Enfoque espacial para modelación de carbono en el mantillo de bosques bajo manejo forestal maderable
DOI:
https://doi.org/10.21829/myb.2021.2712122Palabras clave:
almacenes de carbono, geoestadística, modelo aditivo generalizado, modelo lineal generalizado, random forest, variabilidad espacialResumen
El piso forestal o mantillo es el almacén de carbono que regula la mayoría de los procesos funcionales de los ecosistemas forestales, influyendo directamente en la fertilidad del suelo y en la productividad del sitio. El contenido de carbono en el piso forestal es altamente variable en espacio y tiempo; por ello, obtener evaluaciones precisas del carbono contenido en este almacén representa un desafío metodológico importante a cualquier escala. En este estudio, se compararon cuatro métodos de modelación espacial para mapear el contenido de carbono en el piso forestal de un bosque templado. Los métodos fueron kriging ordinario, modelo lineal generalizado, modelo aditivo generalizado y random forest. Las estimaciones del contenido de carbono fueron realizadas para 2013 y 2018. Las variables predictoras representan la estructura espacial, del dosel y topográfica presente en el área de estudio. Todos los modelos fueron evaluados mediante validación cruzada y se determinó el error medio absoluto, el error cuadrático medio y el coeficiente de determinación. El desempeño de los métodos fue, en orden decreciente: random forest, modelo aditivo generalizado, modelo lineal generalizado y kriging ordinario. El método kriging ordinario reflejó el grado de dependencia espacial del contenido de carbono, pero las estimaciones espaciales fueron poco realistas (R2 ≤ 0.35). El modelo aditivo generalizado y el modelo lineal generalizado mostraron buen desempeño (R2 ≥ 0.70), pero mayor sobreestimación; random forest obtuvo el mejor ajuste (R2 ≥ 0.86) para modelar contenido de carbono en ambos años evaluados. Se concluye que random forest es un método prometedor, con gran potencial para mejorar las estimaciones de carbono en el mantillo a escala de paisaje.
Descargas
Citas
Anaya M., C. A. (2007). Dinámica del C y N en el mantillo de un bosque tropical caducifolio en Jalisco, México. Tesis de doctorado, Universidad Nacional Autónoma de México, México.
Ángeles-Pérez, G., Méndez-López, B., Valdez-Lazalde, R., Plascencia-Escalante, F. O., de los Santos-Posadas. H. M., Chávez-Aguilar, G., Ortiz-Reyes, A. D., Soriano L., M. A., Zaragoza-Castañeda, Z., Ventura P., E., & Martínez-López, A. (2015). Estudio de Caso del Sitio de Monitoreo Intensivo del Carbono en Hidalgo. Colegio de Postgraduados, Montecillo, México.
Antúnez, P., Hernández-Díaz, J. C., Wehenkel, C., & Clark-Tapia, R. (2017). Generalized models: an application to identify environmental variables that significantly affect the abundance of three tree species. Forests, 8(3), 1-14. doi: 10.3390/f8030059 DOI: https://doi.org/10.3390/f8030059
Barbosa, A. M., Brown, J. A., Jiménez-Valverde A., & Real, M. (2020). R package “modEva”: Model Evaluation and Analysis. Recuperado de: https://cran.r-project.org/web/packages/modEvA/index.html
Beguin, J., Fuglstad, G. A., Mansuy, N., & Paré, D. (2017). Predicting soil properties in the Canadian boreal forest with limited data: Comparison of spatial and non-spatial statistical approaches. Geoderma, 306, 195-200. doi: 10.1016/j.geoderma.2017.06.016 DOI: https://doi.org/10.1016/j.geoderma.2017.06.016
Berndt, C., & Haberlandt, U. (2018). Spatial interpolation of climate variables in Northern Germany-Inflence of temporal resolution and network density. Journal of Hydrology: Regional Studies, 15, 184-202. doi: 10.1016/j.ejrh.2018.02.002 DOI: https://doi.org/10.1016/j.ejrh.2018.02.002
Bhunia, G. S., Shit, P. K., & Maiti, R. (2018). Comparison of GIS-based interpolation methods for spatial distribution of soil organic carbon (SOC). Journal of the Saudi Society of Agricultural Sciences, 17(2), 114-126. doi: 10.1016/j.jssas.2016.02.001 DOI: https://doi.org/10.1016/j.jssas.2016.02.001
Biau, G. (2012). Analysis of a Random Forest. Journal of Machine Learning Research, 13, 1063-1095.
