Vol. 27 Núm. 1 (2021): Primavera 2021
Artículos Científicos

Enfoque espacial para modelación de carbono en el mantillo de bosques bajo manejo forestal maderable

Zaira Rosario Pérez-Vázquez
Colegio de Postgraduados
Biografía
Gregorio Ángeles-Pérez
Colegio de Postgraduados
Biografía
Bruno Chávez-Vergara
Universidad Nacional Autónoma de México/Laboratorio Nacional de Geoquímica y Mineralogía
Biografía
José René Valdez-Lazalde
Colegio de Postgraduados
Biografía
Martha Elva Ramírez-Guzmán
Colegio de Postgraduados
Biografía

Publicado 2021-07-01

Palabras clave

  • almacenes de carbono,
  • geoestadística,
  • modelo aditivo generalizado,
  • modelo lineal generalizado,
  • random forest,
  • variabilidad espacial
  • ...Más
    Menos
  • carbon stocks,
  • geostatistics,
  • generalized additive model,
  • generalized lineal model,
  • forest floor,
  • random forest,
  • spatial variability
  • ...Más
    Menos

Resumen

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.

Citas

  1. 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.
  2. 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.
  3. 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
  4. 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
  5. 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
  6. 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
  7. 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
  8. Biau, G. (2012). Analysis of a Random Forest. Journal of Machine Learning Research, 13, 1063-1095.
  9. Biau, G., & Scornet, E. (2016). A random forest guided tour. TEST, 25, 197-227. doi: 10.1007/s11749-016-0481-7
  10. Bivand, R. S. (2019). R Package “spdep”: Spatial dependence. Recuperado de: https://cran.r-project.org/web/packages/spdep/index.html
  11. Bivand, R. S., Pebesma, E. J., & Gómez-Rubio, V. (2008). Applied spatial data analysis in R. New York: Springer.
  12. 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
  13. Breiman, L., 2001. Random Forest. Machine Learning, 45, 5-32.
  14. Brown, M. B., & Forsythe, A. B. (1974). Robust test for the equality of variances. Journal of American Statistical Association, 69, 364-367.
  15. 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
  16. Canty, A., & Ripley, B. (2019). R Package “boot”: Bootstrap Functions. Recuperado de https://cran.r-project.org/web/packages/boot/index.html
  17. 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
  18. 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
  19. 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
  20. Comisión Nacional Forestal [Conafor]. (2012). Manual y procedimientos para el remuestreo de campo. Re-muestreo 2012. México: Secretaria de Medio Ambiente y Recursos Naturales.
  21. 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
  22. 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
  23. 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
  24. García, E. (1981). Modificaciones al sistema de clasificación climática de Köppen. Serie Libros. México: Universidad Nacional Autónoma de México - Instituto de Geografía.
  25. 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
  26. 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
  27. 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
  28. Hiemstra, P. (2013). R Package “automap”: Automatic interpolation package. Recuperado de https://cran.r-project.org/web/packages/automap/index.html
  29. Hijmans, R. J. (2019). R Package “raster”: Geographic Data Analysis and Modelling. Recuperado de https://cran.r-project.org/web/packages/raster/index.html
  30. 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.
  31. 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
  32. 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
  33. 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.
  34. Liaw, A., & Wiener, M. (2002). Classification and Regression by randomForest. R News, 2(3), 18-22.
  35. 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
  36. 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.
  37. 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
  38. 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
  39. 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
  40. 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
  41. 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
  42. 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
  43. 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
  44. 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
  45. 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/
  46. Ribeiro, P. J., & Diggle, P. J. (2006). geoR: A package for Geostatistical Data Analysis. R News, 1(2), 15-18.
  47. 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.
  48. Schlesinger, W. H., & Bernhardt, E. S. (2013). Biogeochemistry: An Analysis of Global Change (3ra ed.). Oxford, United Kingdom: Academic Press.
  49. 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
  50. 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
  51. 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.
  52. 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.
  53. 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.
  54. Webster, R., & Oliver, M. A. (2007). Geostatistics for Environmental Scientist (2da ed.). England: John Wiley & Sons, Ltd.
  55. 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
  56. Wood, S. (2017). Generalized Additive Models. An Introduction with R (2da ed.). United Kingdom: CRC Press. A Chapman & Hall Book.
  57. 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
  58. 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
  59. 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
  60. 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
  61. 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
  62. 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
  63. 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