TÉSIS DE MAESTRÍA EN CIENCIAS BIOLOGICAS · otorgado en el marco del proyecto Estimación de la...
134
1 Centro de Investigación Científica de Yucatán, A.C. Posgrado en Ciencias Biológicas ESTIMACIÓN DE LA BIOMASA EPIGEA EN BOSQUES TROPICALES SECOS DE LA PENÍNSULA DE YUCATAN COMBINANDO DATOS LiDAR E IMÁGENES MULTIESPECTRALES DE MUY ALTA RESOLUCIÓN Tesis que presenta GABRIELA REYES PALOMEQUE En opción al título de MAESTRO EN CIENCIAS (Ciencias Biológicas: Opción Recursos Naturales) Mérida, Yucatán, México 2018
Transcript of TÉSIS DE MAESTRÍA EN CIENCIAS BIOLOGICAS · otorgado en el marco del proyecto Estimación de la...
1
Centro de Investigación Científica de Yucatán, A.C.
Posgrado en Ciencias Biológicas
ESTIMACIÓN DE LA BIOMASA EPIGEA EN
BOSQUES TROPICALES SECOS DE LA
PENÍNSULA DE YUCATAN COMBINANDO DATOS
LiDAR E IMÁGENES MULTIESPECTRALES DE MUY
ALTA RESOLUCIÓN
Tesis que presenta
GABRIELA REYES PALOMEQUE
En opción al título de
MAESTRO EN CIENCIAS
(Ciencias Biológicas: Opción Recursos Naturales)
Mérida, Yucatán, México
2018
iii
Este trabajo se llevó a cabo en la Unidad de Recursos Naturales del Centro de
Investigación Científica de Yucatán, A. C., y forma parte del proyecto titulado
“Estimación de la biomasa epigea en bosques tropicales secos de la Península de
Yucatán combinando datos LiDAR e imágenes multiespectrales de muy alta
resolución” bajo la dirección del Dr. José Luis Hernández-Stefanoni.
v
AGRADECIMIENTOS
A CONACYT por la beca otorgada con el número de registro 738202.
A Ecometrica LTD y la Agencia Espacial del Reino Unido por su apoyo económico
otorgado en el marco del proyecto Estimación de la biomasa aérea en bosques tropicales
de la Península de Yucatán, utilizando datos de campo y sensores remotos con clave
7017600001.
Al Dr. José Luis Hernández Stefanoni por su dirección, los consejos y las palabras de
aliento en todo momento, usted ha sido un gran amigo. Gracias a Dani, por dejarme entrar
en su hogar. Les estoy inmensamente agradecida.
Al Dr. Juan Manuel Dupuy Rada por su paciencia, amistad, consejos, y principalmente, la
motivación para seguir adelante. Por sus buenos deseos.
A la Dra. Luz María Calvo Irabién por ser una persona tan amigable y conocedora.
Gracias por formar parte de este equipo.
Al Dr. Kristofer Johnson por las palabras de aliento que siempre me motivan para seguir
adelante en la investigación. Porque desde el país donde estuviera siempre me brindó su
apoyo. Bendiciones.
Al Dr. Miguel Ángel Castillo, por formar parte de este equipo, por su tiempo y esfuerzo en
la mejora de este trabajo.
A la Dra. Casandra, Manuelita, a los de posgrado, a los de cómputo, por todo el apoyo y
paciencia.
A los técnicos Juan Pablo Caamal Sosa, Don Filogonio May Pat, Fernando Tun y
Francisco Chi por hacer de las salidas al campo una de las mejores experiencias. Gracias
por las historias de cada lugar, por las pláticas y los consejos.
A mis amigos, Dinosca Rondón, Luciano Gonzales, Iván Tamayo, Stephanie George,
Katya Romero, Irina Llamas, Claudia Ramírez, Helena Huechacona, Diana Cifuentes,
Luisa Andrade, Nahlleli Chilpa, Vica Alcántar, Samuel Gamboa. Muchas gracias por todo
el cariño, por los consejos, por las aventuras, por las arepas, por las pupusas, por los
aborrajados, lo más delicioso del mundo. Gracias por hacerme sentir tan en casa. Estoy
muy agradecida por haberlos conocido, me han enseñado tanto.
A mis hermanos adoptivos Andrés Urieta y Lupita Orantes, mis chiapanecos favoritos.
Siempre conmigo, siempre a mi lado en las victorias y derrotas.
A los de la Unidad de Recursos Naturales, por compartir su tiempo y espacio. Gracias por
tanto cariño hacia mi pequeña persona. Los llevo en mi corazón.
A mis amigos de la escalada, los del Muro de la Calle 20 y los de la Roca. Gracias por las
risas y por las salidas. ¡Por la amistad!
A Dios y a mi familia entera. Porque gracias a ustedes se lo que significa el trabajo y la
familia y por estar conmigo en todo tiempo. Los que se han ido, Genaro Reyes V., Edita
Ramírez, Aidé Romero, Micaela Manchinelly, los extraño tanto, siempre fueron mi fuerza,
los recuerdo como si fuera ayer. Llegar a la vejez, no es más que una fortuna que muy
pocos tienen. A los hermanos de mi padre, a los hermanos de mi madre. Y a mis primos,
por darme la dicha de conocer a sus hijos. Por darme la dicha de ser tía.
A mis abuelos, Jorge Palomeque y Noemí Manchinelly, el ejemplo de amor más bello. La
lucha constante por el cuidado de la familia, por el cuidado de ustedes mismos.
A mis adorados padres Genaro Reyes y Georgina Palomeque. Ustedes han sido el
ejemplo de vida más tierno y fuerte que tengo de la vida. Gracias por enseñarme a vivir
teniéndolo todo y nada. Papá, eres el hombre más fuerte y siempre serás mi héroe.
Mamá, eres la mujer más bella y delicada que mis ojos han visto. Gracias porque
dulcemente me dieron a conocer el mundo de la ciencia desde la niñez, detonando
siempre mi curiosidad, haciéndome cuestionar todo. Por darme su apoyo en hacer lo que
me apasiona. Por el hermoso hogar en donde crecí y me educaron. Nunca me hizo falta
nada, ténganlo por seguro. Todo lo que he logrado y lo que viene, es por y para ustedes.
A mi pequeño hermano Genaro Reyes Palomeque. Siempre te recuerdo como aquel niño
tan aventurero y sin miedo a nada. Gracias por tu cariño, por tu empatía, por tus consejos.
Por Ari. La veo a ella, y te veo a ti. Sé que serás el mejor padre. Sé que serás el mejor
ejemplo porque ella es el clon de tus ojos y de la nobleza que hay en ti. Estoy muy
orgullosa de ser tu hermana.
vii
DEDICATORIAS
A mis padres, Genaro y Georgina
A mi mejor amigo y hermano, Gena
A Ari y a todos mis sobrinos
Con amor infinito
La tía Gabi
INDICE
i
ÍNDICE
ÍNDICE ..................................................................................................................... i
LISTADO DE FIGURAS ......................................................................................... v
LISTADO DE CUADROS........................................................................................ v
LISTADO DE ABREVIATURAS ............................................................................ xi
RESUMEN ........................................................................................................... xiii
ABSTRACT ........................................................................................................... xv
INTRODUCCIÓN .................................................................................................... 1
CAPITULO I: ANTECEDENTES ............................................................................. 5
1. 1 ANTECEDENTES ............................................................................................ 5
1.1.1 El papel de los bosques tropicales en el ciclo del carbono y el cambio
climático .................................................................................................................. 5
1.1.2 Bosques tropicales secos; importancia y problemática. ........................... 8
1.1.2.1 Bosques tropicales subcaducifolios .......................................... 11
1.1.2.2 Bosques tropicales subperennifolios ........................................ 12
1.1.3 Biomasa, biomasa epigea y su estimación ............................................ 12
1.1.4 Percepción remota en el estudio de la vegetación ................................. 15
1.1.5 Sensores ópticos pasivos ...................................................................... 16
1.1.5.1 Imágenes de muy alta resolución espacial ............................... 18
1.1.5.2 Índices de vegetación ............................................................... 21
1.1.5.3 Medidas de textura ................................................................... 23
1.1.6 Sensores ópticos activos ....................................................................... 25
1.1.6.1 LiDAR ....................................................................................... 26
1.1.7 Estructura del paisaje ............................................................................. 28
1.2 PLANTEAMIENTO DEL PROBLEMA. ........................................................... 31
1.3 OBJETIVOS .................................................................................................... 33
1.3.1 Objetivo General: ................................................................................... 33
1.3.2 Objetivos específicos: ............................................................................ 33
1.4 PREGUNTAS DE INVESTIGACIÓN ............................................................... 33
1.5 HIPOTESIS ..................................................................................................... 35
ÍNDICE
ii
CAPITULO II. MATERIALES Y MÉTODOS ......................................................... 37
2.1 MATERIALES Y METODOS ........................................................................... 37
2.1.1 Área de estudio. ..................................................................................... 37
2.1.2 Diseño de muestreo ............................................................................... 39
2.1.3 Ecuaciones alométricas empleadas ....................................................... 41
2.1.4 Cálculo de biomasa epigea en las parcelas de 1,000 m2 ....................... 42
2.1.5 Información de los datos. ....................................................................... 44
2.1.6 Procesamiento de datos LiDAR (obtención de métricas de altura y
cobertura) .............................................................................................................. 44
2.1.7 Procesamiento de las VHSRI; obtención de métricas. ........................... 48
2.1.8 Análisis de datos .................................................................................... 55
CAPITULO III. RESULTADOS ............................................................................. 59
3.1 RESULTADOS ................................................................................................ 59
3.1.1 Cuantificación de la biomasa epigea en campo ..................................... 59
3.1.2 Distribución de la biomasa epigea ..................................................... 59
3.1.3 Estimación de la biomasa epigea utilizando datos LiDAR ..................... 60
3.1.4 Validación de los modelos de regresión utilizados para estimar la
biomasa epigea usando datos LiDAR ................................................................... 61
3.1.5 Estimación de la biomasa epigea utilizando datos extraídos de las
VHSRI ................................................................................................................... 63
3.1.6 Validación de los modelos de regresión utilizados para estimar la
biomasa epigea usando datos de las imágenes .................................................... 64
3.1.7 Análisis de autocorrelación espacial de los sitios de estudio ................. 66
3.1.8 Estimación de la biomasa epigea utilizando datos combinados de LiDAR
y VHSRI................................................................................................................. 67
3.1.9 Validación de los modelos regresión combinados para estimar la
biomasa epigea usando datos LiDAR e VHSRI .................................................... 68
3.1.10 Análisis de partición de la varianza de la estimación de la biomasa
epigea utilizando modelos combinados ................................................................. 70
CAPITULO IV. DISCUSIÓN .................................................................................. 73
4.1 DISCUSIÓN .................................................................................................... 73
INDICE
iii
4.1.1 Comparación de la precisión de la estimación de la biomasa epigea
usando LiDAR y VHSRI ........................................................................................ 73
4.1.2 Valores de biomasa epigea encontrados en cada sitio .......................... 78
CAPÍTULO V. CONCLUSIONES Y PERSPECTIVAS .......................................... 81
5.1 CONCLUSIONES ........................................................................................... 81
5.2 PERSPECTIVAS ............................................................................................. 83
BIBLIOGRAFIA .................................................................................................... 84
ÍNDICE
iv
INDICE
v
LISTADO DE FIGURAS
Figura 1.1 Efectos del cambio climático sobre los ecosistemas naturales (Hughes,
2000 modificado por Peñuelas et al., 2004)…………………………………………....5
Figura 1.2 Mapa de distribución original y distribución actual de los BTS. Tomado
de Griscom y Ashton (2011)………………………………………………..…...…..….10
Figura 1.3 Reflectividad de las bandas espectrales de las imágenes ópticas.
