Guia docente
DATOS IDENTIFICATIVOS 2023_24
Asignatura INVENTARIO 3D DE RECURSOS NATURALES Código 00915003
Enseñanza
0915 - MASTER UNIVERSITARIO EN GEOINFORMATICA PARA LA GESTION DE RECURSOS NATURALES
Descriptores Cr.totales Tipo Curso Semestre
3 Obligatoria Primer Primero
Idioma
Castellano
Prerrequisitos
Departamento TECN.MINERA,TOPOGRAF. Y ESTRUC
Responsable
GONZALEZ FERREIRO , EDUARDO
Correo-e egonf@unileon.es
prodg@unileon.es
Profesores/as
GONZALEZ FERREIRO , EDUARDO
RODRIGUEZ GONZALVEZ , PABLO
Web http://agora.unileon.es
Descripción general La asignatura se centra en aspectos teóricos y prácticos para el empleo del LiDAR aéreo en el campo de la geomática y topografía y en el inventario de los recursos naturales y forestales. La asignatura aborda el procesamiento de datos LiDAR desde su captura, validación, exportación y análisis de resultados. La principal ventaja competitiva de la tecnología LiDAR en lo que se refiere al inventario forestal y de los recursos naturales es la posibilidad de generar automáticamente MDE y Modelos Digitales de Copas (MDC), que recogen una gran cantidad de información sobre la vegetación (por tratarse de representaciones tridimensionales y georreferenciadas de la realidad).
Tribunales de Revisión
Tribunal titular
Cargo Departamento Profesor
Presidente TECN.MINERA,TOPOGRAF. Y ESTRUC RODRIGUEZ PEREZ , JOSE RAMON
Secretario TECN.MINERA,TOPOGRAF. Y ESTRUC ALVAREZ DE PRADO , LAURA
Vocal TECN.MINERA,TOPOGRAF. Y ESTRUC VALLE FEIJOO , MIRYAM ELENA
Tribunal suplente
Cargo Departamento Profesor
Presidente TECN.MINERA,TOPOGRAF. Y ESTRUC GONZALEZ BERNARDO , FRANCISCO
Secretario TECN.MINERA,TOPOGRAF. Y ESTRUC VIEJO DIEZ , JULIO
Vocal TECN.MINERA,TOPOGRAF. Y ESTRUC CIFUENTES RODRIGUEZ , JAIME

Competencias
Tipo A Código Competencias Específicas
  A17855 915CE4 Capacidad para conocer los fundamentos y principales tipos de sensores remotos e identificar los sensores idóneos para cada tipo de estudio.
  A17856 915CE5 Comprender y extraer las distintas variables que pueden obtenerse mediante sensores remotos, así como los algoritmos utilizados en dicho proceso y saber utilizarlos para extraer la información relevante.
Tipo B Código Competencias Generales y Transversales
  B5543 915CG3 Aptitud para seleccionar, aplicar y evaluar las metodologías y técnicas geoinformáticas avanzadas más adecuadas en su aplicación a problemas de gestión de recursos naturales.
  B5544 915CT1 Capacidad de toma de decisiones basadas en criterios objetivos, así como capacidad de argumentar y justificar dichas decisiones.
  B5546 915CT3 Capacidad de resolución de problemas: localizar problemas, identificar causas e identificar, analizar, evaluar y seleccionar alternativas de solución.
  B5548 915CT5 Capacidad de organización y planificación.
Tipo C Código Competencias Básicas
  C2 Que los estudiantes sean capaces de integrar conocimientos y enfrentarse a la complejidad de formular juicios a partir de una información que, siendo incompleta o limitada, incluya reflexiones sobre las responsabilidades sociales y éticas vinculadas a la aplicación de sus conocimientos y juicios.
  C4 Que los estudiantes posean las habilidades de aprendizaje que les permitan continuar estudiando de un modo que habrá de ser en gran medida autodirigido o autónomo.

