando modelos alométricos desarrollados para el género Prosopis, que tienen como variables regresoras DB y HT, como se muestra en la Tabla 2 (Duff et al., 1994, Muturi et al., 2011 y Méndez et al., 2012). La selección de los modelos se basaron en el coeficiente de determinación (R²), una métrica estándar para la evaluación de los modelos de regresión acorde con Chicco et al. (2021).

La cantidad de carbono se calculó multiplicando la biomasa estimada y la fracción de carbono predeterminada del IPCC, que es 0,47 (Walker et al., 2016). Este valor, es consistente con estudios previos realizados en especies del mismo género, donde Prosopis affinis y P. nigra obtuvieron fracciones de C promedio 0,474 ± 0,02 y de 0,481 ± 0,011, respectivamente (Sione et al., 2022).

Índices de vegetación (IV) empleados

Donde: Red, Green, Blue, NIR y Red Edge corresponden a la banda roja, verde, azul, NIR y rojo borde, respectivamente.

Figura 2. a) Plantación de algarrobo y Matrice 300 RTK con LiDAR acoplado. b) Plan de vuelo. c) Reconstrucción de ruta y nube de puntos obtenidos con el LiDAR.

Figura 3. DTMs y CHMs calculados a partir de los datos LiDAR para el área de estudio. a y b: parcela de monitoreo, c y d: parcela de validación.

Tabla 2

Modelos genéricos para estimar la biomasa aérea total de especies del género Prosopis.

Donde: B es la biomasa aérea (kg); DB: diámetro en la base 0,3 m sobre el nivel del suelo (cm); HT: altura total (m); exp: Exponencial; Ln: logaritmo natural.

Análisis estadístico

Los datos fueron analizados estadísticamente en el software R versión (v. 4.3.3) (R Core Team, 2020, Auckland, Nueva Zelanda). La comparación de las variables dasométricas e IV entre especies se realizó con la prueba no paramétrica de Kruskal-Wallis (p < 0,05), debido a que no se cumplió con el supuesto de normalidad (Kolmogorov-Smirnov, p < 0,05).

La comparación entre las diferentes metodologías de realizó mediante prueba de Wilcoxon para muestras apareadas (p < 0,05); así mismo, se evaluó el error de medición usando la siguiente fórmula:

Donde, Yi y Ȳi son los valores obtenidos con el método convencional y LiDAR, respectivamente.

Adicionalmente, se realizaron regresiones lineales (p < 0,05), considerando como variables predictora y predicha a los datos obtenidos mediante el LiDAR y convencional, respectivamente.

Se evaluó la correlación entre el carbono almace­nado y las variables dasométricas e IV mediante la prueba Spearman (p < 0,05). Finalmente, se gene­raron modelos para estimar el carbono, se consi­deró como variables predictora datos LiDAR e Índi­ces de vegetación y se usó la técnica de regresión por pasos, de acuerdo con la metodología usada por Cárdenas-Rengifo et al. (2024). La significancia de las regresiones y los parámetros se analizó mediante las pruebas de F y t (p < 0,05), y la bondad estadís­tica de se evaluó mediante el coeficiente de determinación (R2).

3. Resultados y discusión

Evaluación convencional e índices de vegetación

La variación de las características dasométricas entre especies se presenta en la Tabla 3. Existió di­ferencias altamente significativas en las variables dasométricas (p < 0,05), donde P. alba var. panta y P. alba var. alba son las que presentaron mayor desarrollo con valores promedios de 22,04 y 21,34 cm de diámetro basal (DB), 6,32 y 5,96 m en altura total (HT), 47,15 y 51,42 m² en área de copa respec­tivamente, siendo estadísticamente superiores res­pecto a las demás especies. P. sp y P. calderensis fueron estadísticamente inferiores a las demás es­pecies con valores de DB de 5,92 y 7,87 cm, HT de 2,44 y 2,58 m y AC de 7,06 y 12,15 m² respectiva­mente. Estos resultados coinciden con estudios previos que señalan que la especie P. alba, inclu­yendo sus dos variedades var. alba y var. panta (Fontana et al., 2020), presenta un crecimiento rá­pido y tiene una fuerte dominancia del eje principal (Castillo, 2022), además de tener copas redondea­das muy extendidas (Cisneros et al., 2019).

En la Tabla 3 se muestran los resultados promedios de los índices de vegetación (IV), se evidencia que existen diferencias altamente significativas entre las especies estudiadas (p < 0.05). P. alba var. panta y P. purpurea presentaron los mayores valores pro­medios para los índices de CIgreen, EVI, GNDVI, LCI, MCARI, NDRE, NDVI, RECI y SAVI, siendo esta­dísticamente superiores a los valores obtenidos para P. alba var. alba. Por otro lado, P. purpurea fue estadísticamente inferior en los valores obtenidos para los índices CVI, NDWI y NPCI.

