Alicia Peduzzi
Research Subjects
Alicia Peduzzi has a total of 19 co-authors. Here are the top co-authors by number of shared publications:
- Gregorio Ángeles-Pérez
Colegio de Postgraduados
2 shared publications - José René Valdez-Lazalde
Colegio de Postgraduados
2 shared publications - Abesh Ghosh
School of Electrical and Computer Engineering, University of Georgia, Athens, GA, USA
1 shared publication - Adrián Hernández-Ramos
Instituto Nacional de Investigaciones Forestales, Agrícolas y Pecuarias
1 shared publication - Ali Cafer Gurbuz
Department of Electrical and Computer Engineering, North Carolina State University, Raleigh, NC, USA
1 shared publication - Alma Delia Ortiz-Reyes
Instituto Nacional de Investigaciones Forestales, Agrícolas y Pecuarias
1 shared publication
Latest Publications
- Open Access
- 24 April 2026
- Published by Elsevier in Smart Agricultural Technology
- Vol. 14
3D wood reconstruction and volume estimation for determining log truck payloads using consumer-grade cameras
- 24 April 2026
- Published by Elsevier in Smart Agricultural Technology
- Vol. 14
Open Access3D wood reconstruction and volume estimation for determining log truck payloads using consumer-grade cameras
- Open Access
- 18 March 2026
- Published by Institute of Electrical and Electronics Engineers (IEEE) in IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing
- Vol. 19 (19391404) , 12087-12100
Deep Learning Framework for High-Resolution Large-Scale Vegetation Optical Depth Mapping Using Airborne LiDAR and Mobile GNSS-T Data
Accurate, high-resolution mapping of Vegetation Optical Depth (VOD) is critical for assessing forest biomass, ecosystem health yet current satellite products lack the spatial detail needed to capture fine-scale heterogeneity. Ground-based GNSS Transmissometry (GNSS-T) offers meter-scale VOD mea surements but is limited in spatial coverage due to operational constraints. This paper presents a novel data fusion framework that combines mobile GNSS-T observations with airborne LiDAR to produce large-scale VOD maps at 5 m × 5 m resolution blocks. The method leverages a Cone-Based Point Distribution Imaging (CPDI) approach, which transforms LiDAR point clouds within GNSS-aligned conical sampling zones into 28 × 30 × 3 angu lar–height histograms, encoding vegetation structure relevant to microwave attenuation. These CPDI images are used to train a convolutional neural network (CNN) to predict block-level VOD values, which are then mapped across entire LiDAR domain over a 400 m × 400 m region. The framework was validated using data from the SMAPVEX22 campaign at Harvard Forest, MA and Millbrook, NY, achieving strong agreement between predicted and measured VOD (R2 = 0.93 training, R2 = 0.74 testing) and demonstrating consistent correlations with in-situ basal area (R2 = 0.72) and biomass (R2 = 0.46) at the regional level. The results show that integrating GNSS-T and LiDAR enables scalable, high-resolution VOD mapping across heteroge neous forested landscapes, offering new capabilities for drought monitoring, forest management, and wildfire risk assessment.
- 18 March 2026
- Published by Institute of Electrical and Electronics Engineers (IEEE) in IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing
- Vol. 19 (19391404) , 12087-12100
Open AccessDeep Learning Framework for High-Resolution Large-Scale Vegetation Optical Depth Mapping Using Airborne LiDAR and Mobile GNSS-T Data
Accurate, high-resolution mapping of Vegetation Optical Depth (VOD) is critical for assessing forest biomass, ecosystem health yet current satellite products lack the spatial detail needed to capture fine-scale heterogeneity. Ground-based GNSS Transmissometry (GNSS-T) offers meter-scale VOD mea surements but is limited in spatial coverage due to operational constraints. This paper presents a novel data fusion framework that combines mobile GNSS-T observations with airborne LiDAR to produce large-scale VOD maps at 5 m × 5 m resolution blocks. The method leverages a Cone-Based Point Distribution Imaging (CPDI) approach, which transforms LiDAR point clouds within GNSS-aligned conical sampling zones into 28 × 30 × 3 angu lar–height histograms, encoding vegetation structure relevant to microwave attenuation. These CPDI images are used to train a convolutional neural network (CNN) to predict block-level VOD values, which are then mapped across entire LiDAR domain over a 400 m × 400 m region. The framework was validated using data from the SMAPVEX22 campaign at Harvard Forest, MA and Millbrook, NY, achieving strong agreement between predicted and measured VOD (R2 = 0.93 training, R2 = 0.74 testing) and demonstrating consistent correlations with in-situ basal area (R2 = 0.72) and biomass (R2 = 0.46) at the regional level. The results show that integrating GNSS-T and LiDAR enables scalable, high-resolution VOD mapping across heteroge neous forested landscapes, offering new capabilities for drought monitoring, forest management, and wildfire risk assessment.
