Vol. 26 Núm. 1 (2020): Primavera 2020
Artículos Científicos

Inventario y mapeo de variables forestales mediante sensores remotos en el estado de Quintana Roo, México

Jonathan Hernández-Ramos
Instituto Nacional de Investigaciones Forestales, Agrícolas y Pecuarias
Biografía
Xavier García-Cuevas
Instituto Nacional de Investigaciones Forestales, Agrícolas y Pecuarias
Ramiro Peréz-Miranda
Instituto Nacional de Investigaciones Forestales, Agrícolas y Pecuarias
Biografía
Antonio González-Hernández
Instituto Nacional de Investigaciones Forestales, Agrícolas y Pecuarias
Biografía
Luis Martínez-Ángel
Comisión Nacional Forestal.
Biografía

Publicado 2020-03-30

Palabras clave

  • aerial biomass,
  • forest structure,
  • Landsat,
  • regression models,
  • remote sensing
  • biomasa aérea,
  • estructura forestal,
  • Landsat,
  • modelos de regresión,
  • sensores remotos

Resumen

Los sensores remotos en combinación con información derivada de los inventarios forestales estiman variables de interés con precisión y bajo costo. El objetivo de este trabajo fue estimar el área basal (AB), volumen maderable (VTA) y biomasa aérea (B) en diferentes ecosistemas de selvas mediante información Landsat ETM+ e Inventario Nacional Forestal y de Suelos (INFyS) en Quintana Roo, México. Se generó una matriz de correlación entre datos del INFyS e información espectral, posteriormente, un modelo de regresión lineal múltiple. Con las ecuaciones seleccionadas se generaron mapas de distribución espacial de AB (m2 ha-1), VTA (m3 ha-1) y B (Mg ha-1). El inventario total se estimó mediante tres enfoques: i) estimadores de razón (ERaz), ii) estimadores de regresión (EReg) y iii) estimadores del muestreo simple al azar. Los dos primeros enfoques corresponden al inventario alternativo mediante sensores remotos y el tercero al inventario tradicional. El coeficiente de correlación resultó mayor del índice de diferencia normalizada con 0.35, 0.39 y 0.39 para AB, VTA y B. Los modelos de regresión presentaron coeficientes de determinación ajustada de 0.28, 0.32 y 0.32 para estimar AB, VTA y B, respectivamente. Los tres estimadores son estadísticamente diferentes y muestran que el EReg es el más conservador y con precisión en AB, VTA y B de 2.73%, 2.92% y 2.71%, respectivamente, además de intervalos de confianza de menor amplitud que el MSA y ERaz. Con la actualización del inventario mediante sensores remotos se mejora el proceso de evaluación de los recursos forestales y su planificación.