En la Figura 4 se observan los IV, donde NDVI, SAVI, GNDVI y EVI revelan una clara diferenciación entre la copa y el suelo en el área de estudio. Sin em­bargo, se presentan algunas áreas de suelo dentro de la copa debido a su escaso desarrollo foliar actual. Los índices NDWI y NPCI presentan valores más bajos para todos los árboles. Estos resultados sugieren que los IV pueden ser una herramienta útil para caracterizar las diferentes especies, incluso cuando las características dasométricas son simila­res, lo cual coincide con lo descrito por Reis-Pereira et al. (2023). La combinación de valores altos y ba­jos en los IV, junto con las diferencias observadas entre especies, podría estar relacionada con facto­res botánicos como el tamaño y pubescencia de los foliolos, como sucede para P. alba var. alba (Fontana et al., 2020), así como la posible hibrida­ción interespecífica dentro del género (Castillo, 2022).

Estos hallazgos respaldan la importancia de utilizar los IV para complementar los análisis tradi­cionales y obtener una caracterización más detallada de las especies.

Comparación de metodologías y data LiDAR

La comparación de los datos convencionales y del CHM, obtenidos a partir del LiDAR, para el cálculo de la altura total (HT) y área de copa (AC) se mues­tran en la Tabla 4. Los resultados obtenidos para la HT muestran diferencias altamente significativas para las especies P. alba var. alba, P. alba var. panta, P. calderensis, P. chilensis, P. limensis, y P. purpurea (p < 0,05); mientras que para P. mantaroensis y P. sp no se encontraron diferencias significativas. Res­pecto, a los resultados del AC se observan diferen­cias significativas para las especies P. chilensis, P. limensis, P. mantaroensis y P. sp (Tabla 4); en el caso de P. alba var. alba, P. alba var. panta, P. calderensis y P. purpurea no se obtuvieron diferencias significativas.

Los valores de HT obtenidos a partir del CHM fue­ron menores a los del método convencional y pre­sentaron diferencias significativas, esto puede de­berse a la heterogeneidad de la altura, propia de cada árbol, que influye en las estimaciones (Taubert et al., 2021). En el caso de AC, la mitad de las espe­cies no presentaron diferencias significativas, esto puede deberse al método de medición de radios que aumenta la precisión para copas asimétricas (Bueno et al., 2022).

En base a los resultados obtenidos se determinó el error de medición en ambas metodologías por es­pecie. Se evidencia que los valores de la HT (meto­dología con LiDAR) fueron menores que los obte­nidos por el método convencional; destacando una mayor subestimación para valores inferiores a 3 m de HT, para P. calderensis, P. chilensis y P. sp (Figura 5e, 5g y 5m). La tendencia de subestimación de la HT también fue reportada por Rodríguez-Puerta et al. (2021), especialmente en árboles de menor tamaño. En el caso del AC se evidencia un mayor error en las me­diciones con LiDAR en individuos con copas peque­ñas (Figura 5f, 5h, 5l y 5n). Li et al. (2024) asocia estas tendencias a factores ligados como el tipo de sensor, plataforma o condiciones ambientales en el momento de la recolección de datos.

Por otro lado, P. alba var. alba y P. alba var. panta presentaron los menores porcentajes de error (Figura 5a, 5b, 5c y 5d), lo que sugiere una mayor consistencia en la estimación de HT y AC entre am­bas metodologías. Este comportamiento coincide con lo encontrado por Rodríguez-Puerta et al. (2021), quienes mencionan que el porcentaje de error disminuye a medida que la altura del árbol aumenta y en este estudio ambas variedades pre­sentaron mayor HT. Por otro lado, P. mantaroensis tiene mayor porcentaje de error para la HT y AC (Figura 5i y 5j), debido a la asimetría de su copa, lo que dificulta su medición. Por lo cual, el desarrollo y estructura del árbol influyen en la precisión de la medición, lo que guarda relación con el estudio de Liao et al., (2022) quienes afirman que los tamaños y formas de las copas de diferentes especies pue­den afectar los resultados de la medición.

Figura 4. Índices de vegetación obtenidos en la parcela de monitoreo para especies del género Prosopis. a) P. alba, b) P. purpurea, c) P. chilensis, d) P. limensis, e) P. calderensis f) P. sp, g) P. panta, h) P. mantaroensis.

Tabla 3

Caracterización de las especies del género Prosopis. Diámetro basal (DB); altura total (HT), área de copa (AC) e índices de vegetación (IV). Letras diferentes presentan diferencias estadísticas significativas según la prueba de Kruskal-Wallis (p < 0,05).

Tabla 4

Comparación de datos obtenidos de manera convencional y LiDAR para especies del género Prosopis

Figura 5. Error de medición entre datos convencional vs LIDAR para especies del género Prosopis.

Considerando las diferencias significativas encon­tradas entre las especies, se desarrollaron regresio­nes lineales entre las medidas convencionales y los datos LiDAR para cada variedad, así como una re­gresión general para todos los individuos evaluados (Figura 6). Las regresiones lineales de HT fueron es­tadísticamente significativas para todas las variables (p < 0,05), la variabilidad de los datos se explicó en un rango de entre 72% y 91%. La regresión para P. purpurea mostró un ajuste muy bueno (R² = 0,91); mientras que para las especies P. alba var. alba, P. calderensis, P. chilensis y P. alba var. panta se en­contró un ajuste bueno (R² = 0,81-0,89); P. limensis, P. mantaroensis y P. sp obtuvieron ajustes satisfac­torios (R² = 0,72 - 0,78) y la ecuación general para todas las especies obtuvo un coeficiente de 0,89 clasificado como bueno según la escala de valores de Raes et al. (2023).