Biau, G., & Scornet, E. (2016). A random forest guided tour. TEST, 25, 197-227. doi: 10.1007/s11749-016-0481-7 DOI: https://doi.org/10.1007/s11749-016-0481-7
Bivand, R. S. (2019). R Package “spdep”: Spatial dependence. Recuperado de: https://cran.r-project.org/web/packages/spdep/index.html
Bivand, R. S., Pebesma, E. J., & Gómez-Rubio, V. (2008). Applied spatial data analysis in R. New York: Springer.
Bolar, K. (2019). Package STAT - Interactive document for working with basic statistical analysis. Recuperado de: https://cran.r-project.org/web/packages/STAT/STAT.pdf
Breiman, L., 2001. Random Forest. Machine Learning, 45, 5-32. DOI: https://doi.org/10.1023/A:1010933404324
Brown, M. B., & Forsythe, A. B. (1974). Robust test for the equality of variances. Journal of American Statistical Association, 69, 364-367. DOI: https://doi.org/10.1080/01621459.1974.10482955
Cambardella, C. A., Moorman, T. B., Novak, J. M., Parkin, T. B., Karlen, D. L., Turco, R. F., & Konopka, A. E. (1994). Field-Scale Variability of Soil Properties in Central Iowa Soils. Soil Sciences Society of America Journal, 58(5), 1501-1511. doi: 10.2136/sssaj1994.03615995005800050033x DOI: https://doi.org/10.2136/sssaj1994.03615995005800050033x
Canty, A., & Ripley, B. (2019). R Package “boot”: Bootstrap Functions. Recuperado de https://cran.r-project.org/web/packages/boot/index.html
Cao, B., Domke, G. M., Russell, M. B., Walters, B. F. (2019). Spatial modeling of litter and soil carbon stocks on forest land in the conterminous United States. Science of the Total Environment, 654, 94-106. doi: 10.1016/j.scitotenv.2018.10.359 DOI: https://doi.org/10.1016/j.scitotenv.2018.10.359
Carvalho Gomes, L., Moniz F., R., de Souza, E., Vieira V., G., Schaefer, C. E. G. R., Fernandes F., E. I. (2019). Modelling and mapping soil organic carbon stocks in Brazil. Geoderma, 340, 337-350. doi: 10.1016/j.geoderma.2019.01.007 DOI: https://doi.org/10.1016/j.geoderma.2019.01.007
Chen, L., Chunying, R., Li, L., Wang, Y., Zhang, B., Wang, Z., & Li, L. (2019). A comparative assessment of Geostatistical, Machine Learning, and Hybrid Approaches for Mapping Topsoil Organic Carbon Content. ISPRS International Journal of Geoinformation, 8(4), 1-18. doi: 10.3390/ijgi8040174 DOI: https://doi.org/10.3390/ijgi8040174
Comisión Nacional Forestal [Conafor]. (2012). Manual y procedimientos para el remuestreo de campo. Re-muestreo 2012. México: Secretaria de Medio Ambiente y Recursos Naturales.
Dai, W., Fu, W., Jiang, P., Zhao, K., Li, Y., & Tao, J. (2018). Spatial pattern of carbon stocks in forest ecosystem of a typical subtropical region of southeastern China. Forest Ecology and Management, 409, 288-297. doi: 10.1016/j.foreco.2017.11.036 DOI: https://doi.org/10.1016/j.foreco.2017.11.036
Deng, X., Chen, X., Ma, W., Ren, Z., Zhang, M., Grieneisen, M.L., Long, W., Ni, Z., Zhan, Y., & Lv, X. (2018). Baseline map of organic carbon stock in farmland topsoil in East China. Agriculture, Ecosystem and Environment, 254, 213-223. doi: 10.1016/j.agee.2017.11.022 DOI: https://doi.org/10.1016/j.agee.2017.11.022
Domke, G. M., Perry, C. H., Walters, B. F., Woodall, C. W., Russell, M. B., & Smith, J. E. (2016). Estimating litter carbon stocks on forest land in the United States. Science of the Total Environmental, 557-558, 469-478. doi: 10.1016/jscitotenv.2016.03.090 DOI: https://doi.org/10.1016/j.scitotenv.2016.03.090
García, E. (1981). Modificaciones al sistema de clasificación climática de Köppen. Serie Libros. México: Universidad Nacional Autónoma de México - Instituto de Geografía.