Resultados de aprendizaje
Resultados Competencias
El estudiante adquirirá una comprensión básica de las nubes de puntos geoespaciales, así como de los métodos de postprocesado de los datos LiDAR A17855
A17856
C2
C4
El estudiante adquirirá una comprensión básica de los métodos de inventario forestal basados en datos LiDAR A17855
A17856
C2
C4
El estudiante será capaz de crear sus propios flujos de trabajo de un modo autodirigido o autónomo, así como de seleccionar y aplicar las metodologías más adecuadas a un problema de gestión relacionado con en el inventario de recursos naturales a partir de datos LiDAR B5543
B5544
B5546
B5548
C2
C4

Contenidos
Bloque Tema
Bloque I: Introducción a la tecnología LiDAR (teoría) TEMA 1: Definición y principio de funcionamiento. LiDAR vs RADAR.
TEMA 2: Componentes
TEMA 3: Tipos de sistemas y datos
TEMA 4: Principales características de los datos
TEMA 4: Comportamiento en zonas forestales
TEMA 5: Procesado de los datos y modelos digitales
Bloque II: El procesamiento de datos LiDAR (teoría y práctica) TEMA 6: El proceso de filtrado
TEMA 7: El proceso de interpolación
TEMA 8: El proceso de validación
TEMA 9: Factores que influyen en la calidad de los modelos
Bloque III: La tecnología LiDAR aplicada al inventario forestal y de los recursos naturales (teoría y práctica) TEMA 10: Generación de capas temáticas de información
TEMA 11: Inventario a nivel árbol individual
TEMA 12: Inventario a nivel de rodal
TEMA 13: Generalidades sobre otras aplicaciones de LiDAR aplicado al inventario 3D de los recursos naturales

Planificación
Metodologías  ::  Pruebas
  Horas en clase Horas fuera de clase Horas totales
Practicas a través de TIC en aulas informáticas 8 0 8
 
Trabajos 0 60 60
Aprendizaje basado en problemas (ABP)/ Problem Based Learning (PBL) 4 0 4
 
Sesión Magistral 2 0 2
 
Pruebas mixtas 1 0 1
 
(*)Los datos que aparecen en la tabla de planificación són de carácter orientativo, considerando la heterogeneidad de los alumnos

Metodologías
Metodologías   ::  
  descripción
Practicas a través de TIC en aulas informáticas Sesiones en el aula de informática donde el alumno trabajará con nubes de datos 3D procedentes de sensores LiDAR y con programas informáticos para su procesado y análisis estadístico. Son actividades dirigidas.
Trabajos Realización de un trabajo académicamente dirigidos sobre contenidos del programa de la asignatura en relación al procesamiento de datos LiDAR aplicado al inventario forestal y de los recursos naturales. Dicho trabajo se basará en problemas reales con el objeto de desarrollar habilidades de solución de problemas y adquirir conocimientos científicos. Son actividades supervisadas.
Aprendizaje basado en problemas (ABP)/ Problem Based Learning (PBL) Sesiones de resolución de proyectos/casos con LiDAR. Incluye sesiones de tutoría grupal y de utilización de herramientas geoinformáticas. Son actividades supervisadas.
Sesión Magistral En estas sesiones se explicarán los contenidos generales de la materia y los conceptos novedosos, se limitarán los contenidos de la asignatura y se plantearán pautas para prepararla. Son actividades dirigidas.

Tutorías
 
Sesión Magistral
Practicas a través de TIC en aulas informáticas
Trabajos
descripción
El alumno puede contar con la ayuda del profesor en tutorías individuales de carácter no obligatorio.

Las tutorías se realizarán en el despacho del profesor o a través de las plataformas habilitadas para la comunicación remota (on-line) entre alumnos/as y profesores, p. ej. usando la videoconferencia Avip (en la plataforma de Moodle de la Universidad de León) o Google Meet.

Será absolutamente necesario que el alumno realice un solicitud de tutoría a través del envío de un e-mail al profesor, a continuación el profesor responderá al alumno con la fecha y hora de la tutoría.

No se realizarán tutorías ni el mismo día ni el día anterior a la entrega de tareas o realización de exámenes.

Evaluación
  descripción calificación
Trabajos En la evaluación de los trabajos y pruebas prácticas se valorará la capacidad de síntesis, organización y presentación 70%
Pruebas mixtas Prueba teórica con preguntas de respuesta corta 30%
 
Otros comentarios y segunda convocatoria

La puntuación necesaria para aprobar la asignatura, tanto en primera como en segunda convocatoria será de un 50% de la puntuación máxima establecida para la asignatura (por lo general se puntuará de 0 a 10 puntos, por lo que hará falta 5 puntos).