Tomado de mapama.gob.es…………………………………………………………....17
Figura 1.4 Comparación de vegetación sana (izquierda) y vegetación enferma
(derecha). Tomado de European Space Agency……………………………….....…22
Figura 1.5 Textura fina (parte superior de izquierda a derecha) y textura gruesa
(parte inferior de izquierda a derecha). Tomado de Fernández-Sarría et al.,
(2003)……………………………………………………………………………………..24
Figura 1.6 Múltiples retornos por cada pulso (tomado de GISGeography.com)....27 Figura 1.7 Vista tridimensional de la estructura de la vegetación de los datos
LiDAR utilizando el visor del Software FUSION (USDA Forest Service – Pacific
Northwest Research Station)……………………………………………..……….…...28
Figura 2.1 Área de estudio. Reserva Bicultural Kaxil Kiuic, Yucatán y Felipe
Carrillo Puerto, Quintana Roo…………………………………………………………..38
Figura 2.2 Parcelas de estudio (1,000 m2) en los diferentes sitios de estudio…...37
Figura 2.3 Diseño de las parcelas de 1,000 m2 para la estimación de biomasa
epigea a partir de inventarios de campo utilizadas en los sitios de estudio de Kiuic
y FCP…………………………………………………............................................…..40
ÍNDICE
vi
Figura 2.4 Parcelas de 1,000 m2, extraídas de las nubes de puntos de LiDAR,
perteneciente al sitio de Kaxil Kiuic; a) vista aérea; b) vista lateral con datos
normalizados a la superficie…………………………………………………………....45
Figura 2.5 Diagrama esquemático de Venn representando la partición de la
varianza. En la que influye una variable dentro de un conjunto de dos variables
explicativas (X y W). El rectángulo representa el 100% de la variación en Y
(variable dependiente) y [a] y [c] representan la porción de la variación atribuida
sólo a la variable de predicción X y W. La fracción [a] + [b] + [c] representa el total
de la variación explicada por ambas variables independientes, mientras que [b]
únicamente representan la variación explicada exclusiva y común de ambas
variables (X y W) (Tomado de Blackett et al., 2017)…………………………….…..58
Figura 3.1 Distribución de la biomasa epigea dentro de los sitios de Kiuic y FCP
por categoría diamétrica………………………………………………………………...60
Figura 3.2 Resultados de la validación cruzada para calcular la precisión de la
predicción entre los valores observados y los estimados por los modelos (línea
punteada). En donde R2 es el coeficiente de determinación; RMSE es la raíz
cuadrada del error cuadrático medio expresado en toneladas como medida de
dispersión. La línea sólida muestra correspondencia de 1 a 1 entre la biomasa
epigea observada y predicha………………………………………..………………….62
Figura 3.3 Resultados de la validación cruzada para calcular la precisión de la
predicción entre los valores observados y los estimados por los modelos (línea
punteada). En donde R2 es el coeficiente de determinación; RMSE es la raíz
cuadrada del error cuadrático medio expresado en toneladas como medida de
dispersión. La línea sólida muestra correspondencia de 1 a 1 entre la biomasa
epigea observada y predicha …………………………………………………….….…65
Figura 3.4 Resultados de la validación para calcular la precisión de la predicción
entre los valores observados y los estimados por los modelos combinados (línea
punteada). En donde R2 es el coeficiente de determinación; RMSE es la raíz
cuadrada del error cuadrático medio expresado en toneladas como medida de
INDICE
vii
dispersión. La línea sólida muestra correspondencia de 1 a 1 entre la biomasa
epigea observada y predicha.……………………………………………………….....69
Figura 3.5 Resultados del análisis de partición de la varianza del sitio de Kiuic...70
Figura 3.6 Resultados del análisis de partición de la varianza del sitio de FCP....71
ÍNDICE
viii
ÍNDICE
ix
LISTADO DE CUADROS
Cuadro 1.1 Clasificación basada en los pixeles de las imágenes ópticas (Tomado
y modificado de Dowman, 2012)……………………………………………………….19
Cuadro 1.2 Resoluciones espaciales y espectrales, y cobertura de las imágenes
de los sensores ópticos más usados………………………………………………….20
Cuadro 1.3 Ventajas y desventajas de los tipos de sensores pasivos y activos...28
Cuadro 2.1 Ecuaciones alométricas utilizadas……………………………………....42
Cuadro 2.2 Métricas de altura y cobertura de los datos LiDAR calculadas en cada
una de las parcelas de estudio. Tomado y modificado de Hernández-Stefanoni et
al., (2014)…………………………………………………………………………...…….46
Cuadro 2.3 Medidas de textura calculadas en cada una de las parcelas de estudio
(Pinto Leal, 2006)………………………………...…………………..…...…………..…49
Cuadro 2.4 Índices de estructura del paisaje para cada clase dentro de las
parcelas de estudio (McGarigal, 1994)………………………………………………. 52
Cuadro 3.1 Valores de biomasa promedio obtenidos en los sitios de estudio de
acuerdo con las ecuaciones alométricas empleadas……………………………......59
Cuadro 3.2 Parámetros de regresión para la estimación de la biomasa epigea a
partir de datos LiDAR en el sitio de Kaxil Kiuic…...................................................61
Cuadro 3.3 Parámetros de regresión para la estimación de la biomasa epigea a
partir de datos LiDAR en el sitio de FCP………………………………………….…..61
Cuadro 3.4 Parámetros de regresión para la estimación de la biomasa epigea a
partir de datos de las VHSRI en el sitio de Kaxil Kiuic…………………………...….63
Cuadro 3.5 Parámetros de regresión para la estimación de la biomasa epigea a
partir de datos de las VHSRI en el sitio de FCP…………………………….…….....64
ÍNDICE
x
Cuadro 3.6 Resultados de los análisis de autocorrelación efectuados para la
comprobación de autocorrelación espacial con las métricas de LiDAR…………...66
Cuadro 3.7 Resultados de los análisis de autocorrelación efectuados para la
comprobación de autocorrelación espacial con las métricas de las VHSRI……....66
Cuadro 3.8 Parámetros de regresión para la estimación de la biomasa epigea a
partir de los datos combinados de LiDAR e VHSRI en el sitio de Kaxil Kiuic……..67
Cuadro 3.8 Parámetros de regresión para la estimación de la biomasa epigea a
partir de los datos combinados de LiDAR e VHSRI en el sitio de FCP…………....68
xi
LISTADO DE ABREVIATURAS
BTS (Bosque tropical seco)
BTH (Bosque tropical húmedo)
PPN (Productividad primaria neta)
IV (Índice de vegetación)
NDVI (Índice de Vegetación de Diferencia Normalizada)
DBH/DAP (Diámetro a la altura del pecho)
CBH (Altura comercial del tronco)
NIR/B4 (Banda del espectro del infrarrojo cercano)
R/B3 (Banda del espectro visible de color rojo)
A/B1 (Banda del espectro visible de color azul)
GLCM (Matriz de co-ocurrencia de niveles de grises)
LiDAR (Light Detection and Ranging)
VHSRI (Very High Spatial Resolution Imagery)
ÍNDICE
xii
xiii
RESUMEN
La estimación de la biomasa epigea es una pieza fundamental para comprender la
cantidad de carbono almacenado en los bosques, así como para el manejo sostenible y
para definir las políticas públicas dada la importancia de estos ecosistemas en la
mitigación del cambio climático. Uno de los ecosistemas más amenazados por las
actividades antrópicas, han sido los bosques tropicales secos. El objetivo principal de esta
investigación fue elaborar un modelo combinado para estimar la biomasa epigea
combinando los datos LiDAR y las imágenes de resolución espacial muy alta (VHSRI) en
dos tipos de bosque seco tropical de la Península de Yucatán, así como realizar un
análisis de partición de la varianza de los modelos combinados para cada sitio. Ambos
sensores mostraron predicciones precisas en la estimación de la biomasa epigea de estos
bosques, obteniendo valores de R2 de 0.88 y 0.82 para datos LiDAR y 0.92 y 0.70 para
imágenes de resolución espacial muy alta, en los sitios Kiuic y Felipe Carrillo Puerto
(FCP), respectivamente. El modelo combinado no mostró un aumento de los valores de
R2 para el sitio de Kiuic; sin embargo, en el sitio de FCP hubo un aumento de 0.03 en el
coeficiente de determinación. El análisis de partición de la varianza de los modelos
combinados mostró que una gran proporción de la variación de la biomasa epigea se
explica por la contribución combinada de las métricas LiDAR y las imágenes de resolución
espacial muy alta con 88 y 67% en los sitios Kiuic y FCP, respectivamente. Por otro lado,
las métricas de imágenes de resolución espacial muy alta contribuyeron más a explicar la
biomasa epigea con 4% en el modelo combinado en el sitio Kiuic, mientras que para el
sitio de FCP, las métricas LiDAR tuvieron un mayor porcentaje de variabilidad explicada
por el modelo con 15%. Podemos concluir que, por separado, estos dos tipos de sensores
tienen una muy buena precisión de estimación de biomasa epigea. Aunque los datos
LiDAR son más costosos que las imágenes ópticas, el tiempo de procesamiento es
comparativamente menor. Sin embargo, aunque el tiempo de procesamiento para una
imagen óptica de resolución espacial muy alta es considerable, es posible obtener
estimaciones precisas de biomasa epigea comparables a las obtenidas por un sensor
activo a un costo más accesible.