Goovaerts, P. (1999). Geostatistics in soil science: state-of-the-art and perspectives. Geoderma, 89, 1-45. doi: 10.1016/S0016-7061(98)00078-0 DOI: https://doi.org/10.1016/S0016-7061(98)00078-0
Grunwald, S. (2009). Multi-criteria characterization of recent digital soil mapping and modelling approaches. Geoderma, 152, 195-207. doi: 10.1016/j.geoderma.2009.06.003 DOI: https://doi.org/10.1016/j.geoderma.2009.06.003
Freeman, E. A., Frescino, T. S., & Moisen, G. G. (2018). ModelMap: an R Package for Model Creation and Map Production. Recuperado de https://cran.r-project.org/web/packages/ModelMap/vignettes/VModelMap.pdf
Hiemstra, P. (2013). R Package “automap”: Automatic interpolation package. Recuperado de https://cran.r-project.org/web/packages/automap/index.html
Hijmans, R. J. (2019). R Package “raster”: Geographic Data Analysis and Modelling. Recuperado de https://cran.r-project.org/web/packages/raster/index.html
Hollinger, D. (2008). Defining a Landscape-Scale Monitoring Tier for the North American Carbon Program. En: C. Hoover (Ed.), Field Measurements for Forest Carbon Monitoring (pp. 3-16). USA: Springer-NY. DOI: https://doi.org/10.1007/978-1-4020-8506-2_1
Intergovernmental Panel on Climate Change [IPCC]. (2006). IPCC Guidelines for National Greenhouse Gas Inventories. Institute for Global Environmental Strategies. Japan. Recuperado de https://www.ipcc-nggip.iges.or.jp/support/Primer_2006GLs.pdf
Jaramillo, V. J., Kauffman, J. B., Rentería-Rodríguez, L., Cummings, D. L., & Ellingson, L. J. (2003). Biomass, Carbon, and Nitrogen Pools in Mexican Tropical Dry Forest Landscapes. Ecosystems, 6, 609-629. doi: 10.1007/s10021-002-0195-4 DOI: https://doi.org/10.1007/s10021-002-0195-4
Jeyanny, V., Balasundram, S. K., Ahmad-Husni, M. H., & Wan-Rasidah, K. (2016). Spatial variability of forest floor thickness for estimation of refined carbon stocks in a tropical montane forest. Journal of Tropical Forest Science, 28(3), 285–297.
Liaw, A., & Wiener, M. (2002). Classification and Regression by randomForest. R News, 2(3), 18-22.
López-Escobar, N. F., Gómez-Guerrero, A., Velázquez-Martínez, A., Fierros-González, A. M., Castruita-Esparza, L. U., & Vera-Castillo, J. A. G. (2017). Reservoirs and nutrient dynamics in two stands of Pinus montezumae Lamb. in Tlaxcala, Mexico. Revista Chapingo Serie Ciencias Forestales y del Ambiente, 24(1), 115-129. doi: 10.5154/r.rchscfa.2017.09.055 DOI: https://doi.org/10.5154/r.rchscfa.2017.09.055
López-Merlín, D., Maldonado, V., Wayson, C., Carrillo, O., Dupuy Rada, J. M., Ángeles-Pérez, G., Caamal Sosa, J. P., Méndez-López, B., Sánchez-Santos, G., Chávez-Agular, G., Johnson, K., Tamayo, M., & Puc, S. (2016). Capitulo III. Reservorios de carbono en parcelas permanentes. En: Protocolo para la estimación de la dinámica del carbono forestal en sitios de medición intensiva: un enfoque multi-escala. Fortalecimiento REDD+ y Cooperación Sur-Sur, México, Noruega. 16-47 pp.