- Open Access
- 18 December 2020
- Published by Revista Mexicana de Ciencias Forestales in Revista Mexicana de Ciencias Forestales
- Vol. 12 (63)
Medición del índice de área foliar y su dinámica estacional en plantaciones de Eucalyptus urophylla S. T. Blake
El índice de área foliar (IAF, m2 m-2) es un indicador de productividad en las plantaciones forestales y puede usarse para describir la respuesta de los árboles a la aplicación de prácticas silvícolas. El objetivo del estudio fue identificar un método preciso y eficiente para estimar el IAF en plantaciones forestales comerciales de Eucalyptus urophylla. Paralelamente, se analizó la dinámica estacional del IAF durante un año. Se establecieron 28 unidades de muestreo en las que se realizaron mediciones mensuales de IAF, con los métodos de recolección de hojarasca (IAFHojarasca) y óptico (IAFÓptico). Además, se implementó un muestreo destructivo de 93 árboles para estimar el IAF mediante alométria (IAFAlométrico). Los valores promedio estimados de IAF fueron 2.7, 2.6 y 1.6 para el método alométrico, recolección de hojarasca y óptico, respectivamente. Esto implicó una subestimación promedio de 39 y 37 % del método óptico, en comparación con los métodos alométrico y de recolección de hojarasca. Un análisis de correlación de las estimaciones de IAF, obtenidas con los tres métodos aplicados, permitió identificar una alta asociación (r= 0.75, coeficiente de correlación de Pearson) entre los valores estimados con los métodos de recolección de hojarasca y óptico. Con base en este resultado (asociación) se ajustó un modelo de regresión, a fin de calibrar las mediciones indirectas (IAFÓptico) a un valor más preciso, IAFCalibrado. El valor máximo de IAF se registró en julio y agosto, meses del mayor crecimiento para E. urophylla en condiciones de plantación comercial en México.
- 18 December 2020
- Published by Revista Mexicana de Ciencias Forestales in Revista Mexicana de Ciencias Forestales
- Vol. 12 (63)
Open AccessMedición del índice de área foliar y su dinámica estacional en plantaciones de Eucalyptus urophylla S. T. Blake
El índice de área foliar (IAF, m2 m-2) es un indicador de productividad en las plantaciones forestales y puede usarse para describir la respuesta de los árboles a la aplicación de prácticas silvícolas. El objetivo del estudio fue identificar un método preciso y eficiente para estimar el IAF en plantaciones forestales comerciales de Eucalyptus urophylla. Paralelamente, se analizó la dinámica estacional del IAF durante un año. Se establecieron 28 unidades de muestreo en las que se realizaron mediciones mensuales de IAF, con los métodos de recolección de hojarasca (IAFHojarasca) y óptico (IAFÓptico). Además, se implementó un muestreo destructivo de 93 árboles para estimar el IAF mediante alométria (IAFAlométrico). Los valores promedio estimados de IAF fueron 2.7, 2.6 y 1.6 para el método alométrico, recolección de hojarasca y óptico, respectivamente. Esto implicó una subestimación promedio de 39 y 37 % del método óptico, en comparación con los métodos alométrico y de recolección de hojarasca. Un análisis de correlación de las estimaciones de IAF, obtenidas con los tres métodos aplicados, permitió identificar una alta asociación (r= 0.75, coeficiente de correlación de Pearson) entre los valores estimados con los métodos de recolección de hojarasca y óptico. Con base en este resultado (asociación) se ajustó un modelo de regresión, a fin de calibrar las mediciones indirectas (IAFÓptico) a un valor más preciso, IAFCalibrado. El valor máximo de IAF se registró en julio y agosto, meses del mayor crecimiento para E. urophylla en condiciones de plantación comercial en México.