xiv
xv
ABSTRACT
The estimation of epigeous biomass is a fundamental piece to understand the amount of
carbon stored in forests, as well as for sustainable management and to define public
policies given the importance of these ecosystems in the mitigation of climate change. One
of the ecosystems most threatened by anthropogenic activities has been dry tropical
forests. The main objective of this research was to elaborate a combined model to
estimate the epigean biomass combining the LiDAR data and the very high spatial
resolution images (VHSRI) in two types of tropical dry forest of the Yucatan Peninsula, as
well as to carry out an analysis of partition of the variance of the combined models for
each site. Both sensors showed accurate predictions in the estimation of the epigeous
biomass of these forests, obtaining R2 values of 0.88 and 0.82 for LiDAR data and 0.92
and 0.70 for very high spatial resolution images, in the Kiuic and Felipe Carrillo Puerto
(FCP) sites, respectively. The combined model did not show an increase in R2 values for
the Kiuic site; however, in the FCP site there was an increase of 0.03 in the coefficient of
determination. The analysis of variance partitioning of the combined models showed that a
large proportion of the epigean biomass variation is explained by the combined
contribution of the LiDAR metrics and very high spatial resolution images with 88 and 67%
in the Kiuic sites and FCP, respectively. On the other hand, the very high spatial resolution
image metrics contributed more to explaining the epigeous biomass with 4% in the
combined model at the Kiuic site, while for the FCP site, the LiDAR metrics had a higher
percentage of variability explained for the model with 15%. We can conclude that,
separately, these two types of sensors have a very good precision of estimation of
epigeous biomass. Although LiDAR data is more expensive than optical images, the
processing time is comparatively less. However, although the processing time for an
optical image of very high spatial resolution is considerable, it is possible to obtain
accurate estimates of aerial biomass comparable to those obtained by an active sensor at
a more accessible cost.
INTRODUCCIÓN
1
INTRODUCCIÓN
Los bosques tropicales cubren aproximadamente el 10% de la superficie terrestre
(Locatelli et al., 2009) y albergan cerca del 50% de la biodiversidad a nivel mundial
(Wright, 2010; Murphy y Lugo, 1986). Dentro de este tipo de ecosistemas se encuentran
los bosques tropicales secos (BTS) representando el 42% (Miles et al., 2006), seguidos
por los bosques húmedos (BTH) con un 33% y los bosques lluviosos con un 25% (Murphy
y Lugo, 1986). Los bosques tropicales ofrecen servicios ambientales dentro de los cuales
se encuentran; la protección de los suelos y refugios para la biodiversidad (Bonan, 2008),
regulación del clima a través de procesos físicos, químicos y biológicos que permiten el
mantenimiento de la composición atmosférica del planeta a través de la fijación de CO2
(Balvanera, 2012). Adicionalmente, son una fuente de productos para la satisfacción de
las necesidades humanas tales como alimentos, medicinas o materiales para
construcción (Balvanera, 2012).
Los bosques tropicales han estado sujetos a cambios de uso de suelo, como la
conversión a pastizales y cultivos a un ritmo acelerado. Estos cambios, son generados por
procesos de deforestación (tala ilegal e inmoderada) asociados a las actividades
ganaderas y agrícolas, así como el incremento de los asentamientos humanos (Hoekstra
et al., 2005). Los bosques tropicales tienen un papel fundamental en la mitigación del
cambio climático y en la regulación del ciclo de carbono (FAO, 2008; IPCC, 2001). Sin
embargo, al verse afectados por eventos como los incendios forestales, se pierden
grandes extensiones de estos ecosistemas, generando un incremento en la concentración
de dióxido de carbono y otros gases de efecto invernadero en la atmósfera y
disminuyendo su capacidad para hacer frente a este problema (FAO, 2006; IPCC 2001;
Montoya et al., 1995). De esta manera, el impacto de las actividades antrópicas sobre los
bosques tropicales genera cambios a nivel estructural y funcional a diferentes escalas
espaciales y temporales, lo cual, provoca la pérdida de la diversidad biológica existente en
ellos y de la eficiencia de los servicios ecosistémicos (Wilcox, 1995). Además de que la
calidad de vida de millones de personas se ve afectada por la pérdida de estos bienes y
servicios (FAO, 2006; Repetto, 1990).
A nivel mundial, los bosques capturan y procesan grandes cantidades de carbono (seis
veces más carbono que el generado por el consumo de combustibles fósiles) (Wright
2010). Además, tienen la capacidad de almacenar aproximadamente el 46% del carbono
INTRODUCCIÓN
2
de todo el planeta tan sólo en la biomasa epigea (Vargas et al., 2009; Montoya et al.,
1995). Por lo tanto, los estudios enfocados en la estimación de la biomasa epigea de los
ecosistemas forestales, pueden ser utilizados para la generación de estrategias de
manejo y conservación de los bosques, así como en la gestión ambiental y elaboración de
políticas públicas. Esto último con el objetivo de conocer cuánto carbono es almacenado
por los árboles en ciertas áreas y de cómo mitigar los efectos del cambio climático,
proponiendo estrategias para reducir las emisiones de carbono a la atmósfera o aumentar
las absorciones de carbono, fomentando la regeneración de los bosques y/o incorporando
especies arbóreas que permitan almacenar el carbono durante más tiempo (Brown et al.,
1996).
La biomasa epigea es estimada de manera indirecta a través de inventarios forestales y
con el uso de ecuaciones alométricas (Aguirre et al., 2009; Díaz et al., 2007; Bautista y
Torres, 2003). Estas estimaciones de biomasa epigea generalmente son llevadas a cabo
en una escala espacial muy pequeña (local), pues, implican un gran esfuerzo y trabajo en
campo. Sin embargo, debido a que el problema del cambio climático se refiere a una
escala global, es necesario extrapolar la información de una escala local a una regional y
eventualmente, a una escala global. Para que esto se lleve a cabo, es necesario
considerar las herramientas de percepción remota, las cuales han sido muy utilizadas en
el estudio de la biomasa epigea de los bosques. Una de estas herramientas son las
imágenes ópticas, que pueden ser obtenidas a través de satélites, aviones y ahora
drones. El estudio de la biomasa epigea de los bosques mediante este tipo de imágenes,
consiste generalmente en relacionar la información espectral contenida en ellas, con los
valores de este atributo obtenidos en campo. Sin embargo, estas imágenes presentan
problemas de saturación cuando son utilizados los índices de vegetación (IV). A pesar de
estos problemas, se ha demostrado que los análisis de textura pueden mejorar las
estimaciones de biomasa epigea (Sarker y Nichol, 2010). En la actualidad, existen otras
técnicas de percepción remota como lo es la tecnología LiDAR (Light Detection and
Ranging, por sus siglas en inglés). Esta herramienta ha permitido obtener estimaciones
más precisas de la distribución espacial de la biomasa epigea, debido a que tiene la
capacidad de penetrar el dosel y representar la estructura de la vegetación en tres
dimensiones (Lefsky, 1997). Por consiguiente, LiDAR tiene una gran precisión en la
estimación de los atributos estructurales del bosque (Hernández-Stefanoni et al., 2014;
Drake et al., 2002), tales como la altura, área basal y volumen a través de métricas o
INTRODUCCIÓN
3
estadísticas de altura y cobertura, las cuales, son obtenidas de una nube de puntos
generada por este sensor (Vincent et al, 2012; Zaldo et al, 2010; Munt et al, 2005; Drake
et al, 2002).
Dada la importancia del estudio de la biomasa epigea para la gestión de los recursos
naturales forestales y de su importancia ante el cambio climático, el presente estudio tiene
como objetivo principal estimar la biomasa epigea de dos bosques tropicales secos de la
Península de Yucatán combinando dos tipos de sensores remotos; un tipo de sensor
activo que es LiDAR y un sensor de tipo pasivo que son las imágenes multiespectrales de
muy alta resolución espacial ó VHSRI (Very High Spatial Resolution Imagery, por sus
siglas en inglés) de 18 y 21 cm por píxel. Además, se pretende conocer cuál es el
porcentaje de variabilidad explicado por cada sensor, y saber cuál de ellos tiene un mayor
aporte en la estimación de una variable estructural tan importante del bosque como lo es
la biomasa epigea.
INTRODUCCIÓN
4
CAPITULO I
5
CAPITULO I: ANTECEDENTES
1. 1 ANTECEDENTES
1.1.1 El papel de los bosques tropicales en el ciclo del carbono y el cambio
climático
Los bosques tropicales tienen una función muy importante tanto en el ciclo del carbono y
por lo tanto, en la mitigación del cambio climático (Pardos, 2010; IPCC, 2001). De acuerdo
con el IPCC (2001), el cambio climático es uno de los problemas más importantes que
enfrenta el planeta e implica variaciones del clima (temperatura, precipitación, humedad) a
nivel mundial dentro de un período de tiempo que puede incluir varias décadas.
Figura 1.1 Efectos del cambio climático sobre los ecosistemas naturales (Hughes, 2000 modificado
por Peñuelas et al., 2004).