Maindonald, J. (2018). Package “gamclass” – Functions and Data for a Course on Modern Regression and Classification. Recuperado de: https://cran.r-project.org/web/packages/gamclass/gamclass.pdf
Martínez-Yrizar, A., Nuñez, S., Miranda, H., & Búrquez, A. (1999). Temporal and Spatial Variation of Litter Production in Sonoran Desert Communities. Plant Ecology, 145(1), 37-48. doi: 10.1023/A:1009896201047 DOI: https://doi.org/10.1023/A:1009896201047
Meersmans, J., De Ridder, F., Canters, F., De Baets, S., & Van Molle, M. (2008). A multiple regression approach to assess the spatial distribution of Soil Organic Carbon (SOC) at the regional scale (Flanders, Belgium). Geoderma, 143, 1-13. doi: 10.1016/j.geoderma.2007.08.025 DOI: https://doi.org/10.1016/j.geoderma.2007.08.025
Minasny, B., McBratney, A. B., Malone, B. P., & Wheeler, I. (2013). Digital Mapping of Soil Carbon. Advances in Agronomy, 118, 1-47. doi: 10.1016/B978-0-12-405942-9.00001-3 DOI: https://doi.org/10.1016/B978-0-12-405942-9.00001-3
Pan, Y., Birdsey, R., Fang, J., Houghton, R., Kauppi, P. E., Kurz, W. A., Phillips, O. L., Shvidenko, A., Lewis, S. L., Canadell, J. G., Ciais, P., Jackson, R. B., Pacala, S. W., McGuire, A. D., Piao, S., Rautiainen, A., Sitch, S., & Hayes, D. (2011). A Large and Persistent Carbon Sink in the World’s Forests. Science, 333, 988-993. doi: 10.1126/science.1201609 DOI: https://doi.org/10.1126/science.1201609
Pebesma, E. J. (2004). Multivariable geostatistics in S: the gstat package. Computer & Geosciences, 30(7), 683-691. doi: 10.1016/j.cageo.2004.03.012 DOI: https://doi.org/10.1016/j.cageo.2004.03.012
Penne, C., Ahrends, B., Deurer, M., & Böttcher, J. (2010). The impact of the canopy structure on the spatial variability in forest floor carbon stocks. Geoderma, 158, 282-297. doi: 10.1016/j.geoderma.2010.05.007 DOI: https://doi.org/10.1016/j.geoderma.2010.05.007
Pérez-Suárez, M., Arredondo-Moreno, J. T., & Huber-Sannwald, E. (2012). Early stage of single and mixed leaf litter decomposition in semiarid forest pine-oak: the role of rainfall and microsite. Biogeochemistry, 108, 245-258. doi: 10.1007/s10533-011-9594-y DOI: https://doi.org/10.1007/s10533-011-9594-y
R Development Core Team (2018). R: a Language and Environment for Statistical Computing. Vienna: R Foundation for Statistical Computing. Recuperado de: http://www.r-project.org/
Ribeiro, P. J., & Diggle, P. J. (2006). geoR: A package for Geostatistical Data Analysis. R News, 1(2), 15-18.
Santiago-García, W., de los Santos-Posadas, H. M., Ángeles-Pérez, G., Valdez-Lazalde, J. R., & Ramírez-Valverde, G. (2013). Sistema compatible de crecimiento y rendimiento para rodales coetáneos de Pinus patula. Revista Fitotecnia Mexicana, 36(2), 163-172. DOI: https://doi.org/10.35196/rfm.2013.2.163
Schlesinger, W. H., & Bernhardt, E. S. (2013). Biogeochemistry: An Analysis of Global Change (3ra ed.). Oxford, United Kingdom: Academic Press.
Scull, P., Flanklin, J., Chadwick, O. A., & McArthur, D. (2003). Predicting soil mapping: a review. Progress in Physical Geography, 27(2), 171-197. doi: 10.1191/0309133303pp366ra DOI: https://doi.org/10.1191/0309133303pp366ra
Soriano-Luna, M. A., Ángeles-Perez, G., Guevara, M., Birdsey, R., Pan, Y., Vaquera-Huerta, H., Valdez-Lazalde, J. R., Johnson, K. D., & Vargas, R. (2018). Determinants of Above-Ground Biomass and Its Spatial Variability in a Temperate Forest Managed for Timber Production. Forests, 9(490), 1-20. doi: 10.3390/f9080490 DOI: https://doi.org/10.3390/f9080490
Soriano-Luna, M. A., Ángeles-Pérez, G., Martínez-Trinidad, T., Plascencia-Escalante, F. O., & Razo-Zarate, R. (2015). Estimación de biomasa aérea por componente estructural en Zacualtipán, Hidalgo, México. Agrociencia, 49, 423-438.