Consideraciones a tener en cuenta en primera y segunda convocatoria:

  • Para superar la materia se debe aprobar cada una de las actividades formativas de forma independiente.
  • Para superar la Prueba mixta tanto en primera como en segunda convocatoria es necesario alcanzar un 50% de la puntuación máxima establecida en esa prueba (por lo general se puntuará de 0 a 10, por lo que hará falta 5 puntos).
  • Todas las pruebas de evaluación (continua o extraordinaria) se podrán desarrollar en remoto, de forma que el/la estudiante podrá realizarlas sin estar presencialmente en el Campus de Ponferrada. Con el fin de garantizar la certificación de la autoría y que el procedimiento de evaluación sea fiable y válido, se establecerán las herramientas necesarias para llevarlo a cabo.
  • Para superar el Trabajo de la asignatura tanto en primera como en segunda convocatoria es necesario alcanzar un 50% de la puntuación máxima establecida en esa prueba (por lo general se puntuará de 0 a 10, por lo que hará falta 5 puntos).
  • Es estrictamente necesario entregar el Trabajo de la asignatura para superar la asignatura, tanto en primera como en segunda convocatoria. No habrá una prueba que lo substituya.
  • Si el alumno supera ambas partes (Prueba mixta y Trabajo de la asignatura), la nota final se calculará (tanto primera como en segunda convocatoria) aplicando un peso del 70% al Trabajo de la Asignatura y un 30% a la Prueba mixta.
  • Si le alumno no supera ninguna de las partes (Prueba mixta o Trabajo de la asignatura), la nota se computará como la media ponderada de ambas partes
  • Si le alumno no supera una de las partes (Prueba mixta o Trabajo de la asignatura), la nota se computará como la media ponderada de ambas partes (asignando un peso del 70% al Trabajo de la Asignatura y un 30% a la Prueba mixta), siempre y cuando esa nota ponderada sea inferior a 5 puntos (y por lo tanto suspenso); en caso de que la nota ponderada de ambas partes supere los 5 puntos, se fijará automáticamente una nota de 4.5 puntos (y por lo tanto suspenso).
  • El profesor proporcionará una Rúbrica, en la que figuren los criterios de corrección del Trabajo de la asignatura.
  • El profesor indicará los criterios de corrección de la Prueba mixta en el momento de la realización del examen.

Consideraciones para el examen de segunda convocatoria:

  • Si se supera únicamente la Prueba mixta en primera convocatoria se guardará esta nota para la segunda convocatoria.
  • Si se supera únicamente el Trabajo de la asignatura en primera convocatoria se guardará esta nota para la segunda convocatoria.

Otros aspectos a tener en cuenta:

  • El profesor informará en el aula al inicio del periodo docente y/o con anterioridad a la celebración de las pruebas evaluadoras de los materiales, medios y recursos adicionales, necesarios para el desarrollo de los exámenes o pruebas de evaluación.

Según se estable en el acuerdo aprobado por la Comisión Permanente del Consejo de Gobierno 29/01/2015, “Pautas de actuación en los supuestos de plagio, copia o fraude en exámenes o pruebas de evaluación”, se informa de lo siguiente:

  • Durante el desarrollo de los exámenes o pruebas de evaluación, queda expresamente prohibido el uso y la mera tenencia de dispositivos electrónicos que posibiliten la comunicación con el exterior de la sala o lugar de celebración de la prueba (teléfonos móviles, radiotransmisores, etc.). En caso de duda sobre la posible utilización de algún medio, el estudiante deberá preguntar al profesor antes del inicio del examen o prueba.
  • En caso de producirse alguna irregularidad durante la celebración del examen o prueba de evaluación se aplicará la Normativa vigente que, al menos, implica la retirada inmediata del examen, expulsión del estudiante y su calificación como suspenso.
  • El plagio, copia o fraude en otras actividades evaluables (trabajos, prácticas, tareas, etc.) también implicará la calificación de suspenso en dicha actividad.