Sin embargo, el problema del cambio climático se ha acentuado debido al aumento de la
concentración de gases de efecto invernadero (GEI) en la atmósfera del planeta (IPCC,
CAPITULO I
6
2003), afectando principalmente la funcionalidad, estructura y dinámica de los
ecosistemas naturales (Figura 1.1) (IPCC, 2014). Los GEI no permiten que el calor de la
superficie de la Tierra (generado por la radiación solar) sea liberado al espacio,
reteniéndolo y reemitiéndolo a la superficie generando el denominado “Efecto
Invernadero” (IPCC, 2003). Estos gases, entre los cuales se encuentran el vapor de agua,
monóxido de carbono (CO), óxidos de nitrógeno (NOx), metano (CH4) y el dióxido de
carbono (CO2), son generados principalmente por actividades industriales, quema de
combustibles fósiles y los procesos de deforestación (IPCC, 2003; Benjamín y Masera,
2001; Bolin et al., 1986). Sin embargo, el principal gas de efecto invernadero es el CO2 y
el que se encuentra en mayor concentración después del vapor de agua (Ordoñez y
Masera, 2001; Dixon et al., 1994).
Hasta la época pre/industrial (antes de 1800), la concentración de CO2 en la atmósfera se
encontraba entre las 180 y 280 partes por millón (ppm) (IPCC, 2003; Petit et al., 1999).
Esto indicaba un claro ejemplo de la eficiencia del ciclo del carbono del planeta en el
mantenimiento del balance neto de CO2, el cual, está referido a la capacidad de absorción
y respiración de CO2 de los ecosistemas terrestres, marinos y la atmósfera (IPCC, 2001).
Sin embargo, de acuerdo con el “Boletín sobre los gases de efecto invernadero” que emite
anualmente la Organización Mundial de la Meteorología (OMM), la concentración
atmosférica actual de CO2 ha aumentado, superando las 400 ppm (OMM, 2015).
La importancia de los bosques tropicales radica en su papel dentro del ciclo del carbono,
pues, son los encargados de asimilar el CO2 atmosférico por medio de la fotosíntesis e
incorporarlo a sus estructuras vivas en forma de biomasa (Jandl, 2001). De acuerdo con
Brown et al., (1996), estos ecosistemas capturan y conservan carbono más que otro
ecosistema del planeta y participan en el mayor flujo de carbono entre la atmósfera y los
suelos. Por tal razón, los bosques tropicales son considerados como verdaderos
sumideros de carbono debido a la gran cantidad de biomasa acumulada en ellos (FAO,
2008; Byron y Arnold, 1999). Sin embargo, no todo el carbono que es absorbido por ellos
es transformado en biomasa, y por lo tanto es regresado a la atmósfera mediante el
proceso de respiración (García-Oliva et al., 2006; Smith y Smith, 2001).
De acuerdo a Ordoñez, (1999), el ciclo biogeoquímico del carbono, es uno de los ciclos
más complejos, pues si bien es cierto que los bosques y los suelos no tienen la capacidad
de absorber todo el CO2 de la atmósfera, si pueden retenerlo por un determinado tiempo
CAPITULO I
7
(Berenguer et al., 2014; Gallardo y Merino, 2007; García-Oliva et al., 2006; Brown, 1997),
y aunque los flujos de carbono que atraviesan diferentes reservorios a lo largo del planeta
tienen diferente magnitud, se desconoce el tiempo de permanencia que tienen en cada
uno de ellos (Jandl, 2001). Sin embargo, las afectaciones sobre este ciclo biogeoquímico
por las actividades humanas han ocasionado que se incremente la concentración de CO2
en la atmósfera y que al mismo tiempo se altere el balance neto de carbono entre la
atmósfera y la vegetación, que se da principalmente a través de la fotosíntesis y la
respiración (Davidson y Jannsens, 2006; Jandl, 2001). De esta manera, es posible que los
bosques puedan actuar como fuentes emisoras de CO2 (Davidson y Jannsens, 2006;
Jandl, 2001) al ser deforestados, reduciendo la eficiencia de la captura de este elemento,
principalmente cuando se están eliminando las extensiones de cubierta forestal. O en su
caso, que estén sujetos a procesos de regeneración después de su aprovechamiento, en
los que se incluyan actividades principalmente de reforestación que permitan que actúen
como sumideros de carbono (FAO, 2003; Brown, 1997).
Desafortunadamente, a nivel mundial, se considera que los bosques tropicales en
general, tienen las tasas de deforestación más altas, las cuales son de aproximadamente
17 millones de Ha-1 por año y que representan una liberación anual de cerca de 1.8 GtC3
(una giga tonelada de carbono es igual a mil millones de toneladas de carbono) (Montoya
et al., 1995). Sin embargo, se estima que, apenas del 30 al 40% del carbono total emitido
a la atmósfera por las actividades humanas, es absorbido por los estos ecosistemas
(IPCC, 2007; Jandl, 2001; IPCC, 2003).
Ante este problema, la captura de carbono que es efectuada por los bosques tropicales
como un servicio ecosistémico, permitirá generar estrategias de conservación, manejo o
gestión forestal que consideren la reducción de las emisiones de carbono a la atmósfera
generadas por las actividades antrópicas (Ramírez-Guardado, 2015; Jandl, 2001). Todo
esto, a través de la ejecución de proyectos de REDD++ (Programa de Reducción de
Emisiones por Deforestación y Degradación de los Bosques) que buscan la reducción de
las emisiones de CO2 del planeta por la degradación y deforestación y que al mismo
tiempo permitan el aumento de las reservas de carbono con la finalidad de mitigar el
cambio climático (Locatelli et al., 2009). Esto a través de actividades como como la
agroforestería, la conservación de los recursos forestales naturales, la aforestación o el
aprovechamiento sostenible de los recursos maderables (Martínez-Barrón, 2014).
Además, se estima que existen alrededor de 850 millones de hectáreas de bosques a
CAPITULO I
8
nivel mundial en los que se podrían llevar a cabo estas prácticas de conservación, que
favorezcan la regeneración e incrementen la biomasa de los bosques y que permitan
recuperar la riqueza biológica y los servicios ambientales (IPCC, 2001).
1.1.2 Bosques tropicales secos; importancia y problemática.
Uno de los ecosistemas forestales tropicales con mayor extensión en el planeta y que
mantienen una diversidad biológica única, son los bosques tropicales secos (BTS)
(Gentry, 1995; Murphy y Lugo, 1986). Estos bosques han tenido una considerable
importancia por los altos valores de endemismo que presentan (Ceballos y García, 1995).
Los BTS se desarrollan en regiones con una temperatura media anual mayor a 20°C, con
un rango de precipitación anual que va desde los 500 a 2,000 mm y presentan una
estación seca muy intensa con un período de 4 a 6 meses de poca o nula precipitación
que no supera los 100 mm mensuales (Espinosa et al., 2012; Kalacska et al., 2004;
Murphy y Lugo, 1995), haciendo del agua uno de los recursos limitantes más importantes
(Balvanera et al., 2012; Rzedowski, 1978). Los parámetros climáticos en los que se
desarrollan los BTS hacen que los diferentes tipos de BTS, presenten una fenología
característica para la época seca, en donde los árboles pierden alrededor del 25 al 75%
de sus hojas para reducir la pérdida de humedad, mientras que en la época de lluvia
mantienen una apariencia de selvas siempre verdes (Espinosa et al., 2012; Maass y
Burgos, 2011; Portillo-Quintero y Sánchez-Azofeita, 2010; Sánchez-Azofeita et al., 2005).
La estacionalidad de estas épocas dentro de los BTS, depende de variaciones
interanuales de acuerdo a la cantidad y temporalidad de la precipitación dadas por
fenómenos como el Niño, por lo que, cuando los BTS están sujetos a períodos de sequía
muy extremos y prolongados, la densidad, diversidad y la continuidad del dosel de estos
bosques se va perdiendo dando lugar a tierras secas (Balvanera et al., 2012; Maestre et
al., 2011). Sin embargo, frente a otros ecosistemas, como los de las regiones templadas,
los BTS son mucho más ricos florísticamente, aunque con menor riqueza florística que los
BTH (Mayle, 2004), y presentan una mayor abundancia de especies de árboles espinosos
y una menor abundancia de especies epífitas que los bosques lluviosos (Murphy y Lugo,
1986). Además, los árboles que se encuentran en los BTS, tienen la capacidad de retoñar
y de regenerarse más rápidamente ante un disturbio en comparación con los BTH (Dietze
y Clark, 2008).
CAPITULO I
9
No obstante, los BTS, han sido los más amenazados a nivel mundial (Portillo-Quintero y
Sánchez- Azofeita, 2010; Quesada et al., 2009; Miles et al., 2006) más que otros
ecosistemas tropicales del planeta desde hace más de 30 años. Incluso se ha demostrado
que los BTS de lugares como India, Asia y Sudamérica son los que presentan el grado de
degradación más alto (Maas, 1995), teniendo apenas a nivel mundial una protección del
7.6% de los BTS en comparación con los BTH que cuentan con una protección del 16%
(Hoekstra et al., 2005).
La mayor presión que han tenido generalmente los BTS, ha sido ocasionada
principalmente por actividades como la agricultura, ganadería y la expansión de los
asentamientos humanos, esto debido a la fertilidad de sus suelos y las condiciones
ambientales que imperan en ellos y que los hacen idóneos para su desarrollo (Masera et
al., 1992). Aunado a esto, los BTS también se han visto afectados por incendios forestales
(provocados y no provocados) los cuales, han generado la pérdida de millones de
hectáreas en muy poco tiempo (Román-Cuesta et al., 2004) con alrededor de 13 millones
de hectáreas por año (FAO, 2006; Trejo y Dirzo, 2000). Todos estos procesos antrópicos
que generan la disminución de la extensión de los bosques y por lo tanto de su biomasa,
han repercutido en la pérdida de biodiversidad de flora y fauna, y en la degradación de los
ecosistemas de los que la mayoría de las personas se benefician para la satisfacción de
sus necesidades (Pimentel et al., 1997).
