La detección y medición de luz (LiDAR) en áreas forestales se utiliza para construir Modelos Digitales de Terreno (DTMs), estimar el carbono de biomasa y el volumen de madera, y estimar la distribución del follaje como un indicador del crecimiento y la salud de los árboles. Todos estos propósitos se ven obstaculizados por la incapacidad de distinguir la fuente de los retornos como follaje, troncos, sotobosque y el suelo, excepto por sus posiciones relativas. La capacidad de separar estos retornos mejoraría significativamente todos los análisis. Además, las métricas de forma de onda que proporcionan información sobre la densidad del follaje podrían mejorar las estimaciones de salud y crecimiento del bosque. En este estudio, se investigó el potencial de utilizar LiDAR de forma de onda. Se adquirieron datos de LiDAR de forma de onda aérea para un bosque de plantación de pino radiata en Nueva Zelanda, y se midió la Densidad de Área Foliar (LAD) en el campo. Se analizaron los picos de forma de onda con una buena relación señal-ruido y se describieron cada uno con una altura de pico gaussiana, un ancho a media altura y una constante de decaimiento exponencial. Todos los parámetros variaron sustancialmente entre todos los tipos de superficie, descartando la posibilidad de determinar las características de la fuente para retornos individuales, particularmente aquellos con una menor relación señal-ruido. Sin embargo, los pulsos en el suelo, en promedio, tenían una mayor intensidad, constante de decaimiento y un pico más estrecho que los retornos del follaje de coníferas. Cuando se promedió espacialmente, la densidad del follaje del dosel (medida como LAD) varió significativamente y se encontró que estaba más correlacionada con la tasa de decaimiento exponencial promedio por volumen. Se propone un modelo simple basado en la ley de Beer-Lambert para explicar esta relación y se proponen las tasas de decaimiento de forma de onda como una nueva métrica que se ve menos afectada por la sombra que las métricas basadas en la intensidad. Esta correlación comenzó a fallar cuando se incluyeron picos con ajustes de curva más pobres.