- Open Access
- 13 November 2019
- Published by Instituto de Ecologia, A.C. in Madera y Bosques
- Vol. 25 (3)
Transectos de datos LiDAR: una estrategia de muestreo para estimar biomasa aérea en áreas forestales
La estimación y el mapeo de la biomasa aérea sobre áreas extensas puede realizarse haciendo uso de las herramientas que ofrece la percepción remota. El objetivo de este estudio fue estimar la biomasa aérea de dos tipos de selva mediana: subperennifolia (SMSP) y subcaducifolia (SMSC) en la península de Yucatán, México, empleando métricas generadas a partir de datos Light Detection and Ranging (LiDAR). Se usaron datos de 365 unidades de muestreo del Inventario Nacional Forestal y de Suelos (INFyS) de México para calibrar modelos de biomasa aérea usando regresión lineal múltiple y Random Forest (RF). Con estos modelos se mapeó la biomasa aérea sobre franjas de datos LiDAR. El modelo de regresión transformado logró explicar la varianza en un 62% (RMSE = 41.44 Mg ha-1 para SMSP y 36.60 Mg ha-1 para SMSC) para ambos tipos de vegetación. Los modelos generados a través de RF lograron explicar la varianza en un 57% (RMSE = 40.73 Mg ha-1) para la SMSP y solo de 52% (RMSE = 35.10 Mg Ha-1) para la SMSC. El desfase entre la toma de datos en campo y LiDAR, así como el error en la precisión de las coordenadas de los sitios de inventario, son factores reconocidos que influyeron en los resultados. A pesar de lo anterior, las estimaciones obtenidas podrían servir de base para estimar el inventario completo de biomasa en el área de estudio incorporando datos espectrales derivados de un sensor remoto que cubra la totalidad de esta.
- 13 November 2019
- Published by Instituto de Ecologia, A.C. in Madera y Bosques
- Vol. 25 (3)
Open AccessTransectos de datos LiDAR: una estrategia de muestreo para estimar biomasa aérea en áreas forestales
La estimación y el mapeo de la biomasa aérea sobre áreas extensas puede realizarse haciendo uso de las herramientas que ofrece la percepción remota. El objetivo de este estudio fue estimar la biomasa aérea de dos tipos de selva mediana: subperennifolia (SMSP) y subcaducifolia (SMSC) en la península de Yucatán, México, empleando métricas generadas a partir de datos Light Detection and Ranging (LiDAR). Se usaron datos de 365 unidades de muestreo del Inventario Nacional Forestal y de Suelos (INFyS) de México para calibrar modelos de biomasa aérea usando regresión lineal múltiple y Random Forest (RF). Con estos modelos se mapeó la biomasa aérea sobre franjas de datos LiDAR. El modelo de regresión transformado logró explicar la varianza en un 62% (RMSE = 41.44 Mg ha-1 para SMSP y 36.60 Mg ha-1 para SMSC) para ambos tipos de vegetación. Los modelos generados a través de RF lograron explicar la varianza en un 57% (RMSE = 40.73 Mg ha-1) para la SMSP y solo de 52% (RMSE = 35.10 Mg Ha-1) para la SMSC. El desfase entre la toma de datos en campo y LiDAR, así como el error en la precisión de las coordenadas de los sitios de inventario, son factores reconocidos que influyeron en los resultados. A pesar de lo anterior, las estimaciones obtenidas podrían servir de base para estimar el inventario completo de biomasa en el área de estudio incorporando datos espectrales derivados de un sensor remoto que cubra la totalidad de esta.