En el continente americano, se encuentran distribuidos a lo largo de la Costa del Pacífico
desde el norte de Costa Rica (Guanacaste) hasta el norte del Trópico de Cáncer en el
estado de Sonora. México comprende la extensión más grande de BTS representando el
38% (197,446.86 Km2) de todo el continente, seguido de países como; Bolivia (129,899.25
Km2), Brasil (88,331.49 Km2), Colombia (33,773.80 Km2) y Venezuela (32,215.014).
Adicionalmente, se encuentran distribuidos a lo largo de la Costa del Pacífico, en el
Caribe y las Antillas (Figura 1.2) (Portillo-Quintero y Sánchez- Azofeita, 2010;
Pennnington, 2000).
CAPITULO I
10
Figura 1.2 Mapa de distribución original y distribución actual de los BTS. Tomado y modificado de
Griscom y Ashton (2011).
En México, los BTS, también denominados selvas secas, son uno de los ecosistemas
más característicos (Meave et al., 2012; Ceballos et al., 2010). En estos ecosistemas se
encuentran alrededor de 6,000 especies de plantas con un 40% de endemismo
(CONABIO, 2015). Uno de los principales problemas de las selvas de México, ha sido la
expansión de la ganadería extensiva. Sin embargo, Rubio y Beltrán (2003), consideran a
la actividad agrícola como otro patrón de conversión muy fuerte y frecuente en el país,
pues, las áreas con gran potencial agrícola son rápidamente deforestadas, dando lugar a
cultivos como el maíz, el frijol o el sorgo (Maas, 1995). Además, se ha reportado que, el
“boom” de la deforestación de los BTS en México, tuvo lugar desde los años 70´s, a raíz
del reparto agrario, el fomento agropecuario y la revolución verde, las cuales generaron la
transformación de millones de hectáreas a zonas agrícolas y ganaderas, registrando para
el año 2000 una pérdida de cerca del 18% de su extensión original (Ceballos et al, 2010).
En la Península de Yucatán, se encuentra la mayor extensión de BTS del país (Portillo-
Quintero y Sánchez- Azofeita, 2010; Trejo y Dirzo, 2000). El aprovechamiento de los BTS
en la península se remonta a campesinos de la civilización maya (Lamb et al., 2005 en
CAPITULO I
11
Hernández-Stefanoni et al., 2011), la cual tenía a la agricultura como la principal actividad
económica con prácticas de roza-tumba-quema haciendo del maíz uno de los cultivos
más importantes. La práctica de roza-tumba-quema implicaba la rotación del cultivo de
manera constante debido a la pérdida rápida de la fertilidad del suelo causada por las
actividades agrícolas (Lara-Ponce et al. 2012), dando como resultado la reducción de la
cubierta forestal natural original de BTS permitiendo el desarrollo de fragmentos de
vegetación secundaria que se caracterizan por tener edades de abandono, extensiones y
formas diferentes distribuidas espacialmente de manera aleatoria en diferentes áreas
(García-Frapoli et al. 2007 en Dupuy et al., 2012).
Existe una gran diversidad de BTS, los cuales de acuerdo a Trejo (2015), están
caracterizados por comunidades vegetales que tienen una amplia distribución y para
nombrarlos se utilizan términos como bosque seco, bosque seco estacional, bosque
tropical caducifolio, bosque tropical estacional seco. Sin embargo, para diferenciar cada
una de las variantes de los BTS, es importante incluir criterios estructurales, florísticos,
fenológicos y fisiológicos para reconocer qué comunidades vegetales se encuentran de
cada uno de ellos (Trejo, 2015; Murphy y Lugo, 1986; Rzedowski, 1978).
1.1.2.1 Bosques tropicales subcaducifolios
En México, este tipo de BTS también denominadas selvas medianas subcaducifolias
(Rzedowski, 1978), abarcan aproximadamente 4,193 Km2, cubriendo alrededor del 0.21%
de la superficie del país. Se encuentran principalmente en zonas de planicies y declives
bajos de la vertiente del Pacífico, como el sur de Sinaloa, la depresión central de Chiapas,
en las planicies de Veracruz y la Península de Yucatán (Miranda y Hernández, 1963),
desarrollándose sobre suelos profundos coexistiendo con la selva baja o con sabana,
ocupando también la ribera de los ríos (selva de galería). Las actividades que se realizan
en estos ecosistemas son generalmente ganaderas (muy importante en algunas áreas) y
agrícolas, incluyendo en esta última, actividades como; plantaciones de plátano, maíz,
caña y ajonjolí (Miranda y Hernández, 1963).
En Yucatán, estas selvas cuentan con una extensión total de 29,309 Km2 a lo largo de
todo el estado. Sin embargo, también se pueden encontrar pequeñas porciones en los
estados de Quintana Roo y Campeche. Se caracterizan por desarrollarse en climas
cálidos subhúmedos dentro de un rango de temperatura media anual de 25.9 a 26.6°C, y
presentan lluvias en verano con un rango de precipitación de 1078 a 1229 mm (García,
CAPITULO I
12
1973 citado por Flores y Espejel, 1994). En esta región, los árboles de la selva mediana
subcaducifolia tienen un promedio de altura entre 10 y 20 metros y los suelos de este tipo
de BTS se caracterizan por estar formados por una capa de materia orgánica compuesta
de hojarasca, pues, alrededor del 50 al 75% de los árboles tiran sus hojas en la época
seca del año (Flores y Espejel, 1994).
1.1.2.2 Bosques tropicales subperennifolios
En México, son un tipo de BTS también denominadas selvas medianas subperennifolias y
su distribución abarca una pequeña parte de la vertiente del Pacífico la del Golfo, siendo
el tipo de vegetación más extendido, que va desde el sur del país hasta casi el límite con
el trópico de Cáncer (Pennington y Sarukhán, 2005). Los suelos en donde se desarrolla
son de tipo calizo en regiones poco cultivadas y con pocos habitantes, y las actividades
que mayormente se llevan a cabo, consisten en la explotación de especies arbóreas como
caoba y chicle (Miranda y Hernández, 1963).
En la Península de Yucatán son el tipo de vegetación más extensa y conservada,
cubriendo aproximadamente el 60% de la superficie con alrededor de 62,027 Km2,
abarcando la mayor parte del estado de Quintana Roo y Campeche y una pequeña área
en el estado de Yucatán. En época de secas (de fines de noviembre a principios del mes
de mayo), cerca del 25% de los árboles pierden sus hojas (Flores y Espejel, 1994). La
altura promedio de estos árboles en este tipo de bosque es de 25 a 35 metros, y se
consideran tres estratos; de 4 a 12 metros (bajo), de 12 a 22 metros (medio) (en donde
también se pueden encontrar palmas), y otro estrato de 22 a 35 metros (alto). Además,
dentro de estos ecosistemas se pueden encontrar una gran variedad de lianas y epífitas
como helechos y musgos, así como una gran cantidad de orquídeas, bromelias y algunas
aráceas (Flores y Espejel, 1994).
1.1.3 Biomasa, biomasa epigea y su estimación
Frente a la problemática del cambio climático, es necesario conocer cuanta biomasa
existe en los bosques tropicales, ya que en ella se puede encontrar una gran cantidad de
carbono, considerando que cerca del 50% de la biomasa de un árbol está referida a este
elemento. De esta manera, es posible conocer cuánto C se está liberando a la atmósfera
una vez que estos ecosistemas han sido degradados (Locatelli et al, 2009; Vidal et al,
2004).
CAPITULO I
13
La biomasa vegetal total es una de las propiedades clave de los ecosistemas, está
referida a la cantidad de materia orgánica viva o muerta y normalmente, es expresada en
peso seco en Mg Ha-1 ó Tn Ha-1 (Keeling y Phillips, 2007). La biomasa es el componente
de la vegetación que forma parte de la Producción Primaria Neta (PPN) de un ecosistema.
Ésta última, se encuentra relacionada con la tasa de generación de materia orgánica en
una determinada superficie durante un período de tiempo determinado, por hora o por año
(Molles, 2006). La PPN consiste en el proceso de incorporación de CO2 en forma de
energía a los procesos metabólicos de las plantas a través de la fotosíntesis, durante este
proceso, existe una pérdida de energía a través de procesos de respiración requeridos
por las plantas del ecosistema durante el crecimiento, siendo el resto de esta energía, la
que pasa a formar parte de sus estructuras vivas (raíces, troncos, ramas y hojas) en
forma de carbohidratos (biomasa) y que finalmente está disponible para los demás niveles
tróficos (Molles, 2006; Roy et al., 2001; Clark et al., 2001; Alvarez et al., 1992).
Una de las características importantes de los ecosistemas forestales es que la PPN suele
presentar variaciones, por ejemplo, los BTS, cuentan con una PPN mucho menor con
cerca de 11 Mg Ha-1 Año-1 en comparación con los BTH con aproximadamente 20 Mg
Ha-1 Año-1 (Balvanera, et al., 2012 citado por Arellano-Martín, 2017). La variación de la
PPN, es principalmente ocasionada por el estrés al que están sometidos por la ausencia
de un recurso tan importante como es el agua durante varios meses del año
(aproximadamente de 4 a 6 meses). Sin embargo, en la época de lluvias la PPN de estos
los BTS aumenta considerablemente (Maass y Burgos, 2011). Por lo tanto, es importante
considerar a la biomasa como un componente primordial de la estructura del bosque,
pues es posible conocer su funcionamiento y dinámica dentro de un amplio rango de
condiciones ambientales (Houghton, et al., 2009; Montero y Ruiz-Peinado, 2005) además
de que es posible conocer los cambios o variaciones que han existido en ella en
diferentes períodos de tiempo (Clark y Clark, 2000; Brown, 1997).
Para la estimación de la biomasa total de un ecosistema se clasifica la biomasa en dos
componentes: aéreo (por encima del suelo) y subterráneo (por debajo del suelo) (Brown,
1997). La biomasa epigea o epigea (Alvarez et al., 1992), incluye componentes de árboles
tales como; troncos, ramas, hojas y estructuras reproductivas (flores, frutos, semillas), así
como la parte aérea de otras formaciones vegetales como; palmas, lianas y arbustos. La
biomasa subterránea o hipogea (Alvarez et al., 1992), incluye componentes como las
raíces gruesas y finas (Clark et al., 2001).