Figura 6. Regresión lineal entre medidas convencionales y datos LiDAR para especies del género Prosopis.

* = p < 0,05, ** = p < 0,01, *** = p<0,001 y ns = p>0,05

Con respecto a la variable AC, las regresiones linea­les fueron estadísticamente significativas para todas las especies (p < 0,05) a excepción de P. purpurea y P. sp, la variabilidad de los datos se explicó en un rango de entre 6% y 76% (Figura 5b). P. chilensis obtuvo un ajuste satisfactorio (R² = 0,76), mientras que las demás especies obtuvieron coeficientes menores. La ecuación general para todas las especies presentó un R² de 0,80, considerado como bueno según la clasificación mencionada.

Los análisis de regresión muestran un mayor grado de precisión en los modelos para predecir la altura a partir de los datos LiDAR, así como en estudios similares con otras especies, donde obtuvieron va­lores de R2 que van desde satisfactorios como 0,77 para Chung et al. (2019) a muy buenos en rangos de 0,91 a 0,99 (Liao et al., 2022; Dalla et al, 2020; Ganz et al., 2019). En el caso del área de copa, existe un menor grado de precisión, esto puede deberse a las características irregulares propias de cada va­riedad y al método de realizar las mediciones con proyecciones fijas, ya que al analizar por especies se observan valores más bajos si se comparan con la ecuación general (Xu et al., 2013).

Estimación de carbono

La asociación entre el carbono almacenado esti­mado mediante los modelos seleccionados y los datos obtenidos de LiDAR e índices de vegetación (IV) se pueden observar en la Tabla 5; en ella se muestra que las correlaciones fueron significativas (p < 0,05), a excepción del índice NPCI. La mayor asociación se observó entre los datos obtenidos del LiDAR y el modelo de Padrón & Navarro (2004), desarrollado para P. pallida en la región norte del Perú.

Con respecto a los IV, las correlaciones más altas se obtuvieron para el modelo de Padrón & Navarro (2004), como se evidencia para EVI, LCI, MCARI, NDVI, RECI y SAVI. Los resultados obtenidos pue­den atribuirse a que el modelo de Padrón & Navarro (2004) tiene como variables predictoras el DB y la HT, mientras que los otros modelos solo consideran como variable regresora el DB (Tabla 2). En esta tabla, los mayores valores se observan para GNDVI, CIgreen y NDRE, índices relacionados a la salud y al contenido de clorofila presente en las plantas (Brewer et al., 2022).

La regresión por pasos generó 7 modelos significa­tivos que explicaron la variabilidad de los datos en un rango entre 71% y 77% (Tabla 6). Los modelos más simples utilizan solo como variables predicto­ras las características dasométricas obtenidas con el LiDAR (modelo 1 y 2), mientras que modelos con mayor capacidad de estimación incluyen IV (mo­delo 6). El modelo 7 que tiene como variables re­gresoras la HT y AC del LiDAR, así como los índices CIgreen, GNDVI, RECI, LCI y NDVI estimó mejor la captura de carbono para todas las especies; pre­sentando un R² de 0,77. Zhai et al. (2025) indican que el NDVI y otros índices de vegetación similares hacen hincapié en el crecimiento de la vegetación; sin embargo, aún se requiere una mayor validación para considerar el coeficiente de variación espectral como un indicador de las características biológicas y fisiológicas de las plantaciones.

Los modelos que integran características dasomé­tricas y datos espectrales tienen mayores coeficien­tes de determinación, coincidiendo con diferentes estudios donde muestran que la combinación de los IV y las características estructurales como la al­tura, producen estimaciones más precisas de la bio­masa (Poley & McDermind, 2020; Corti et al., 2022; Zhang et al., 2024). La importancia de los IV en es­tos modelos se debe a la relación de las propieda­des intrínsecas de las plantas que están ligadas con la acumulación de biomasa, como el verdor y el vi­gor de las hojas. En estudios similares, con datos de satélite, utilizaron el NDVI y el GNDVI, encontrando un coeficiente de determinación de 0,7 (Baloloy et al., 2018), similar al obtenido en esta investigación.

Los algarrobos en promedio tienen almacenado ~ 62,43 kg de carbono almacenado (C), mientras que las especies P. alba var. alba y P. alba var. panta registraron mayores valores de C (>100 kg), siendo estadísticamente superiores respecto a las demás especies (Figura 7). Por otro lado, P. sp y P. calderensis obtuvieron los menores valores de C. Esto se debe a que el carbono almacenado es di­rectamente proporcional a la biomasa y está rela­cionada con las características dasométricas.

Tabla 5

Relación del carbono almacenado (kg/árbol) con datos LIDAR e índices de vegetación para especies del género Prosopis.

Tabla 6

Modelos de regresión para estimar el carbono mediante datos LiDAR e índices de vegetación para especies del género Prosopis

Figura 7. Comparación de carbono estimado para especies del género Prosopis. Letras diferentes presentan diferencias estadísticas significativas según la prueba de Kruskal-Wallis (p < 0.05).

