Vol. 25 Núm. 1 (2019): Primavera 2019
Artículos Científicos

Modelización de biomasa forestal aérea mediante técnicas deterministas y estocásticas

Oscar Reyes-Cárdenas
Universidad Autónoma de San Luis Potosí
Biografía
Eduardo Javier Treviño-Garza
Universidad Autónoma de Nuevo León
Biografía
Javier Jiménez-Pérez
Universidad Autónoma de Nuevo León
Biografía
Oscar Alberto Aguirre-Calderón
Universidad Autónoma de Nuevo León
Biografía
Luis Gerardo Cuéllar-Rodríguez
Universidad Autónoma de Nuevo León
Biografía
José Germán Flores-Garnica
Instituto Nacional de Investigaciones Forestales, Agrícolas y Pecuarias
Biografía
Abraham Cárdenas-Tristán
Universidad Autónoma de San Luis Potosí
Biografía

Publicado 2019-05-03

Palabras clave

  • cokriging,
  • cross-correlation geostatistics forest national inventory,
  • NDVI
  • cokriging,
  • correlación cruzada,
  • geoestadística,
  • inventario nacional forestal,
  • NDVI

Resumen

Mediante la estimación de la biomasa forestal es posible determinar la cantidad de recursos forestales existentes en un determinado territorio, sin embargo, este es un proceso costoso y que consume gran cantidad de tiempo. Por ello, el objetivo del presente estudio fue modelar la biomasa arbórea aérea de un ecosistema forestal ubicado en la región centro sur del estado de San Luis Potosí. Para definir este proceso se compararon métodos determinísticos (distancia inversa ponderada) y estocásticos (kriging y cokriging), con los que se determinó la biomasa forestal con base en datos de campo y espectrales. Los datos de campo correspondieron a 50 conglomerados del Inventario Nacional Forestal y de Suelos, a partir de los cuales se calculó la biomasa mediante el empleo de ecuaciones alométricas. Los datos espectrales (NDVI tradicional -bandas roja e infrarroja del espectro electromagnético) se derivaron de una imagen Landsat 5TM del año 2009. Con los resultados del cálculo de la biomasa y del NDVI, se probaron semivariogramas y variogramas cruzados con los modelos esférico, exponencial y gausiano para analizar el que resultara en el mejor ajuste. Posteriormente, se seleccionó el modelo exponencial derivado de la técnica cokriging, con base en el cual se obtuvo un valor de la raíz cuadrada del error cuadrático medio de 32.01 Mg ha-1. Finalmente, con base en el modelo seleccionado, se generó un mapa de la distribución de la biomasa aérea, en el cual se presentan resultados que van de 0.85 Mg ha-1 a 157 Mg ha-1.