CAPITULO I
14
Existen diferentes métodos para la estimación de la biomasa epigea, y de acuerdo con
Brown et al., (1989) la cuantificación de la biomasa epigea de los árboles requiere de
métodos destructivos. El método destructivo es el más preciso para el cálculo de esta
variable, debido a que proporciona el valor exacto de la biomasa que está contenida en un
árbol (peso real del individuo). Estos métodos consisten en destruir los árboles, de
manera que, consumen mucho tiempo y recursos económicos y, aunque deben estar
limitados a muestras con un número de árboles determinado y a áreas relativamente
pequeñas, estos producen diferentes niveles de perturbación ecológica (Manrique et al.,
2009; Monroy y Navar, 2004; Chave et al., 2001; Brown, 1997). Los métodos destructivos
son generalmente utilizados para desarrollar o calibrar modelos de ecuaciones
alométricas que permitan conocer la biomasa de los árboles (Jauregui, 2016). Sin
embargo, también existen modelos de ecuaciones alométricas que han sido generadas a
partir de las mediciones directas en campo (Anaya et al., 2008), los cuales, consideran
como variable dependiente la biomasa epigea y entre las variables independientes se
encuentran el diámetro a la altura del pecho (DBH), altura comercial del tronco (CBH), la
densidad de la madera, entre otras (Francis, 2000). Una ecuación alométrica permite
formalizar de forma cuantitativa la relación entre la variable dependiente y las variables
independientes para predecir valores de biomasa (Gayon, 2000). Tales ecuaciones
abordan el concepto de alometría, el cual, hace referencia a una relación que puede ser
lineal o no entre los aumentos de las medidas de los árboles (crecimiento) (Picard et al,
2012). Las ecuaciones alométricas son consideradas como una metodología estándar,
además de ser una herramienta poderosa para la estimación de la biomasa epigea (Henry
et al., 2010; Chave et al., 2005; Baker et al, 2004; Ketterings et al., 2001) y por
consiguiente, para la estimación del carbono almacenado en los árboles (Basuki et al.,
2009).
En México se han desarrollado ecuaciones alométricas que permiten la estimación de
biomasa epigea en diferentes tipos de vegetación tales como; bosques de pino (Méndez-
González et al., 2011), bosque de encino (Acosta-Mireles et al., 2002), bosque tropical
seco y bosque templado (Navar, 2009), bosque templado (Figueroa-Navarro et al., 2010),
selva baja caducifolia (Díaz-Franco et al., 2007), entre otros. En la Península de Yucatán,
se ha reportado la aplicación de diferentes ecuaciones alométricas para diferentes formas
biológicas; para árboles, por ejemplo, las desarrolladas por Brown (1997), Martínez-Yrizar
et al., (1992), Guyot (2011), Hughes et al. (1999) y Cairns et al. (2003), existiendo una
CAPITULO I
15
modificación para esta última reportada por Urquiza Haas et al., (2007), la cual incluye la
densidad de la madera en la ecuación. Así como otras ecuaciones que han sido aplicadas
para formas biológicas como lo son palmas, como la reportada por Frangi y Lugo (1985).
En el caso de lianas, existe la aplicación de la ecuación alométrica desarrollada por
Chave et al., (2003).
1.1.4 Percepción remota en el estudio de la vegetación
Existen otros métodos que permiten estudiar la vegetación y la biomasa epigea que
consisten en la observación de la superficie terrestre y que proporcionan una gran
cantidad de datos en diferentes escalas espaciales y temporales (Lillesand et al., 2004).
Estos métodos están basados en la utilización de la Percepción Remota o también
denominada Teledetección (Chuvieco, 1996).
La Percepción Remota o también conocida como Teledetección, está definida como la
ciencia y el arte de obtener información de cualquier objeto, área o fenómenos que están
situados en la superficie terrestre mediante el análisis de imágenes multiespectrales a
través de aparatos que no están en contacto directo con la superficie de la Tierra. Es un
concepto que fue ideado al comienzo de los 60´s, y en un principio estaba referido a la
observación de cualquier objeto, mediante uno de los principales sensores en aquella
época que era la fotografía aérea. Posteriormente, estos sensores fueron sustituidos por
plataformas satelitales de observación (Chuvieco, 1996).
Durante los últimos años la teledetección ha sido comúnmente aplicada a estudios en
donde se requiere mapear la superficie terrestre, tales como; estudios ecológicos,
planeación urbana, monitoreo del recurso hídrico y la evaluación de los impactos sobre el
medio ambiente. La percepción remota tiene la capacidad de estudiar diferentes
ecosistemas de la tierra, principalmente en comparación con los métodos in situ, que
requieren de mediciones en campo donde la accesibilidad es complicada, y requiere de
mucho tiempo y recursos económicos (Wulder et al., 2008; Lillesand et al., 2007; Lu,
2006; Chuvieco, 1996; Aronoff, 1991). La reflectancia de la energía electromagnética es
una característica muy importante de la Teledetección que ha sido usada durante muchos
años para obtener información de la superficie terrestre (Rees, 1996).
Para obtener información de la superficie del planeta, se utilizan los sensores remotos, los
cuales, son clasificados de acuerdo con la fuente de energía a través de la cual procesan
CAPITULO I
16
la información en: Sensores ópticos pasivos y sensores ópticos activos. El concepto
de “sensor”, se refiere a una herramienta que mide la intensidad de la radiación
electromagnética y que tiene un campo de visión que es sensible al flujo de energía que lo
recibe (Strahler et al., 1986). Tanto los sensores pasivos como los sensores activos miden
la cantidad de luz reflejada por la cobertura forestal convertida en señales dentro del
espectro electromagnético (Campbell, 2002).
1.1.5 Sensores ópticos pasivos
Este tipo de sensores, adquieren la información de la superficie de la tierra mediante la
adquisición de la energía electromagnética generada por la radiación solar o por la propia
energía emitida por los objetos situados en la superficie. Uno de los sensores ópticos
pasivos más utilizados desde hace muchos años en el estudio de los recursos naturales
han sido las imágenes ópticas, debido a la mejora que estos productos han tenido en la
cobertura y resolución espacial lo que ha permitido tener buenos resultados en el estudio
de la vegetación en grandes extensiones de tierra (Fuchs et al., 2009; Lu, 2006; Hese et
al, 2005; Wulder, 1998). Estos productos que pueden ser de origen satelital (imágenes
satelitales) o de plataformas aéreas (ortofotos), y han demostrado ser muy buenos
complementos al trabajo de campo en zonas remotas e inaccesibles. Además, de que una
de las ventajas de la utilización de imágenes ópticas para el monitoreo de la vegetación
es la disponibilidad y el bajo costo, lo que las coloca como una de las principales fuentes
de obtención de información (Foody et al., 2001; Wulder, 1998) (Cuadro 2.3).
El estudio de las cubiertas forestales a través de los sensores pasivos (imágenes ópticas),
es una de las partes más interesantes dentro de la teledetección (Chuvieco, 1996).
Generalmente uno de los aspectos que requieren conocer es la estructura de las hojas
sobre las que incide la luz solar. Las características fenológicas de las hojas varían entre
especies y las condiciones ambientales sobre las que se desarrollan. Adicionalmente se
deben tomar en cuenta, las características morfológicas de las plantas, tales como altura,
grado de inclinación y anchura de las hojas y el grado de cobertura de suelo. Todas estas
características están relacionadas con la cantidad de energía reflejada por las plantas,
haciéndola muy variable (Chuvieco, 1996). Las plantas dependen de la energía radiante
(energía del Sol) para poder realizar fotosíntesis y otros procesos fisiológicos; en el caso
de la vegetación, los principales organelos fotosintetizadores en las hojas de las plantas
son los cloroplastos, en los cuales se localiza el pigmento de clorofila. Los pigmentos,
tienen la característica principal de absorber longitudes de onda específicas de la luz
CAPITULO I
17
visible mientras que reflejan otras, por lo que, las propiedades de reflectancia del espectro
(valores espectrales) en las hojas de las plantas están dominadas por las propiedades de
absorción de pigmentos (Gates et al, 1965).
Para conocer la relación entre la vegetación y los valores espectrales de las imágenes
ópticas, son comúnmente analizadas las bandas espectrales que componen a las
imágenes ópticas, principalmente en las regiones del rojo e infrarrojo cercano, pues son
las bandas que están más relacionadas con la vegetación (Jensen, 2005; Bannari et al.,
1995). La vegetación presenta una reflectividad menor en las bandas del espectro visible
(principalmente en la región del azul y rojo), mientras que el valor de la reflectividad es
mayor en la banda del infrarrojo cercano y comienza a disminuir en las bandas del
infrarrojo medio y lejano. Esto es atribuido principalmente a la actividad de los pigmentos
fotosintéticos, la estructura de las hojas y al agua que almacenan en ellas (Chuvieco,
1996; Gates et al., 1965). Todos los pigmentos presentan un espectro de absorción en el
visible situado en los 0.445 µm de la banda azul. Sin embargo, únicamente la clorofila (a y
b) presenta un espectro de absorción mayor en una segunda banda (roja) de 0.66 µm
(clorofila a) y de 0.68 µm (clorofila b), mientras que en la banda verde entre las dos
bandas (azul y roja) el valor de la absorción es menor, lo que implica una mayor
reflectividad, esta es la razón de la visibilidad de color verde de la vegetación En el caso
del infrarrojo cercano, la mayor reflectividad se encuentra dentro de los rangos de 0.7 a
1.3 µm, lo que permite diferenciar a la vegetación de otros objetos en la superficie,
considerando la baja reflectividad en el espectro del visible (azul y rojo) (Figura 1.3)
(Chuvieco, 1996).
Figura 1.3 Reflectividad de las bandas espectrales de las imágenes ópticas. Tomado de
mapama.gob.es.
