Aplicación de un enfoque bayesiano para ajustar ecuaciones de biomasa de Prosopis laevigata en el norte de México
DOI:
https://doi.org/10.21829/myb.2021.2742424Palabras clave:
calibración bayesiana, inventarios forestales, modelos alométricos, zonas áridasResumen
Uno de los mayores problemas en la estimación de biomasa aérea es la elección de un correcto modelo alométrico. En México existe una necesidad
de cuantificar la biomasa de especies en zonas áridas. Los objetivos de este trabajo fueron ajustar ecuaciones alométricas para estimar la
biomasa de Prosopis laevigata mediante un enfoque bayesiano (EB) y cuantificar el error en el ajuste de los modelos: EB, mínimos cuadrados
ordinarios (MCO) y el obtenido de una investigación publicada en 2012. El modelo bayesiano se desarrolló con base en distribuciones de probabilidad
de parámetros (a y b) a priori, recopiladas de siete sitios de experimentación en los cuales se estimó la biomasa (B) a través del diámetro
basal (Db) mediante ecuaciones potenciales. Se compararon los enfoques en cinco tamaños de muestra (TM) (10, 30, 60, 90 y 120); en cada una
de ellas se realizaron 1000 repeticiones sin remplazo. Los 144 árboles medidos en los sitios de muestreo fueron usados para validar el ajuste
para cada submuestra. Los resultados mostraron que el EB presentó la menor variabilidad del error en las distintos TM. El MCO ajustó similar
a EB, sin embargo, su variabilidad y la presencia de valores atípicos crecieron al disminuir TM. El ajuste con los parámetros de la investigación
publicada en 2012 presentó la mayor variabilidad y demostró alta incertidumbre al estimar la biomasa con parámetros fijos. Se recomienda la
aplicación de EB para la estimación de biomasa en otras especies de interés y su aplicación en inventarios nacionales.
Descargas
Citas
Chave, J., Condit, R., Aguilar, S., Hernandez, A., Lao, S., & Perez, R. (2004). Error propagation and scaling for tropical forest biomass estimates. Philosophical Transactions of the Royal Society B: Biological Sciences, 359, 409-420. doi:10.1098/rstb.2003.1425 DOI: https://doi.org/10.1098/rstb.2003.1425
Dietze, M. C., Wolosin, M. S., & Clark, J. S. (2008). Capturing diversity and interspecific variability in allometries: a hierarchical approach. Forest Ecology and Management, 256(11), 1939-1948. DOI: https://doi.org/10.1016/j.foreco.2008.07.034
Hadfield, J. D. (2010). MCMC methods for multi-response generalized linear mixed models: the MCMCglmm R package. Journal of Statistical Software, 33(2), 1-22. DOI: https://doi.org/10.18637/jss.v033.i02
Henry, M., Cifuentes-Jara, M., Réjou-Méchain, M., Piotto, D., Michel-Fuentes, J. M., Wayson, C., Alice-Guier, F., Castañeda-Lombis, H., Castellanos-López, E., Cuenca-Lara, R., Cueva-Rojas, K., Del Águila-Pasquel, J., Duque-Montoya, Á., Fernández-Vega, J., Jiménez-Galo, A., López, O. R., Gunnar-Marklund, L., Milla, F., Návar- Cháidez, J. de J., Ortiz-Malavassi, E., Pérez, J., Ramírez-Zea, C., Rangel-García, L., Rubilar-Pons, R., Sanquetta, C., Scott, C., Westfall, J., Zapata-Cuartas, M., & Saint-André, L.. 2015. Recommendations for the use of tree models to estimate national forest biomass and assess their uncertainty. Annals of Forest Science, 72(6), 769-777. doi:10.1007/s13595-015-0465-x DOI: https://doi.org/10.1007/s13595-015-0465-x
Hoffman, M. D., & Gelman, A. (2014). The No-U-turn sampler: adaptively setting path lengths in Hamiltonian Monte Carlo. Journal of Machine Learning Research, 15(1), 1593-1623.
Intergovernmental Panel on Climate Change [IPCC]. (2003). Good practice guidance for land use, land-use change and forestry. J. Penman, M. Gytarsky, T. Hiraishi, T. Krug, D. Kruger, R. Pipatti, L. Buendia, K. Miwa, T. Ngara, K. Tanabe, & F. Wagner (Eds.). Japan: IGES.
Jenkins, J. C., Chojnacky, D. C., Heath, L. S., and Birdsey, R. A. (2003). National-scale biomass estimators for United States tree species. Forest Science, 49(1), 12-35.