Citas

  1. Aguirre-Salado, C. A., Treviño-Garza, E. J., Aguirre-Calderón, O. A., Jiménez-Pérez, J., González-Tagle, M. A., Valdez-Lazalde, J. R., Miranda-Aragón, L., & Aguirre-Salado, A. I. (2012). Construction of aboveground biomass models with remote sensing technology in the intertropical zone in Mexico. Journal of Geographical Sciences, 22 (4), 669 – 680. doi: 10.1007/s11442-012-0955-9
  2. Aguirre-Salado, C. A., Miranda-Aragón, L., Pompa-García, M., Reyes-Hernández, H., Soubervielle-Montalvo, C., Flores-Cano, J. A., & Méndez-Cortés, H. (2017). Improving identification of areas for ecological restoration for conservation by integrating USLE and MCDA in a GIS-Environment: A pilot study in a priority region Northern Mexico. International Journal Geo-Information, 6, 2-17. doi:10.3390/ijgi6090262.
  3. Anaya, J. A., Chuvieco, E., & Palacios-Orueta, A. (2009). Aboveground biomass assessment in Colombia: a remote sensing approach. Forest Ecology and Management, 257(4), 1237 – 1246. doi: 10.1016/j.foreco.2008.11.016
  4. Araya, L., & Llatas, I. (2015). Análisis variográfico de los porcentajes de sílice, alúmina, pérdida por calcinación, fósforo y manganeso en las menas de mineral de hierro del Cerro San Joaquín, municipio Bolivariano Angostura, Estado Bolívar. Boletín de Geología. 37(2), 89-95
  5. Blanco G., J., García, L., & Álvarez G., M. A. (2013). Condicionantes económicos del aprovechamiento de biomasa forestal con fines energéticos. Una revisión de las estimaciones para el norte de España. Estudios de economía aplicada, 31(1), 127 – 150.
  6. Camacho-Sanabria, J. M., Juan-Pérez, J. I., & Pineda-Jaimes, N. B. (2015). Modeling of land use/cover changes: Prospective scenarios in the State of Mexico. Case study – Amanalco de Becerra. Revista Chapingo Serie Ciencias Forestales y del Ambiente, 21(2), 203–220. doi: 10.5154/r.rchscfa.2014.10.049
  7. Comisión Nacional Forestal [Conafor] (2012). Inventario nacional forestal y de suelos. Manual y procedimientos para el muestreo de campo. Re-muestreo 2012. Zapopan, Jal., México: Conafor.
  8. Cruz-Cárdenas, G., Villaseñor, J. L., López-Mata, L., & Ortiz, E. (2013). Distribución espacial de la riqueza de especies de plantas vasculares en México. Revista Mexicana de Biodiversidad, 84(4), 1, 189 – 1, 199. doi: 10.7550/rmb.31811
  9. Cruz-Leyva, I. A., Valdez-Lazalde, J. R., Ángeles-Pérez, G., & de los Santos-Posadas, H. M. (2010). Modelación espacial de área basal y volumen de madera en bosques manejados de Pinus patula y P. teocote en el ejido Atopixco, Hidalgo. Madera y Bosques, 16(3), 75-97. doi: 10.21829/myb.2010.1631168.
  10. Flores G., J. G., Reyes C., O., & Moreno G., D. A. (2004). Variación espacial del diámetro como respuesta a diferentes intensidades de muestreo en una cuenca forestal. Revista Mexicana de Ciencias Forestales, 29(96), 47 – 66.
  11. Fakhire, A., & Najafi Z., M. (2014). Comparison of different kriging methods to estimate the tree density. A case study: West of Karkheh in Southwest of Iran. ProEnvironment, 7, 204 – 212.
  12. Flores G., J. G., Reyes C., O., & Moreno G., D. A. (2004). Variación espacial del diámetro como respuesta a diferentes intensidades de muestreo en una cuenca forestal. Revista Mexicana de Ciencias Forestales, 29(96), 47 – 66.
  13. Furukawa, T., Kayo, C., Kadoya, T., Kastner, T., Hondo, H., Matsuda, H. & Kaneko, N. (2015). Forest harvest index: Accounting for global gross forest cover loss of wood production and an application of trade analysis. Global Ecology and Conservation, 4, 150–159. doi: 10.1016/j.gecco.2015.06.011.
  14. Jenkins, J. C., Chojnacky, D. C., Heath, L. S., & Birdsey, R. A. (2003). National-scale biomass estimators for United States tree species. Forest Science, 49(1), 12 – 35.
  15. Ji, L., Wylie, B. K., Nossov, D. R., Peterson, B., Waldrop, M. P., McFarland, J. W., Rover, J., & Hollingsworth, T. N. (2012). Estimating aboveground biomass in interior Alaska with Landsat data and field measurements. International Journal of Applied Earth Observation and Geoinformation, 18, 451 – 461. doi: 10.1016/j.jag.2012.03.019
  16. Muñoz-Ruiz, M. A., Valdez-Lazalde, J. R., de los Santos-Posadas, H. M., Ángeles-Pérez, G., & Monterroso-Rivas, A. I. (2014). Inventario y mapeo del bosque templado de Hidalgo, México mediante datos del satélite SPOT y de campo. Agrociencia, 48, 847 – 862.
  17. Reyes-Cárdenas, O., Treviño-Garza, E.J., Jiménez-Pérez, J., Aguirre-Calderón, O.A., Cuellar-Rodríguez, L.G., Flores-Garnica., J.G., Cárdenas-Tristán, A., & Buendía-Rodríguez, E. (2017). Dinámica de la biomasa aérea derivada de un programa de reforestación en San Luis Potosí. Revista Mexicana de Ciencias Forestales, 8(39),45-57. doi: 10.29298/rmcf.v8i39.42
  18. Rojas-García, F., de Jong, B. H. J., Martínez-Zurimendí, P., & Paz-Pellat, F. (2015). Database of 478 allometric equations to estimate biomass for Mexican trees and forests. Annals of Forest Science, 72(6), 835–864. doi: 10.1007/s13595-015-0456-y
  19. Singh, S., Patil, P., Dadhwal, V. K., Banday, J. R., & Pant, D. N. (2012). Assessment of Aboveground Phytomass in Temperate Forest of Kashmir Valley, J&K, India. International Journal of Ecology and Environmental Sciences, 38(2-3), 47 – 58.
  20. Soriano-Luna, M. de los A., Ángeles-Pérez, G., Martínez-Trinidad, T., Plascencia-Escalante, F. O., & Razo-Zárate, R. (2015). Estimación de biomasa aérea por componente estructural en Zacualtipán, Hidalgo, México. Agrociencia, 49(4), 423 – 438.
  21. Ter-Mikaelian, M. T., & Korzukhin, M. D. (1997). Biomass equations for sixty-five North American tree species. Forest Ecology and Management, 97, 1 – 24.