CAPITULO I
18
Las imágenes ópticas tienen tres componentes o características principales; resolución
espacial, resolución temporal y resolución radiométrica. La resolución espacial se refiere a
la capacidad de visualizar con cierto grado de detalle los objetos en la superficie, y su
unidad es el píxel, de forma que, mientras que el tamaño de los píxeles de una imagen
sea más pequeño, se considera que la resolución espacial de la imagen es mucho mayor
o es alta. La resolución espectral, está referida al número y ancho de bandas espectrales
que el sensor es capaz de detectar para generar las imágenes ópticas, y mientras, el
ancho de bandas sea mucho menor, la resolución espectral será mucho mayor y
viceversa. Cuando los sensores tienen la capacidad de registrar varias longitudes de
onda, son denominados multiespectrales tales como los satélites NOAA, MODIS, SPOT
Landsat, ASTER, Ikonos, QuickBird, RapidEye, Sentinel, entre otros. Mientras que
aquellos sensores que captan la radiación electromagnética en cientos de longitudes de
onda son denominados hiperespectrales tales como AVIRIS (aerotransportados) o como
el Hyperion (desde satélite). La resolución radiométrica, está relacionada a la sensibilidad
del sensor y está determinada por la cantidad de niveles de grises o intensidad en los que
se divide la radiación electromagnética captada por los sensores. Esta información se
encuentra contenida en números digitales (ND) y es la que permite el análisis y
procesamiento de las imágenes ópticas. Mientras mayor sea la cantidad de niveles de
grises de una imagen, mayor será la resolución radiométrica de cada una de ellas
(Chuvieco, 1996).
1.1.5.1 Imágenes de muy alta resolución espacial
Uno de los principales requerimientos para el estudio y monitoreo de los recursos
naturales es el contar con las herramientas que proporcionen información con un mayor
detalle de la superficie terrestre y que se encuentren disponibles en diferentes fechas o
temporalidades. Generalmente las imágenes de resoluciones medias (Cuadro 1.1), han
tenido una gran cantidad de aplicaciones en la estimación y mapeo de las coberturas
forestales, como el área forestal, cobertura del suelo, monitoreo de cambios de uso de
suelo y vegetación, volumen y biomasa epigea (Wulder et al., 2008; Zheng et al., 2004).
Sin embargo, las imágenes de resolución media, tienen una alta probabilidad de presentar
errores en la detección de cambios de coberturas forestales debido a que no permiten
hacer una caracterización precisa de los diferentes tipos de vegetación (Foody et al, 2001;
Meyer y Werth, 1990).
CAPITULO I
19
Aunque existen productos de sensores que son utilizados para la observación de los
recursos naturales (como Landsat) que mantienen una temporalidad adecuada, la
resolución espacial (tamaño de píxel) que presentan es menor en comparación con los de
alta o muy alta resolución espacial (Cuadro 1.2) (Falkowski et al., 2009). Esto es un
aspecto importante, pues en estudios de biomasa epigea, los objetos de interés como lo
son los árboles abarcan mucho menos de un píxel de una resolución espacial media
(aproximadamente de 30 m) y la posibilidad de adquirir mediciones precisas de las
coberturas de los árboles como la anchura del dosel es muy difícil.
Por lo consiguiente, se consideran las imágenes de muy alta resolución (< a 1 m) (Cuadro
1.1) en donde los píxeles miden menos que los objetos que están en observación
(Strahler, 1986). Las imágenes de muy alta resolución surgieron principalmente para el
apoyo en inventarios forestales, ya que facilitan la detección de características
individuales de los árboles tales como el diámetro de copa de los árboles y la longitud de
la sombra, lo que permitió mejorar las estimaciones de atributos tales como la cobertura,
densidad de árboles y volumen (Ozdemir, 2008; Wulder, 1998).
Cuadro 1.1 Clasificación basada en los pixeles de las imágenes ópticas (Tomado y modificado de
Dowman, 2012).
Existen ciertas limitaciones en las imágenes de muy alta resolución, debido a que el
aumento de la resolución espacial implica un incremento en el nivel de detalle de la
imagen. Por lo que, la cantidad de datos a procesar es mucho mayor, y es probable que
se requiera un gran número de imágenes de este tipo para cubrir un área principalmente
si el objetivo es abarcar grandes superficies de terreno (Cuadro 1.2) (Sánchez-Azofeita et
al., 2009; Wulder et al., 2008).
CLASIFICACIÓN RESOLUCIÓN POR PÍXEL
Baja resolución > 30 m y < 300 m
Mediana resolución > 5 m y ≥ 30 m
Alta resolución > 1.0 m y ≥ 5 m
Muy alta resolución ≤ 1.0 m
CAPITULO I
20
Cuadro 1.2. Resoluciones espaciales y espectrales, y cobertura de las imágenes de los sensores
ópticos más usados.
IMAGEN DE SATELITE COBERTURA (Km) RESOLUCION ESPACIAL/ESPECTRAL
LANDSAT 8 OLI (Operational Land Imager)
185 x 185 m
30 x 30 m
Banda 1: Aerosol costero Banda 2: Azul Banda 3: Verde Banda 4: Rojo Banda 5: Infrarrojo cercano (NIR) Banda 6: SWIR 1 Banda 7: SWIR 2 Banda 9: Cirrus 15 x 15 m
Banda 8: Pacromático 100 x 100 m
Banda 10: Infrarrojo térmico 1 Banda 11: Infrarrojo térmico 2
NOAA 2,700 x 2,700 Km
1.1 x 1.1 Km
Banda 1: Nubes, hielo, nieve Banda 2: Agua, vegetación Banda 3: Temp. Marina, fuego Banda 4: Temp. Marina, humedad, suelo Banda 5: Temp. Marina, humedad, suelo
SPOT 60 x 60 Km
10 x 10 m
Banda 1: Verde Banda 2: Rojo Banda 3: Infrarrojo cercano (NIR) Banda 4: SWIR 2.5 – 5 m
Banda pancromática
IKONOS 11 x 11 Km
1 x 1 m
Banda pancromática 4 x 4 m
Banda 1: Azul Banda 2: Verde Banda 3: Rojo Banda 4: Infrarrojo cercano (NIR)
QuickBird 16.5 x 16.5 Km
0.61 x 0.61 cm
Banda pancromática 2.5 x 2.5 m
Banda 1: Azul Banda 2: Verde Banda 3: Rojo Banda 4: Infrarrojo cercano
RapidEye 25 x 25 Km
5 x 5 m
Banda 1: Azul Banda 2: verde Banda 3: Rojo Banda 4: Borde del rojo Banda 5: Infrarrojo cercano (NIR)
Imágenes de muy alta resolución espacial (VHSRI)
1 Km x 1 Km
0.07 x 0.07 m
Banda 1: Azul Banda 2: Verde Banda 3: Roja Banda 4: Infrarroja
CAPITULO I
21
1.1.5.2 Índices de vegetación
Para conocer la relación entre la vegetación y los valores espectrales de las imágenes
ópticas, es necesario analizar las bandas espectrales que componen a las imágenes
ópticas, principalmente en las regiones del rojo e infrarrojo cercano, pues son las bandas
que están más relacionados con vegetación (Jensen, 2005; Bannari et al., 1995). Para
conocer dicha relación, son comúnmente utilizados los Índices de vegetación (IV), los
cuales, se calculan a través de operaciones algebraicas basadas en los contrastes de
tales bandas espectrales (Tucker, 1979). Los valores digitales obtenidos de tales
operaciones algebraicas son analizados en cada uno de los diferentes tipos de
vegetación, pues, cada tipo de cobertura presenta valores diferentes (Romero-Arias,
2016; Carvacho y Martínez, 2010; Chuvieco, 1996).
Idealmente, los IV, son utilizados no sólo para discriminar las diferentes coberturas
vegetales sino para conocer el estado de salud de la vegetación, aunque estos no
permiten medir la biomasa directamente si mantienen una relación directa entre los
valores espectrales y la biomasa epigea de los árboles (Gilabert et al., 1997). Sin
embargo, algunos de los IV, pueden verse afectados por factores atmosféricos como el
vapor de agua (nubes), concentración de aerosoles, nieve o las sombras, así como los
efectos del relieve y las características edáficas de la superficie (Gilabert et al., 1997,
Chuvieco, 1996).
Uno de los IV más utilizados para el estudio de la vegetación es el NDVI (Normalized
Difference Vegetation Index, por sus siglas en inglés), el cual está basado en las
diferencias entre los valores de reflectancia de las bandas del rojo y de la banda del
infrarrojo cercano o también denominado contraste (Reyes-Díez et al., 2015).
Usualmente, es usado para conocer la vigorosidad de la vegetación (vegetación sana y
enferma) (Huete et al., 2002). La identificación de la vigorosidad de la vegetación,
consiste en el contraste entre el espectro visible de la banda roja y la banda infrarroja
cercana (Chuvieco, 1996). De manera que, cuando la vegetación está sana o tiene más
vigorosidad, el contraste entre las bandas es mayor (Carvacho y Martínez, 2010), ya que
se presenta una alta reflectividad en la banda del infrarrojo cercano con una baja
reflectividad en la banda roja (Romero-Arias, 2016; Rouse et al., 1974). Mientras que la
vegetación enferma (por plagas o sequías) o senescente el contraste entre tales bandas
es mucho menor, pues hay una disminución de la reflectividad en la banda del infrarrojo
CAPITULO I
22
cercano, mientras que la reflectividad en la banda del rojo aumenta (Figura 1.4)
(Chuvieco, 1996).
Figura 1.4 Comparación de vegetación sana (izquierda) y vegetación enferma (derecha). Tomado
de European Space Agency.
La ecuación del NDVI, está basada en un algoritmo que sustrae los valores de la
reflectancia en la banda roja (R) y los valores de la banda infrarroja cercana (IRC) y divide
la diferencia entre la suma de los mismos valores (Chinea, 2002);
……………………………………………………….Ecuación 1
Los valores del NDVI, varían de -1 a +1, y dependen de la cobertura que se está
analizando, aquellos valores que estén por debajo del 0.1, corresponden a áreas de
nieve, de arena o de roca o vegetación senescente o desiertos, valores de 0.2 a 0.3 a
terrenos de arbustos o pasturas como cultivos o plantaciones. Y aquellos valores de 0.6 a
0.8, se refieren a una vegetación de bosques templados o tropicales y valores cercanos 1,
indican que hay una gran densidad de vegetación vigorosa (Romero-Arias, 2016).