Fuentes de información
Acceso a la Lista de lecturas de la asignatura

Básica
  1. Martín-García, S., Diéguez-Aranda, U., Álvarez González, J.G., Pérez- Cruzado, C., Buján, S., González-Ferreiro, E. 2017. Estimation of timber stocks of Pinus radiata stands at the provincial scale using low resolution LiDAR data. Bosque (Valdivia) 38(1): 17-28.
  2. Barreiro-Fernández, L., Buján, S., Miranda, D., Diéguez-Aranda, U., González-Ferreiro, E. 2016. Accuracy assessment of LiDAR-derived digital elevation models in a rural landscape with complex terrain. Journal of Applied Remote Sensing 10(1), 016014.
  3. Guerra-Hernández, J., Tomé, M., González-Ferreiro, E. 2016. Using low density LiDAR data to map Mediterranean forest characteristics by means of an area-based approach and height threshold analysis. Spanish Journal of Remote Sensing 46:103-117
  4. Maltamo M, Næsset E, Vauhkonen J (eds) 2014. Forestry applications of airborne laser scanning: Concepts and cases studies. Springer, Dordrecht – Heidelberg – New York – London, pp 269–292
  5. González-Ferreiro, E., Diéguez-Aranda, U., Barreiro Fernández, L., Buján, S., Barbosa, M., Suárez, J.C., Bye, I.J., Miranda, D. 2013. A mixed pixel- and region based approach using airborne laser scanning data for individual tree crown delineation in Pinus radiate D. Don plantations. International Journal of Remote Sensing 34(21): 7671-7690.
  6. González-Ferreiro, E., Diéguez-Aranda, U., Miranda, D. 2012. Estimation of stand variables in Pinus radiata D. Don plantations using different LiDAR pulse densities. Forestry 85(2): 281–292.
  7. Wulder, M.A., White, J.C., Nelson, R.F., Næsset, E., Ørka, H.O., Coops, N.C., Hilker, T., Bater, C.W. and Gobakken, T., 2012. Lidar sampling for large-area forest characterization: A review. Remote Sensing of Environment 121: 196-209.
  8. Vauhkonen, J., Ene, L., Gupta, S., Heinzel, J., Holmgren, J., Pitkänen, J., Solberg, S., Wang, Y., Weinacker, H., Hauglin, K.M. and Lien, V., 2011. Comparative testing of single-tree detection algorithms under different types of forest. Forestry 85(1): 27-40.
  9. Hyyppä, J., Hyyppä, H., Leckie, D., Gougeon, F., Yu, X. and Maltamo, M., 2008. Review of methods of small?footprint airborne laser scanning for extracting forest inventory data in boreal forests. International Journal of Remote Sensing 29(5): 1339-1366.
  10. Næsset, E., Gobakken, T., Holmgren, J., Hyyppä, H., Hyyppä, J., Maltamo, M., Nilsson, M., Olsson, H., Persson, Å. and Söderman, U., 2004. Laser scanning of forest resources: the Nordic experience. Scandinavian Journal of Forest Research 19(6): 482-499.
Complementaria

Bibliografía complementaria:

Ahamed, T., Tian, L., Zhang, Y. and Ting, K.C., 2011.A review of remote sensing methods for biomass feedstock production. Biomassand Bioenergy, 35(7): 2455-2469. 

Alberdi, I., Vallejo,R., Álvarez González, J.G., Condés, S., González- Ferreiro, E., Guerrero, S.,Hernández, L., Martínez-Jauregui, M., Montes, F., Oliveira, N., Pasalodos-Tato,M., Robla, E., Ruiz-González, A.D., Sánchez- González, M., Sandoval, V., SanMiguel, A., Sixto, H., Cañellas, I. 2017. The multi-objective Spanish National Forest Inventory. Forest Systems[S.l.] 26 (2): e04S. DOI: 10.5424/fs/2017262-10577.