En la Figura 8 se presentan los diagramas de dis­persión que comparan las estimaciones de HT, AC y carbono almacenado obtenidas mediante méto­dos convencionales y a partir de datos LiDAR para la parcela de validación. Los resultados revelan una alta correlación lineal entre ambas metodologías, con coeficientes de correlación (ρ) de 0,94, 0,82 y 0,61 para la HT, carbono almacenado y AC, respec­tivamente. Estos valores indican una excelente co­rrespondencia entre las estimaciones de HT, una muy buena concordancia para el carbono almace­nado y satisfactoria para el AC. La buena correla­ción obtenida entre el modelo que emplea datos LiDAR e IV para estimar el carbono almacenado, in­dica que el modelo empleado es fiable para estimar el carbono a partir de sensores remotos al igual que para las variables dasométricas, lo que corrobora hallazgos en investigaciones previas (Vashum & Jayakumar, 2012).

Figura 8. Validación de variables dasométricas y carbono para especies del género Prosopis.

* = p<0,05, ** = p<0,01, *** = p<0,001

4. Conclusiones

La presente investigación demuestra la viabilidad y eficacia de emplear imágenes multiespectrales y tecnología LiDAR para evaluar el stock de carbono en plantaciones de algarrobo (Prosopis sp.), ofre­ciendo una alternativa no destructiva a los métodos tradicionales. Al comparar las estimaciones obteni­das mediante LiDAR y métodos convencionales, se observaron correlaciones significativas, especial­mente en la estimación del carbono almacenado (ρ = 0,82). Estos resultados respaldan la solidez de los modelos desarrollados para estimar el carbono a partir de datos LiDAR y los índices de vegetación. Entre los diversos modelos evaluados, el modelo que combina los datos LiDAR e índices espectrales demostró ser el más adecuado para estimar el car­bono almacenado en los árboles de algarrobo. La validación de los modelos desarrollados, utilizando una parcela independiente, confirmó la fiabilidad de las estimaciones obtenidas para la altura total, área de copa y carbono almacenado. Remarcando el potencial de la tecnología LiDAR para generar modelos de estimación del carbono más accesibles y menos invasivos, facilitando así el monitoreo a gran escala de plantaciones de Prosopis sp. y con­tribuyendo a una mejor gestión forestal. Sin em­bargo, para una mayor certeza de la eficiencia de estas estimaciones, se hace necesario realizar una validación más exhaustiva mediante la medición de biomasa cuantificada en muestras extraídas.

Esta investigación fue financiada por el proyecto “Creación del ser­vicio de agricultura de precisión en los Departamentos de Lamba­yeque, Huancavelica, Ucayali y San Martín 4 Departamentos” con CUI 2449640 del Ministerio de Desarrollo Agrario y Riego (MIDAGRI) del Gobierno del Perú.

Contribución de los autores

S. Y. Chumbimune-Vivanco: Conceptualización, investigación, me­todología, validación, visualización, redacción-borrador original. H. León: Investigación, metodología, visualización, redacción-revi­sión y edición. C. Llanos-Carrillo: Curación de datos, investigación, visualización, redacción-revisión y edición J. Millan-Ramírez: Curación de datos e investigación. C. Vilca-Gamarra: Visualización e investigación. E. Vera: Investigación. A. Agurto: Adquisición de fondos. J. R. Baselly-Villanueva: Análisis formal, visualización, validación, redacción-revisión y edición. C. Cruz-Grimaldo: Investigación, supervisión y redacción-revisión y edición.

Declaración de conflicto de intereses

Los autores declaran no tener ningún conflicto de interés que pudiera influir en el trabajo presentado en este artículo.

ORCID

S. Y. Chumbimune-Vivanco https://orcid.org/0000-0002-2485-0988

H. León  https://orcid.org/0000-0003-2283-7584

C. Llanos-Carrill https://orcid.org/0009-0004-0613-0049

J. Millan-Ramírez https://orcid.org/0000-0003-2683-1737

C. Vilca-Gamarra https://orcid.org/0000-0003-4748-6549

E. Vera https://orcid.org/0009-0001-7588-7422

A. Agurto https://orcid.org/0000-0001-8072-3978

J. R. Baselly-Villanueva https://orcid.org/0000-0001-7795-7925

C. Cruz-Grimaldo https://orcid.org/0000-0002-0337-3799

Referencias bibliográficas

Al-Jabri, K., Al-Mulla, Y., Al-Abri, A., Al-Battashi, F., Al-Sulaimani, M., Tabook, A., Al-Raba’Ni, S., Sulaiman, H., Al-Salmi, N., & Al-Shukaili, T. (2025). Integrating Remote Sensing Techniques and Allometric Models for Sustainable Carbon Sequestration Estimation in Prosopis cineraria – Druce Trees. Sustainability, 17(1), 123. https://doi.org/10.3390/su17010123

Assefa, D., Mekuriaw, A., Tesfaye, M., Sewnet, H., & Belay, B. (2022). Mapping of Prosopis juliflora rate of expansion and developing species-specific allometric equations to estimate its aboveground biomass in the dry land of Ethiopia. Modeling Earth Systems and Environment, 9(1), 263-274. https://doi.org/10.1007/s40808-022-01495-3