Citas

  1. Acosta M., M., Pérez, M. R., Romero, S. M. E., González, H. A., & Martínez, A. L. (2017). Estimación de la densidad forestal mediante imágenes Landsat ETM+ en la región sur del Estado de México. Revista Mexicana de Ciencias Forestales, 8(41), 30-55. doi: 10.29298/rmcf.v8i41.25
  2. Aguirre-Salado, C. A., Valdez-Lazalde, R. J., Ángeles-Pérez, G., De los Santos-Posadas, H. M.,, & Aguirre-Salado, I. A. (2011). Mapeo del índice de área foliar y cobertura arbórea mediante fotografía hemisférica y datos Spot 5 HRG: regresión y k-nn. Agrociencia, 45, 105-19.
  3. Aslan, A., Rahman, A. F., Warren, M. W., & Robeson, S. M. (2016). Mapping spatial distribution and biomass of coastal wetland vegetation in Indonesian Papua by combining active and passive remotely sensed data. Remote Sensing of Environment, 183, 65-81. doi: 10.1016/j.rse.2016.04.026
  4. Avitabile, V., Baccini, A., Friedl, M. A., & Schmullius, C. (2012). Capabilities and limitations of Landsat and land cover data for aboveground woody biomass estimation of Uganda. Remote Sensing of Environment, 117, 366-380.
  5. Bailes, W. W., and Brooks J. R. (2004). A Comparison of two double sampling auxiliary variables with inventories of varying sample size. En D. Yaussy, D. M Hix, P. Ch. Goebel, & R. P. Long (eds.), Proceedings of the 14th central hardwoods forest conference GTR-NE-316 (pp. 101-105). Wooster, Ohio: USDA Forest Service.
  6. Cartus, O., Kellndorfer, J., Walker, W., Franco, C., Bishop, J., Santos, L., and Michel F., J. M. (2014). A National, Detailed Map of Forest Aboveground Carbon Stocks in Mexico. Remote sensing, 6(6), 5559-5588. doi: 10.3390/rs6065559
  7. Comisión Nacional Forestal [Conafor] (2014). Inventario Estatal Forestal y de Suelos - Quintana Roo 2013. Zapopan, Jal., México.
  8. 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
  9. Foody, G. M., Boyd, D. S., & Cutler, M., E. J. (2003). Predictive relations of tropical forest biomass from Landsat TM data and their transferability between regions. Remote Sensing of Environment, 85, 463-474. doi:10.1016/S0034-4257(03)00039-7
  10. Gobierno de la Republica (2014). Plan Nacional de Desarrollo 2013-2018. Recuperado de http://www.conafor.gob.mx:8080/documentos/docs/4/5382Programa%20Nacional%20Forestal%202014-2018.pdf
  11. Hansen, M. C., Potapov, P. V., Goetz, S. J., Turubanova, S., Tyukavina, A., Krylov, A., & Egorov, A. (2016). Mapping tree height distributions in Sub-Saharan Africa using Landsat 7 and 8 data. Remote Sensing of Environment, 185, 221-232. doi: 10.1016/j.rse.2016.02.023
  12. Harris, R. (1987). Satellite remote sensing. An introduction. Routledge and Kegan Paul, London. 220 p.
  13. Hawbaker, T. J., Gobakken, T., Lesak, A., Tromborg, E., Contrucci, K., & Radeloff, V. (2010). Light Detection and Ranging-Based Measures of Mixed Hardwood Forest Structure. Forest Science, 56, 313-326. doi: 10.1093/forestscience/56.3.313
  14. Heiskanen, J. (2006). Estimating aboveground tree biomass and leaf area index in a mountain birch forest using ASTER satellite data. International Journal of Remote Sensing, 27, 1135-1158. doi: 10.1080/01431160500353858
  15. Huang, C. (2003). A stepwise regression tree for nonlinear approximation: applications to estimating subpixel land cover. International Journal of Remote Sensing, 24(1), 75-90. doi: 10.1080/01431160305001
  16. Instituto Nacional de Estadística Geográfica e Informática (Inegi) (2000). Anuario Estadístico de los Estados Unidos Mexicanos, edición 2000. Aguascalientes: Inegi.
  17. Instituto Nacional de Estadística y Geográfica [Inegi] (2015). Anuario estadístico y geográfico de Quintana Roo. México. Instituto Nacional de Estadística. Aguascalientes. 384 pp.
  18. López-Serrano, P. M., López-Sánchez, A. C., Díaz-Varela, A. R., Corral-Rivas, J. J., Solís-Moreno, R., Vargas-Larreta, B., & Álvarez-González, J. G. (2015). Estimating biomass of mixed and uneven-aged forests using spectral data and a hybrid model combining regression trees and linear models. iForest Biogeosciences and Forestry, 9: 226-234. doi: 10.3832 / ifor1504-008
  19. Martínez B., R. A., Aguirre C., O. A., Vargas L., B., Jiménez P., J., Treviño G., E. J., & Yerena, Y., J. I. (2016). Modelación de biomasa y carbono arbóreo aéreo en bosques del estado de Durango. Revista Mexicana de Ciencias Forestales, 7(35), 91-105.
  20. Martínez-Ramos, M. & García O., X. (2007). Sucesión ecológica y restauración de las selvas húmedas. Boletín de la Sociedad Botánica de México, 80, 69-84. doi: 10.17129/botsci.1758
  21. Muñoz-Ruiz, M. Á., 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.
  22. Nelson, R., Margolis, H., Montesano, P., Sun, G., Cook, B., Corp, L., & Prisley, S. (2017). Lidar-based estimates of aboveground biomass in the continental US and Mexico using ground, airborne, and satellite observations. Remote Sensing of Environment, 188, 127-140. doi: 10.1016/j.rse.2016.10.038