Andersen, H.-E., R.J. McGaughey, and S.E. Reutebuch. 2005. Estimatingforest canopy fuel parameters using LIDAR data. Remote Sensing of Environment94(4):441-449. 
Arias-Rodil, M.,Diéguez-Aranda, U., Álvarez-González, JG., Pérez-Cruzado, C; Castedo-Dorado,F., González-Ferreiro, E. 2018. Modellingdiameter distributions in radiata pine plantations in Spain with existingcountrywide LiDAR data. Annals of Forest Science, in press. DOI:10.1007/s13595-018-0712-z. 
Buján, S., González-Ferreiro, E., Barreiro-Fernández, L., Santé-Rivera, I.,Corbelle-Rico, E., Miranda, D. 2013. Classification of rural landscapes fromlow-density lidar data: is it theoretically possible?. International Journalof Remote Sensing 34 (16): 5666 - 5689. 
Buján, S.,González-Ferreiro, E., Reyes-Bueno, F., Barreiro-Fernández, L., Crecente, R.,Miranda, D. 2012. Land use classification fromLiDAR data and ortho-images in a rural area. Photogrammetric Record 27(140): 401-422. 
García-Gutiérrez, J.,González-Ferreiro, E., Riquelme-Santos, J.C., Miranda, D., Diéguez-Aranda, U.,Navarro-Cerrillo, R.M. 2014. Evolutionaryfeature selection to estimate forest stand variables using LiDAR. InternationalJournal of Applied Earth Observation and Geoinformation 26: 119-131. 
Gonçalves-Seco, L., González-Ferreiro, E., Diéguez-Aranda, U., Fraga-Bugallo, B., Crecente, R, Miranda, D. 2011. Assessing the attributes of highdensity Eucalyptus globulus stands using airborne laser scanner data. International Journalof Remote Sensing 32 (24): 9821 – 9841.
González-Ferreiro, E.,Arellano-Pérez. S., Castedo-Dorado, F., Hevia, A., Vega, J.A., Vega-Nieva, D.,Álvarez-González, J.G., Ruiz-González, A.D. 2017. Modelling the vertical distribution of canopy fuel load using nationalforest inventory and low-density airbone laser scanning data. PLOS ONE 12(4):e0176114. 
González-Ferreiro, E.,Diéguez-Aranda, U, Crecente-Campo, F., Barreiro-Fernández, L., Miranda, D.,Castedo-Dorado, F. 2014. Modelling canopyfuel variables for Pinus radiata D. Don in NW Spain with low density LiDARdata. International Journal of Wildland Fire 23: 350-362.
González-Ferreiro, E.,Miranda, D., Barreiro-Fernández, L., Buján, S., García-Gutiérrez, J.,Diéguez-Aranda, U. 2013. Modelling standbiomass fractions in Galician Eucalyptus globulus plantations by use ofdifferent LiDAR pulse densities. Forest Systems 22 (3):510-525. 
Guerra-Hernández J.,González-Ferreiro, E., Sarmento A., Silva J., Nunes A., Correia A.C, Fontes L.,Tomé M. Díaz-Varela, R.A. 2016. Using highresolution UAV imagery to estimate tree variables in Pinus pinea plantation inPortugal. Forest Systems 25(2), eSC09, 5 pp.[EGF2]
Guerra-Hernández, J.,Bastos Görgens, E., García-Gutiérrez, J., Estraviz Rodriguez, L.C., Tomé, M.,González-Ferreiro, E. 2016. Comparison ofALS based models for estimating aboveground biomass in three types ofMediterranean forest. European Journal of Remote Sensing 49: 185-204. 
Guerra-Hernández, J., González-Ferreiro, E., Monleón, V. J., Faias, S. P.,Tomé, M., Díaz-Varela, R. A. 2017. Use of multi-temporal UAV-derived imageryfor estimating individual tree growth in Pinus pinea stands. Forests 8(8):300.[EGF1] 
Hevia, A.,Álvarez-González, J.G., Ruíz-Fernández, E., Prendes, C., Ruiz- González, A.D.,Majada, J., González-Ferreiro, E. 2016. Modelling canopy fuel and forest stand variables and characterizing theinfluence of the thinning treatments in the stand structure using airborneLiDAR. Spanish Journal of Remote Sensing 45: 41-55.
Hyyppä, J., Hyyppä, H., Litkey, P., Yu, X., Haggrén, H., Rönnholm, P.,Pyysalo, U., Pitkänen, J. and Maltamo, M., 2004. Algorithms and methods ofairborne laser scanning for forest measurements. International Archives ofPhotogrammetry, Remote Sensing and Spatial Information Sciences 36(8): 82-89. 
Hyyppä, J., Hyyppä, H., Litkey, P., Yu, X., Haggrén, H., Rönnholm, P.,Pyysalo, U., Pitkänen, J., Maltamo, M. 2004. Algorithms and methods of airbornelaser-scanning for forest measurements. International Archives ofPhotogrammetry, Remote Sensing and Spatial Information Sciences 36: 1682?1750. 