Baloloy, A. B., Blanco, A. C., Candido, C. G., Argamosa, R. J. L., Dumalag, J. B. L. C., Dimapilis, L. L. C., & Paringit, E. C. (2018). Estimation of mangrove forest aboveground biomass using multispectral bands, vegetation indices and biophysical variables derived from optical satellite imageries: Rapideye, Planetscope and Sentinel-2. ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences, IV–3(3), 29–36. https://doi.org/10.5194/isprs-annals-IV-3-29-2018

Beresford-Jones, D. G., T, S. A., Whaley, O. Q., & Chepstow-Lusty, A. J. (2009). The Role ofProsopisin Ecological and Landscape Change in the Samaca Basin, Lower Ica Valley, South Coast Peru from the Early Horizon to the Late Intermediate Period. Latin American Antiquity, 20(2), 303-332. https://doi.org/10.1017/s1045663500002650

Beresford-Jones, D., & Whaley, O. Q. (2021). Prosopis in the history of the coast of Peru. En Elsevier eBooks (pp. 95-103). https://doi.org/10.1016/b978-0-12-823320-7.00012-2

Blackie, R., Baldauf, C., Gautier, D., Gumbo, D., Kassa, H., Parthasarathy, N., Paumgarten, F., Sola, P., Pulla, S., Waeber, P., & Sunderland, T. (2014). Tropical dry forests the state of global knowledge and recommendations for future research.

Brewer, K., Clulow, A., Sibanda, M., Gokool, S., Naiken, V., & Mabhaudhi, T. (2022). Predicting the Chlorophyll Content of Maize over Phenotyping as a Proxy for Crop Health in Smallholder Farming Systems. Remote Sensing, 14(3), 518. https://doi.org/10.3390/rs14030518

Bueno, G. F., Costa, E. A., Finger, C. A. G., Liesenberg, V., & Bispo, P. da C. (2022). Machine Learning: Crown Diameter Predictive Modeling for Open-Grown Trees in the Cerrado Biome, Brazil. Forests, 13(8), 1295. https://doi.org/10.3390/f13081295

Candiago, S., Remondino, F., De Giglio, M., Dubbini, M., & Gattelli, M. (2015). Evaluating Multispectral Images and Vegetation Indices for Precision Farming Applications from UAV Images. Remote Sensing, 7(4), 4026–4047. https://doi.org/10.3390/rs70404026

Cárdenas-Rengifo, G. P., Baselly-Villanueva, J. R., Chumbimune-Vivanco, S. Y., Macedo-Ramírez, A. T., Salazar, E., Minaya, B., Quintana, S., Cabudivo, A., Palma, S. S. A., Álvarez-Álvarez, P., & Ocaña-Reyes, J. A. (2024). Using acoustic tomography to model wood deterioration in Cedrelinga cateniformis Ducke in the Peruvian Amazon. Forests, 15(5), 778. https://doi.org/10.3390/f15050778

Carpp, I. A., Sione, S. M. J., Ledesma, S. G., Oszust, J. D., & Rosenberger, L. J. (2017). Factores de expansión de la biomasa de Prosopis affinis (spreng.), como herramienta para la estimación del carbono almacenado en bosques nativos del espinal (Entre Ríos, Argentina).

Castillo, R. (2022). Actualización del conocimiento de las especies de Prosopis (Fabaceae-Mimosoideae) que crecen en Chile. Revista Chilena de Flora y de Vegetación, 25(1), 11–55.

Chicco, D., Warrens, M. J., & Jurman, G. (2021). The coefficient of determination R-squared is more informative than SMAPE, MAE, MAPE, MSE and RMSE in regression analysis evaluation. PeerJ Computer Science, 7, e623. https://doi.org/10.7717/peerj-cs.623

Chung, C. H., Wang, C. H., Hsieh, H. C., & Huang, C. Y. (2019). Comparison of forest canopy height profiles in a mountainous region of Taiwan derived from airborne lidar and unmanned aerial vehicle imagery. GIScience and Remote Sensing, 56(8), 1289–1304. https://doi.org/10.1080/15481603.2019.1627044

Cisneros, A. B., Moglia, J. G., & Álvarez, J. A. (2019). Morfometria de copa en Prosopis alba; Griseb. Ciência Florestal, 29(2), 863–884. https://doi.org/10.5902/1980509826846

Colomina, I., & Molina, P. (2014). Unmanned aerial systems for photogrammetry and remote sensing: A review. ISPRS Journal of Photogrammetry and Remote Sensing, 92, 79–97. https://doi.org/10.1016/j.isprsjprs.2014.02.013

Corti, M., Cavalli, D., Cabassi, G., Bechini, L., Pricca, N., Paolo, D., Marinoni, L., Vigoni, A., Degano, L., & Marino Gallina, P. (2022). Improved estimation of herbaceous crop aboveground biomass using UAV-derived crop height combined with vegetation indices. Precision Agriculture, 24(2), 587–606. https://doi.org/10.1007/s11119-022-09960-w

Calvo-Rodriguez, S., Sánchez-Azofeifa, G. A., Durán, S. M., Do Espírito-Santo, M. M., & Ferreira Nunes, Y. R. (2021). Dynamics of Carbon Accumulation in Tropical Dry Forests under Climate Change Extremes. Forests, 12(1), 106. https://doi.org/10.3390/f12010106