  23. Ortiz-Reyes, A. D., Valdez-Lazalde, J. R., De los Santos-Posadas, H. M., Ángeles-Pérez, G., Paz-Pellat, F., & Martínez-Trinidad, T. (2015). Inventario y cartografía de variables del bosque con datos derivados de LIDAR: comparación de métodos. Madera y Bosques, 21(3): 111-128. doi: 10.21829/myb.2015.213461
  24. Peralta-Rivero, C., Galindo-Mendoza, M. G., Contreras-Servín, C., Algara-Siller, M., & Mas-Caussel, J. F. (2016). Percepción local respecto a la valoración ambiental y pérdida de los recursos forestales en la región Huasteca de San Luis Potosí, México. Madera y Bosques, 22(1), 71-93. doi: 10.4236/ojf.2014.42018
  25. Rodríguez-Veiga, P., Saatchi, S., Tansey, K., & Balzter, H. (2016). Magnitude, spatial distribution and uncertainty of forest biomass stocks in Mexico. Remote Sensing of Environment, 183, 265-281. doi: 10.1016/j.rse.2016.06.004
  26. Roldán-Cortés, M. A., De Los Santos-Posadas, H. M., Ramírez-Maldonado, H., Valdez-Lazalde, J. J., Ángeles-Pérez, G., & Velázquez-Martínez, A. (2013). Estimadores de muestreo para inventario de plantaciones forestales de eucalipto en el sureste de mexicano. Revista Mexicana de Ciencias Forestales, 5(26), 38-57.
  27. Rosete-Vergés, F. A., Pérez-Damián, J. L., Villalobos-Delgado, M., Navarro-Salas, E. N., Salinas-Chávez, E., & Remond- Noa, R. (2014). El avance de la deforestación en México 1976-2007. Madera y Bosques, 20(1): 21- 35. doi: 10.21829/myb.2014.201173
  28. Rouse, J, W., Haas, R. H., Schell, J. A., Deerino D. W., & Harlan, J. C. (1974). Monitoring the vernal advancement of retrogradation of natural vegetation. NASA/OSFC, Type III Final Report, Remote Sensing Center, Texas A&M University, College Station, TX, USA.
  29. SAG (1976). Inventario Forestal del Estado de Quintana Roo. Publicación núm. 41. México DF: Dirección General del Inventario Nacional Forestal. Subsecretaria Forestal y de Fauna. SAG.
  30. Scheaffer, L. R., Mendenhall, W., & Ott, L. (1986). Elementary survey sampling. Boston, MA, USA: PWS Publishers.
  31. Solberg, S., Astrup, R., Breidenbach, J., Nilsen, B., & Weydahl, D. (2013). Monitoring spruce volume and biomass with inSAR data from TanDEM-X. Remote sensing of Environment, 139, 60-67. doi: 10.1016/j.rse.2013.07.036
  32. Soudani, K., François, C., Le Marrie, G., Le Dantec V., & Dufrêne E. (2006). Comparative analysis of IKONOS, SPOT, and ETM+ data for leaf area index estimation in temperate coniferous and deciduous forest stands. Remote Sensing of Environment, 102, 161-175. DOI: 10.1016 / j.rse.2006.02.004
  33. Statistical Analysis System (SAS). 2008. SAS/STAT® 9.2 User's Guide. Raleigh, NC USA: SAS Institute Inc.
  34. Torres R., J. M. & Guevara S., A. (2002). El potencial de México para la producción de servicios ambientales: captura de carbono y desempeño hidráulico. Gaceta Ecológica, 63, 40-59.
  35. Torres-Rojas, G., Romero-Sánchez, M. E., Velasco-Bautista, E., & González-Hernández, A. (2016). Estimación de parámetros forestales en bosques de coníferas con técnicas de percepción remota. Revista Mexicana de Ciencias Forestales, 7(36): 7-24.
  36. Torres-Vivar, J. E., Valdez-Lazalde, J. J., Ángeles-Pérez, G., Santos Posadas, H. M., & Aguirre-Salado, C. A. 2017. Inventario y mapeo de un bosque bajo manejo de pino con datos del sensor SPOT 6. Revista Mexicana de Ciencias Forestales, 8(39), 25-43.
  37. Tucker, C. J. (1979). Red and photographic infrared linear combinations for monitoring vegetation. Remote Sensing of Environment, 8, 127-150. doi: 10.1016/0034-4257(79)90013-0
  38. United States Geological Survey (USGS). (2015). Landsat data access. Recuperado de http:// landsat.usgs.gov/landsat-data-access
  39. Vargas-Larreta, B., Corral-Rivas, J. J., Aguirre-Calderón, O. A., López-Martínez, J. O., De los Santos-Posadas, H. M., Zamudio-Sánchez, F. J., Treviño-Garza, E. J., Martínez-Salvador, M., & Aguirre-Calderon, C. G. (2017). SiBiFor: Sistema biométrico Forestal para el manejo de los bosques de México. Revista Chapingo Serie Ciencias Forestales y del Ambiente, 23(3): 437-455. doi: 10.5154/r.rchscfa.2017.06.040
  40. Valdez-Lazalde, J. R., González-Guillén, M. J., & Santos-Posadas, H. M. (2006). Estimación de cobertura arbórea mediante imágenes satelitales multiespectrales de alta resolución. Agrociencia, 40, 383-394.
  41. Velasco-Bautista, E., Santos-Posadas, H. M., Ramírez-Maldonado, H., & Rendón-Sánchez, G. (2016). Comparación de estimadores para volumen maderable en selva mediana del sureste de México. Agrociencia, 50, 119-132.
  42. Wulder, M. (1998). Optical remote-sensing techniques for the assessment of forest inventory and biophysical parameters. Progress in physical Geography, 22(4), 449-476. doi: 10.1177/030913339802200402
  43. Zhang, Z. (2016). Variable selection with stepwise and best subset approaches. Annals of Translational Medicine, 4(7): 136-141. doi: 10.21037 / atm.2016.03.35
  44. Zhu, X. & Liu, D. (2014). Improving forest aboveground biomass estimation using seasonal Landsat NDVI time-series. Journal of Photogrammetry and Remote Sensing, 10, 222-231. doi: 10.1016/j.isprsjprs.2014.08.014