Toríz-Robles, N., Ramírez-Guzmán, M. E., Fernández-Ordoñez, Y. M., Soria-Ruíz, J., & Ybarra Moncada, M. C. (2019). Comparación de modelos lineales y no lineales para estimar el riesgo de contaminación de suelos. Agrociencia 53(2), 269-283.
Villegas-Macedo, A. Y. (2019). Caracterización y mapeo de hábitat en bosque templado bajo manejo maderable. Tesis de Maestría en Ciencias. Colegio de Postgraduados. Montecillo, México.
Webster, R., & Oliver, M. A. (2007). Geostatistics for Environmental Scientist (2da ed.). England: John Wiley & Sons, Ltd. DOI: https://doi.org/10.1002/9780470517277
Wiesmeier, M., Barthold, F., Spörlein, P., Geuß, U., Hangen, E., Reischl, A., Schilling, B., Angst, G., von Lützow, M., & Kögel-Knabner, I. (2014). Estimation of total organic carbon storage and its driving factors in soils of Bavaria (southeast Germany). Geoderma Regional, 1, 67-78. doi: 10.1016/j.geodrs.2014.09.001 DOI: https://doi.org/10.1016/j.geodrs.2014.09.001
Wood, S. (2017). Generalized Additive Models. An Introduction with R (2da ed.). United Kingdom: CRC Press. A Chapman & Hall Book. DOI: https://doi.org/10.1201/9781315370279
Wood, S., & Augustin, N. H. (2002). GAMs with integrated model selection using penalized regression splines and application to environmental modelling. Ecological Modelling, 157(2-3), 157-177. doi: 10.1016/S0304-3800(02)00193-X DOI: https://doi.org/10.1016/S0304-3800(02)00193-X
Wood, S., & Wood, M. S. (2019). Package “mgcv” – Mixed GAM Computational Vehicle with Automatic Smoothness Estimation. Recuperado de: https://cran.r-project.org/web/packages/mgcv/mgcv.pdf
Yao, X., Yu, K., Deng, Y., Zeng, Q., Lai, Z., & Liu, J. (2019). Spatial distribution of soil organic carbon stocks in Masson pine (Pinus massoniana) forests in subtropical China. Catena, 178, 189-198. doi: 10.1016/j.catena.2019.03.004 DOI: https://doi.org/10.1016/j.catena.2019.03.004
Zeraatpisheh, M., Ayoubi, S., Jafari, A., Tajik, S., & Finke, P. (2017). Comparing the efficiency of digital and conventional soil mapping to predict soil types in a semi-arid region in Iran. Geomorphology, 285, 186-204. doi: 10.1016/j.geomorph.2017.02.015 DOI: https://doi.org/10.1016/j.geomorph.2017.02.015
Zeraatpisheh, M., Ayoubi, S., Jafari, A., Tajik, S., & Finke, P. (2019). Digital mapping of soil properties using multiple machine learning in a semiarid region, central Iran. Geoderma, 338, 445-452. doi: 10.1016/j.geoderma.2018.09.006 DOI: https://doi.org/10.1016/j.geoderma.2018.09.006
Zhang, J., Huang, S., Hogg, E. H., Lieffers, V., Qin, Y., & He, F. (2014). Estimating spatial variation in Alberta forest biomass from a combination of forest inventory and remote sensing data. Biogeosciences, 11(10), 2793-2808. doi: 10.5194/bg-11-2793-2014 DOI: https://doi.org/10.5194/bg-11-2793-2014
Zhang, C., & McGrath, D. (2004). Geostatistical and GIS analyses on soil organic carbon concentrations in grassland of southeastern Ireland from two different periods. Geoderma, 119, 261-275. doi: 10.1016/j.geoderma.2003.08.004 DOI: https://doi.org/10.1016/j.geoderma.2003.08.004
Descargas
Publicado
Cómo citar
-
Resumen906
-
PDF686
-
LENS26
Número
Sección
Licencia
Derechos de autor 2021 Madera y Bosques
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.