Dalla Corte, A. P., Rex, F. E., Almeida, D. R. A. de, Sanquetta, C. R., Silva, C. A., Moura, M. M., Wilkinson, B., Zambrano, A. M. A., Cunha Neto, E. M. da, Veras, H. F. P., Moraes, A. de, Klauberg, C., Mohan, M., Cardil, A., & Broadbent, E. N. (2020). Measuring Individual Tree Diameter and Height Using GatorEye High-Density UAV-Lidar in an Integrated Crop-Livestock-Forest System. Remote Sensing, 12(5), 863. https://doi.org/10.3390/rs12050863

Duff, A. B., Meyer, J. M., Pollock, C., & Felker, P. (1994). Biomass production and diameter growth of nine half-sib families of mesquite (Prosopis glandulosa var. glandulosa) and a fast growing Prosopis alba half-sib family grown in Texas. Forest Ecology and Management, 67(1–3), 257–266. https://doi.org/10.1016/0378-1127(94)90020-5

Eitel, J. U. H., Vierling, L. A., Litvak, M. E., Long, D. S., Schulthess, U., Ager, A. A., Krofcheck, D. J., & Stoscheck, L. (2011). Broadband, red-edge information from satellites improves early stress detection in a New Mexico conifer woodland. Remote Sensing of Environment, 115(12), 3640–3646. https://doi.org/10.1016/j.rse.2011.09.002

Fontana, M. L. (2020). Distribución, bioecología y provisión de bienes y servicios ecosistémicos de Prosopis alba en Argentina. Revista de La Facultad de Agronomía, 119(2), 050. https://doi.org/10.24215/16699513e050

Gallardo-Salazar, J. L., Pompa-García, M., Aguirre-Salado, C. A., López-Serrano, P. M., & Meléndez-Soto, A. (2020). Drones: tecnología con futuro promisorio en la gestión forestal. Revista Mexicana de Ciencias Forestales, 11(61). https://doi.org/10.29298/rmcf.v11i61.794

Ganz, S., Käber, Y., & Adler, P. (2019). Measuring tree height with remote sensing-a comparison of photogrammetric and LiDAR data with different field measurements. Forests, 10(8). https://doi.org/10.3390/f10080694

Gitelson, A. A., Viña, A., Ciganda, V., Rundquist, D. C., & Arkebauer, T. J. (2005). Remote estimation of canopy chlorophyll content in crops. Geophysical Research Letters, 32(8), 1–4. https://doi.org/10.1029/2005GL022688

Guariguata, M. R, Arce, J., Ammour, T., & Capella J. L. (2017). Las plantaciones forestales en Perú: Reflexiones, estatus actual y perspectivas a futuro. Center for International Forestry Research (CIFOR). https://doi.org/10.17528/cifor/006461

Islas-Gutiérrez, F., Cruz-Juárez, E., Buendía-Rodríguez, E., Guerra-De la Cruz, V., Pineda-Ojeda, T., Flores-Ayala, E., Carrillo-Anzures, F., & Acosta-Mireles, M. (2024). Ecuación alométrica para estimar biomasa aérea de árboles de Pinus hartwegii lindl. a partir de datos LiDAR. Revista Fitotecnia Mexicana, 47(1), 70. https://doi.org/10.35196/rfm.2024.1.70

Jain, N., Ray, S. S., Singh, J. P., & Panigrahy, S. (2007). Use of hyperspectral data to assess the effects of different nitrogen applications on a potato crop. Precision Agriculture, 8(4–5), 225–239. https://doi.org/10.1007/s11119-007-9042-0

Jarahizadeh, S., & Salehi, B. (2025). Advancing Tree Detection in Forest Environments: A Deep Learning Object Detector Approach with UAV LiDAR Data. Urban Forestry & Urban Greening, 128695. https://doi.org/10.1016/j.ufug.2025.128695

Li, T., Lin, J., Wu, W., & Jiang, R. (2024). Effects of Illumination Conditions on Individual Tree Height Extraction Using UAV LiDAR: Pilot Study of a Planted Coniferous Stand. Forests, 15(5), 758. https://doi.org/10.3390/f15050758

Li, W., Niu, Z., Liang, X., Li, Z., Huang, N., Gao, S., Wang, C., & Muhammad, S. (2015). Geostatistical modeling using LiDAR-derived prior knowledge with SPOT-6 data to estimate temperate forest canopy cover and above-ground biomass via stratified random sampling. International Journal of Applied Earth Observation and Geoinformation, 41, 88–98. https://doi.org/10.1016/j.jag.2015.04.020

Liao, K., Li, Y., Zou, B., Li, D., & Lu, D. (2022). Examining the Role of UAV Lidar Data in Improving Tree Volume Calculation Accuracy. Remote Sensing, 14(17), 4410. https://doi.org/10.3390/rs14174410

Liao, L., Cao, L., Xie, Y., Luo, J., & Wang, G. (2022). Phenotypic Traits Extraction and Genetic Characteristics Assessment of Eucalyptus Trials Based on UAV-Borne LiDAR and RGB Images. Remote Sensing, 14(3). https://doi.org/10.3390/rs14030765