Kruschke, J. K., & Vanpaemel, W. (2015). Bayesian Estimation in Hierarchical Models. In J. R. Busemeyer, Z. Wang, J. T. Townsend, & A. Eidels (Eds.), The Oxford Handbook of Computational and Mathematical Psychology, (pp. 279-299). Oxford, UK: Oxford University Press. DOI: https://doi.org/10.1093/oxfordhb/9780199957996.013.13
Kuyah, S., Sileshi, G., & Rosenstock, T. (2016). Allometric Models Based on Bayesian Frameworks Give Better Estimates of Aboveground Biomass in the Miombo Woodlands. Forests, 7(2), 13. doi:10.3390/f7020013 DOI: https://doi.org/10.3390/f7020013
Marquet, P. A., Quinones, R. A., Abades, S., Labra, F., Tognelli, M., Arim, M., & Rivadeneira, M. (2005). Scaling and power-laws in ecological systems. Journal of Experimental Biology, 208, 1749-1769. doi:10.1242/jeb.01588 DOI: https://doi.org/10.1242/jeb.01588
Masera, O. R., Ordóñez, M. J., & Dirzo, R. (1997). Carbon emissions from Mexican forests: current situation and long-term scenarios. Climatic Change, 35(3), 265-295. DOI: https://doi.org/10.1023/A:1005309908420
Méndez-González, J., Santos Méndez, A., Nájera-Luna, J. A., & González-Ontiveros, V. (2006). Modelos para estimar volumen y biomasa de árboles individuales de Prosopis glandulosa, var. torreyana en el Ejido Jesús González Ortega Nº 1, Mpio. de Mexicali, B.C. Agrofaz, 6(2), 226-235.
Méndez-González, J., Turlan-Medina O. A., Ríos-Saucedo J. C., & Nájera Luna J. A. (2012). Ecuaciones alométricas para estimar biomasa aérea de Prosopis laevigata (Humb. & Bonpl. ex Willd.) MC Johnst. Revista Mexicana de Ciencias Forestales, 3(13), 57-72. DOI: https://doi.org/10.29298/rmcf.v3i13.489
Palacios, R. A. (2006). Los mezquites mexicanos: biodiversidad y distribución geográfica. Boletín de la Sociedad Argentina de Botánica, 41(1-2), 99-121.
Patil, A., Huard, D., & Fonnesbeck, C. J. (2010). PyMC: Bayesian stochastic modelling in Python. Journal of Statistical Software, 35(4), 1-81. DOI: https://doi.org/10.18637/jss.v035.i04
Picard, N., Saint-André, L., & Henry, M. (2012). Manual for building tree volume and biomass allometric equations: from field measurement to prediction. Rome: Food and Agricultural Organization of the United Nations/Centre de Coopération Internationale en Recherche Agronomique pour le Développement.
Roxburgh, S. H., Paul, K. I., Clifford, D., England, J. R., & Raison, R. J. (2015). Guidelines for constructing allometric models for the prediction of woody biomass: How many individuals to harvest?. Ecosphere, 6(3), 1-27. doi:10.1890/es14-00251.1 DOI: https://doi.org/10.1890/ES14-00251.1
Sileshi, G. W. (2014). A critical review of forest biomass estimation models, common mistakes and corrective measures. Forest Ecology and Management, 329, 237-254. doi:10.1016/j.foreco.2014.06.026 DOI: https://doi.org/10.1016/j.foreco.2014.06.026
Turlan-Medina, O. A. 2011. Ecuaciones alométricas para cuantificar biomasa aérea en siete poblaciones de Prosopis spp. en el norte-centro de México. Tesis de licenciatura, Universidad Autónoma Agraria Antonio Narro, Buenavista, Saltillo, Coahuila.
West, G. B., Brown, J. H., & Enquist, B. J. (1997). A general model for the origin of allometric scaling laws in biology. Science, 276(5309), 122-126. doi:10.1126/science.276.5309.122 DOI: https://doi.org/10.1126/science.276.5309.122
Zapata-Cuartas, M., Sierra, C. A., & Alleman, L. (2012). Probability distribution of allometric coefficients and Bayesian estimation of aboveground tree biomass. Forest Ecology and Management, 277, 173–179. doi:10.1016/j.foreco.2012.04.030 DOI: https://doi.org/10.1016/j.foreco.2012.04.030
Zell, J., Bösch, B., & Kändler, G. (2014). Estimating above-ground biomass of trees: comparing Bayesian calibration with regression technique. European Journal of Forest Research, 133(4), 649-660. doi:10.1007/s10342-014-0793-7 DOI: https://doi.org/10.1007/s10342-014-0793-7
Zhang, X., Duan, A., & Zhang, J. (2013). Tree Biomass Estimation of Chinese fir (Cunninghamia lanceolata) Based on Bayesian Method. PLoS ONE, 8(11), 1-7. doi:10.1371/journal.pone.0079868 DOI: https://doi.org/10.1371/journal.pone.0079868
Zhang, X., Zhang, J., & Duan, A. (2015). A hierarchical Bayesian model to predict self-thinning line for Chinese fir in southern China. PloS ONE, 10(10), 1-11. doi.org/10.1371/journal.pone.0139788 DOI: https://doi.org/10.1371/journal.pone.0139788
Zianis, D., Spyroglou, G., Tiakas, E., & Radoglou, K. M. (2016). Bayesian and Classical Models to Predict Aboveground Tree Biomass Allometry. Forest Science, 62(3), 247-259. doi:10.5849/forsci.15-045 DOI: https://doi.org/10.5849/forsci.15-045
Descargas
Publicado
Cómo citar
-
Resumen515
-
PDF220
-
LENS20
Número
Sección
Licencia
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Madera y Bosques por Instituto de Ecología, A.C. se distribuye bajo una Licencia Creative Commons Atribución-NoComercial-CompartirIgual 4.0 Internacional.