Hyyppä, J., Inkinen, M. 1999. Detecting and estimating attributes forsingle trees using laser scanner. Photogrammetric Journal of Finland 16: 27?43. 
Hyyppä, J., Kelle, O., Lehikoinen, M., Inkinen, M. 2001. Asegmentation-based method to retrieve stem volume estimates from 3-D tree heightmodels produced by laser scanners. IEEE Transactions on Geoscience and RemoteSensing 39: 969?975. 
Kraus, K., Pfeifer, N. 1998. Determination of terrainmodels in wooded areas with airborne laser scanner data. ISPRS Journal ofPhotogrammetry and Remote Sensing. 53; 193?203. 
Kukunda, C. B., Duque-Lazo, J., González-Ferreiro, E., Thaden, H., Kleinn,C. 2017. Ensemble classification of individual Pinus crowns from multispectralsatellite imagery and airborne LiDAR. International Journal of Applied EarthObservation and Geoinformation, 65, 12-23. DOI: 10.1016/j.jag.2017.09.016. 
Lim, K., Treitz, P., Wulder, M., St-Onge, B. and Flood, M., 2003. LiDARremote sensing of forest structure. Progress in physical geography 27(1):88-106. 
Liu, X. 2008. Airborne LiDAR for DEM generation: somecritical issues. Progress in Physical Geography. 32; 31–49. Næsset, E. 1997a. Determination of mean tree height of forest stands usingairborne laser scanner data. ISPRS Journal of Photogrammetric and RemoteSensing 52: 49?56. 
Næsset, E. 1997b. Estimating timber volume of forest stands using airbornelaser scanner data. Remote Sensing of Environment 61: 246?253. 
Næsset, E. 2002. Predicting forest stand characteristics with airbornescanning laser using a practical two-stage procedure and field data. Remote Sensing ofEnvironment 80: 88?99. 
Næsset, E. 2004. Practical large-scale forest stand inventory using asmall-footprint airborne scanning laser. Scandinavian Journal of Forest Research19: 164?179.
Næsset, E., Bjerknes, K. 2001. Estimating tree heights and number of stemsin young forest stands using airborne laser scanner data. Remote Sensing of Environment78: 328?340. 
Navarro-Cerrillo, R.,González Ferreiro, E., García-Gutiérrez, J., Ceacero-Ruiz, C.,Hernández-Clemente, R. 2017. Impact of plotsize and model selection on forest biomass estimation using airborne LiDAR: Acase study of pine plantations in southern Spain. Journal of Forest Science63(2): 88-97. 
Persson, Å., Holmgren, J., Söderman, U. 2002. Detecting and measuringindividual trees using an airborne laser scanner. PhotogrammetricEngeenering and Remote Sensing 68: 925?932. 
Popescu, S.C. 2007. Estimating biomass of individual pine trees usingairborne LiDAR. Biomass and Bioenergy 31: 646?655. 
Popescu, S.C., Wynne, R.H., Nelson, R.F. 2003. Measuring individual treecrown diameter with LiDAR and assessing its influence on estimating forestvolume and biomass. Canadian Journal of Remote Sensing 29: 564?577. 
Reutebuch, S.E., H.-E. Andersen, and R.J. McGaughey. 2005. Light detectionand ranging (LIDAR): An emerging tool for multiple resource inventory. Journalof Forestry 103(6): 286-292.
Reutebuch, S.E., R.J. McGaughey, H.-E. Andersen, and W.W. Carson. 2003.Accuracy of a high-resolution LIDAR terrain model under a conifer forestcanopy. Canadian Journal of Remote Sensing 29(5): 527-535. 
Wulder, M.A., White, J.C., Alvarez, F., Han, T., Rogan, J. and Hawkes, B.,2009. Characterizing boreal forest wildfire with multi-temporal Landsat andLIDAR data. Remote Sensing of Environment 113(7): 1540-1555.

Direcciones web:

http://forsys.cfr.washington.edu/

https://www.fs.fed.us/eng/rsac/index.html

http://forsys.cfr.washington.edu/fusion/fusionlatest.html

http://forsys.cfr.washington.edu/fusion/fusion_overview.html

http://forsys.sefs.uw.edu/jfsp06/index.htm

http://www.cs.unc.edu/~isenburg/lastools/

https://rapidlasso.com/lastools/

https://www.qgis.org/es/site/

https://pix4d.com/


Recomendaciones


 
Otros comentarios
Se recomienda que el alumno tenga conocimientos de estadística y de R, así como de inglés