Lu, H., Fan, T., Ghimire, P., & Deng, L. (2020). Experimental Evaluation and Consistency Comparison of UAV Multispectral Minisensors. Remote Sensing, 12(16), 2542. https://doi.org/10.3390/rs12162542

Matese, A., Toscano, P., Di Gennaro, S., Genesio, L., Vaccari, F., Primicerio, J., Belli, C., Zaldei, A., Bianconi, R., & Gioli, B. (2015). Intercomparison of UAV, Aircraft and Satellite Remote Sensing Platforms for Precision Viticulture. Remote Sensing, 7(3), 2971–2990. https://doi.org/10.3390/rs70302971

Méndez, J., Turlan, O., Rios, J., Nájera, J. (2012). Ecuaciones alométricas para estimar biomasa aérea de Prosopis laevigata (Humb. & Bonpl. ex Willd.) M.C. Johnst. Revista Mexicana de Ciencias Forestales, 3.

Meng, J., Xu, J., & You, X. (2015). Optimizing soybean harvest date using HJ-1 satellite imagery. Precision Agriculture, 16(2), 164–179. https://doi.org/10.1007/s11119-014-9368-3

Modica, G., Messina, G., De Luca, G., Fiozzo, V., & Praticò, S. (2020). Monitoring the vegetation vigor in heterogeneous citrus and olive orchards. A multiscale object-based approach to extract trees’ crowns from UAV multispectral imagery. Computers And Electronics In Agriculture, 175, 105500. https://doi.org/10.1016/j.compag.2020.105500

Mohan, M., Silva, C., Klauberg, C., Jat, P., Catts, G., Cardil, A., Hudak, A., & Dia, M. (2017). Individual Tree Detection from Unmanned Aerial Vehicle (UAV) Derived Canopy Height Model in an Open Canopy Mixed Conifer Forest. Forests, 8(9), 340. https://doi.org/10.3390/f8090340

Muturi, G. M., Kariuki, J. C., Poorter, L., & Mohren, G. M. J. (2011). Allometric equations for estimating biomass in naturally established Prosopis stands in Kenya. Journal of Horticulture and Forestry, 4(4). https://doi.org/10.5897/JHF11.066

Padrón, E., & Navarro, R. M. (2004). Estimation of above-ground biomass in naturally occurring populations of Prosopis pallida (H. &amp; B. ex. Willd.) H.B.K. in the north of Peru. Journal of Arid Environments, 56(2), 283–292. https://doi.org/10.1016/S0140-1963(03)00055-7

Paladines, R. (2003). Propuesta de conservación del Bosque seco en el Sur de Ecuador. Lyonia, 4(2), 183–186.

Pearse, G. D., Dash, J. P., Persson, H. J., & Watt, M. S. (2018). Comparison of high-density LiDAR and satellite photogrammetry for forest inventory. ISPRS Journal of Photogrammetry and Remote Sensing, 142, 257–267. https://doi.org/10.1016/j.isprsjprs.2018.06.006

Phadikar, S., & Goswami, J. (2016). Vegetation indices based segmentation for automatic classification of brown spot and blast diseases of rice. 2016 3rd International Conference on Recent Advances in Information Technology (RAIT), 284–289. https://doi.org/10.1109/RAIT.2016.7507917

Plaza, H. (2020). Niveles de vigorosidad de plantaciones de Teca (Tectona grandis), mediante índices de vegetación, en cantón Buena Fe, año 2020 [Master’s thesis]. Universidad Técnica Estatal de Quevedo.

Poley, L., & McDermid, G. (2020). A Systematic Review of the Factors Influencing the Estimation of Vegetation Aboveground Biomass Using Unmanned Aerial Systems. Remote Sensing, 12(7), 1052. https://doi.org/10.3390/rs12071052

Pourazar, H., Samadzadegan, F., & Dadrass Javan, F. (2019). Aerial multispectral imagery for plant disease detection: radiometric calibration necessity assessment. European Journal of Remote Sensing, 52(sup3), 17–31. https://doi.org/10.1080/22797254.2019.1642143

R Core Team. (2020). R: A language and environment for statistical computing. R Foundation for Statistical Computing. https://www.R-project.org/

Raes, D., Fereres, E., García Vila, M., Curnel, Y., Knoden, D., Çelik, S. K., Ucar, Y., Türk, M., & Wellens, J. (2023). Simulation of alfalfa yield with AquaCrop. Agricultural Water Management, 284, 108341. https://doi.org/10.1016/j.agwat.2023.108341

Remache-Reinoso, F. M., Horna-Durán, S. D., Lara-Vásconez, N. X., Cushquicullma-Colcha, D. F., & Muñoz-Jácome, E. A. (2024). Estimación de alturas de pinus radiata d. Don en san juan, chimborazo, usando vehículos aéreos no tripulados. Perfiles, 1(32), 6-14. https://doi.org/10.47187/perf.v1i32.276

Reis-Pereira, M., Verrelst, J., Tosin, R., Rivera Caicedo, J. P., Tavares, F., Neves dos Santos, F., & Cunha, M. (2024). Plant Disease Diagnosis Based on Hyperspectral Sensing: Comparative Analysis of Parametric Spectral Vegetation Indices and Nonparametric Gaussian Process Classification Approaches. Agronomy, 14(3), 493. https://doi.org/10.3390/agronomy14030493

Rodríguez-Puerta, F., Gómez-García, E., Martín-García, S., Pérez-Rodríguez, F., & Prada, E. (2021). UAV-Based LiDAR Scanning for Individual Tree Detection and Height Measurement in Young Forest Permanent Trials. Remote Sensing, 14(1), 170. https://doi.org/10.3390/rs14010170

Salazar, P., Navarro-Cerrillo, R. M., Palacios Mc Cubbin, E., Cruz, G., & Lopez, M. (2023). Biomass estimation models for four priority Prosopis species: Tools required for forestry management in overexploited arid ecosystems. Journal of Arid Environments, 209, 104904. https://doi.org/10.1016/j.jaridenv.2022.104904

Sione, S., Ledesma, S., Rosenberger, L., Oszust, J., Andrade-Castañeda, H., Maciel, G., Wilson, M., & Sasal, M. (2020). Allometric equations of aerial biomass for Prosopis nigra (Griseb.) Hieron." Algarrobo negro"(Fabaceae) in forests of Entre Ríos (Argentina). Rev. Facultad de Agronomía UBA, 40(1), 63–76.

Sione, S. M. J., Andrade-Castañeda, H. J., Ledesma, S. G., Rosenberger, L. J., Oszust, J. D., & Wilson, M. G. (2019). Aerial biomass allometric models for Prosopis affinis Spreng. in native Espinal forests of Argentina. Revista Brasileira de Engenharia Agrícola e Ambiental, 23(6), 467–473. https://doi.org/10.1590/1807-1929/agriambi.v23n6p467-473

Su, R., Du, W., Ying, H., Shan, Y., & Liu, Y. (2023). Estimation of Aboveground Carbon Stocks in Forests Based on LiDAR and Multispectral Images: A Case Study of Duraer Coniferous Forests. Forests, 14(5), 992. https://doi.org/10.3390/f14050992

Tafur, E., Veneros, J., García, L., Gamarra, Ó., Farje, J., & Santistevan, M. (2022). Técnicas no destructivas para la estimación de la biomasa forestal aérea. Idesia (Arica), 40(3), 7–17. https://doi.org/10.4067/S0718-34292022000300007

Taubert, F., Fischer, R., Knapp, N., & Huth, A. (2021). Deriving Tree Size Distributions of Tropical Forests from Lidar. Remote Sensing, 13(1), 131. https://doi.org/10.3390/rs13010131

Vashum, K., & Jayakumar, S. (2012). Methods to Estimate Above-Ground Biomass and Carbon Stock in Natural Forests - A Review. Journal of Ecosystem & Ecography, 2(4). https://doi.org/10.4172/2157-7625.1000116

Vera, E., Cruz, C., Barboza, E., Salazar, W., Canta, J., Salazar, E., Vásquez, H. V. & Arbizu, C. I. (2024). Change of vegetation cover and land use of the Pómac forest historical sanctuary in northern Peru. International Journal of Environmental Science and Technology, 1-12. https://doi.org/10.1007/s13762-024-05597-6

Walker, S. M., Murray, L., & Tepe, T. (2016). Allometric Equation Evaluation Guidance Document. Winrock International, USA.

Wallace, L., Watson, C., & Lucieer, A. (2014). Detecting pruning of individual stems using Airborne Laser Scanning data captured from an Unmanned Aerial Vehicle. International Journal of Applied Earth Observation and Geoinformation, 30(1), 76–85. https://doi.org/10.1016/j.jag.2014.01.010

Xu, W., Cheng, Y., Luo, M., Mai, X., Wang, W., Zhang, W., & Wang, Y. (2025). Progress and Limitations in Forest Carbon Stock Estimation Using Remote Sensing Technologies: A Comprehensive Review. Forests, 16(3), 449. https://doi.org/10.3390/f16030449

Xu, W., Su, Z., Feng, Z., Xu, H., Jiao, Y., & Yan, F. (2013). Comparison of conventional measurement and LiDAR-based measurement for crown structures. Computers and Electronics in Agriculture, 98, 242–251. https://doi.org/10.1016/j.compag.2013.08.015

Zhai, Y., Wang, L., Yao, Y., Jia, J., Li, R., Ren, Z., He, X., Ye, Z., Zhang, X., Chen, Y., & Xu, Y. (2024). Spatially continuous estimation of urban forest aboveground biomass with UAV-LiDAR and multispectral scanning: An allometric model of forest structural diversity. Agricultural And Forest Meteorology, 360, 110301. https://doi.org/10.1016/j.agrformet.2024.110301

Zhang, L., Zhao, Y., Chen, C., Li, X., Mao, F., Lv, L., Yu, J., Song, M., Huang, L., Chen, J., Zheng, Z., & Du, H. (2024). UAV-LiDAR Integration with Sentinel-2 Enhances Precision in AGB Estimation for Bamboo Forests. Remote Sensing, 16(4), 705. https://doi.org/10.3390/rs16040705

Zeng, H.-Q., Liu, Q.-J., Feng, Z.-W., & Ma, Z.-Q. (2010). Biomass equations for four shrub species in subtropical China. Journal of Forest Research, 15(2), 83–90. https://doi.org/10.1007/s10310-009-0150-8