CAPITULO I
23
A pesar de la sencillez del cálculo e interpretación del NDVI, uno de los inconvenientes
que presenta es que en áreas en donde la densidad del follaje o la concentración de
biomasa epigea es mayor, se presenta una rápida saturación del NDVI, es decir, el valor
del índice se mantiene constante aun cuando la densidad del follaje o la concentración de
biomasa epigea incrementan (Odi-Lara, 2010; Tucker, 1979).
Otro índice de vegetación es el EVI (Enhanced Vegetation Index, por sus siglas en inglés),
el cual, incluye la banda del espectro visible del azul junto con las bandas espectrales del
rojo e infrarrojo cercano (Carvacho y Martínez, 2010). Estudios han demostrado que el
EVI es un buen complemento al NDVI, debido a que permite diferenciar mejor las
variaciones de la vegetación, principalmente en el dosel (Carvacho y Martínez, 2010).
Este índice tiene el objetivo de maximizar la señal de aquellas áreas en donde hay una
mayor concentración de biomasa y es capaz de discriminar los efectos de las condiciones
atmosféricas (Rocha y Shaver, 2009). El EVI, es uno de los índices de vegetación más
robustos debido a que disminuye los efectos del suelo, pues su ecuación, considera un
factor de corrección de suelo (L=1), el cual, indica la diferencia de la transferencia de
energía entre la banda del infrarrojo cercano y el rojo. Los coeficientes C1=6 y C2=7.5,
permiten realizar una corrección a las condiciones atmosféricas, y que usan la información
de la banda azul para corregir las distorsiones por los aerosoles en la banda roja y un
factor de ganancia (G=2.5). Este índice considera los valores de las bandas del rojo (R),
infrarrojo cercano (IRC) y la banda añadida del azul (A) (Huete et al., 2002);
……………………….…………………….Ecuación 2
1.1.5.3 Medidas de textura
Existen otras técnicas que son aplicadas para estudiar la vegetación, conocidas como
medidas de textura, las cuales, han probado mejorar la precisión en el estudio de
componentes como lo es la biomasa epigea (Kelsey y Neff, 2014; Sarker y Nichol, 2011;
Lu, 2005). La textura es una medida de la variabilidad de los valores de brillo (reflectancia)
de los píxeles entre los píxeles vecinos dentro de una ventana de análisis definida, de
esta forma, es posible conocer la distribución espacial de las variaciones de tonos de los
objetos (Haralick et al., 1973), lo que ha facilitado su aplicación en las imágenes ópticas.
De acuerdo a Cutler et al., (2012), los análisis de textura pueden ser aplicados en el
procesamiento de imágenes en donde se presentan problemas de saturación por el uso
CAPITULO I
24
de los IV. Otra de las ventajas que presentan los análisis de textura es que pueden ser
aplicados sobre áreas de bosques tropicales en donde existe una mayor concentración de
biomasa epigea (Eckert, 2012; Lu, 2005).
En los análisis de textura, se consideran dos componentes importantes que son el tono
relacionado a la variación de las sombras o tonos de grises de los objetos en una imagen.
Y la textura que puede ser evaluada como fina, mediana o gruesa principalmente (Figura
1.5). La textura y el tono de acuerdo a Haralick et al., (1973), son conceptos que siempre
se presentan al mismo tiempo, aunque en algunos casos puede dominar una propiedad
más que la otra. Por ejemplo, cuando en un parche que consta de un área muy pequeña
de una imagen tiene una pequeña variación en los tonos de grises se dice que la
propiedad que domina es el tono. Mientras que en un parche que consta de un área
pequeña existe una gran variación de tonos de grises, la propiedad que domina es la
textura.
Figura 1.5 Textura fina (parte superior de izquierda a derecha) y textura gruesa (parte inferior de
izquierda a derecha). Tomado de Fernández-Sarría et al., (2003).
Para calcular las medidas de textura de una imagen es necesario dividirla en áreas o
también denominadas ventanas las cuales contienen n x n pixeles. La selección del
tamaño de ventana y banda de la imagen es un trabajo complicado, por lo que muchas
investigaciones necesitan desarrollar técnicas para la identificación de las texturas ideales
para estimación de la biomasa epigea en diferentes escalas (Lu, 2005; Lu et al., 2004).
Por ejemplo, Kelsey y Neff, (2014) menciona que es posible que los tamaños de ventana
pequeños sean muchos más sensibles de identificar variaciones de brillo a escalas
pequeñas, mientras que tamaños de ventana grandes puedan identificar variaciones a
escalas grandes. De esta forma, es posible conocer la variabilidad o heterogeneidad de
CAPITULO I
25
un área determinada, y se pueda discriminar todo lo que corresponda a áreas con
vegetación o aquellas que no, dependiendo de las resoluciones espaciales de las
imágenes (tamaño del píxel) que se utilizan.
Las medidas de textura consideran dos tipos de estimadores conocidos como; medidas
de primer y segundo orden. Las medidas de textura de primer orden o de ocurrencia,
están basadas en estadísticas de la imagen que son generadas de los valores originales
de las imágenes. Mientras que las medidas de textura de segundo orden o de co-
ocurrencia, toman en cuenta la dependencia e interacción entre los pixeles dentro de la
ventana caracterizando los cambios en la distribución de los valores de los píxeles en la
superficie (Jensen, 1996; Haralick et al., 1973).
El método más utilizado para los análisis de textura, es la matriz de co-ocurrencia de
diferentes niveles de grises (GLCM, por sus siglas en inglés). La GLCM, presenta un
histograma a escala de grises de dos dimensiones para un par de pixeles conformados
por un píxel de referencia y un píxel fino. Estudios han comprobado que la aplicación de
esta metodología en los análisis de las imágenes incrementa la precisión de las
clasificaciones. De los análisis de textura es posible obtener diversas métricas o medidas
de co-ocurrencia como lo son; contraste, homogeneidad, disimilitud, segundo momento
angular, máxima probabilidad, entropía, correlación, varianza a partir de los diferentes
niveles de grises en la imagen (Presutti, 2004).
Existen estudios que han demostrado que la textura ha probado tener una alta
sensibilidad en la capacidad para la identificación de aspectos estructurales de la
vegetación como la biomasa epigea en combinación con otras técnicas tales como la
aplicación de IV (Sarker y Nichol, 2011; Champion et al., 2008) y se considera que es más
eficiente en imágenes con una mayor resolución espacial dado que ofrecen detalles
muchos más finos de la superficie (Boyd y Danson, 2005).
1.1.6 Sensores ópticos activos
Por otro lado, los sensores activos, a diferencia de los pasivos que dependen de la
radiación solar, tienen la capacidad de emitir sus propias ondas electromagnéticas hacia
la superficie y que al mismo tiempo estas son captadas por ellos mismos (Chuvieco, 1996;
Lillesand y Kiefer, 1979).
CAPITULO I
26
Los sensores activos tienen la capacidad de penetrar la estructura de la vegetación hasta
llegar a la superficie terrestre presentándola en tres dimensiones a diferencia de los
sensores pasivos (imágenes ópticas), además de que son capaces de realizar mediciones
bajo cualquier condición de iluminación incluyendo la noche (Cuadro 2.3) (Latifi et al.,
2015; Jasper et al., 2009).
1.1.6.1 LiDAR
LiDAR (Light Detection and Ranging), es un sensor remoto activo que emite pulsos de luz
polarizada con una longitud de onda entre 500 y 1500 µm. Es un sistema que consiste en
la emisión de haces de luz intensos y pulsos con un sistema óptico que permite recibir
información en valores digitales. LiDAR cuenta con tres sistemas de funcionamiento; de
altimetría (alturas), de escaneo de superficie (cartografía) y estereoscópicos (detección de
partículas en cualquier espacio). La mayor aplicación de este tipo de sensor, ha sido en la
generación de modelos de elevación del terreno (MDT), con una precisión de 10 a 15 cm
(Reutebuch et al.. 2005; Chuvieco, 1996), así como en el estudio de cuencas
hidrográficas, gestión forestal y apoyo a inventarios de vegetación en campo.
La información proporcionada por LiDAR, es generada por instrumentos que rápidamente
pueden medir la superficie terrestre, con un promedio de 50,000 a 150,000
pulsos/segundo, resultando en una nube de puntos con elevaciones diferentes ya
georreferenciados dando una vista tridimensional de los objetos observados en la
superficie, producto característico de los sensores activos. La región del espectro
electromagnético en la que opera LiDAR es la región del NIR (infrarrojo cercano medio),
aunque algunos sensores de LiDAR operan en las regiones del verde en estudios del
agua. Para la cobertura de grandes áreas los sensores LiDAR son utilizados en
plataformas aéreas que permiten alcanzar una altura de miles de millas, mientras que
para las áreas más pequeñas pueden ser utilizados en helicópteros, avionetas o
plataformas móviles (drones) (Lefsky, 1997).
LiDAR permite medir de manera directa la distribución vertical y horizontal de la cobertura
vegetal y, debido a la habilidad de proveer información acerca de la estructura de la
vegetación, esta tecnología es considerada como una herramienta muy útil para estudios
a nivel local y regional (Naesset, 2005) en diferentes tipos de bosques tanto templados
como tropicales (Drake et al., 2003). Es uno de los métodos más precisos y prometedores
en el estudio de la vegetación (Naesset, 2002) en los cuales se envían pulsos láser hacia
CAPITULO I
27
la superficie de la tierra midiendo el tiempo de retorno desde la vegetación y el suelo
hasta el sensor (Figura 1.6) (Lefsky, 1997).
Figura 1.6 Múltiples retornos para cada pulso (tomado de GISGeography.com).
Durante la emisión de estos pulsos láser, aspectos como la copas de los árboles, ramas,
troncos, la vegetación del sotobosques y el suelo, determinan el número de los retornos
de cada pulso, de manera que, los primeros retornos serán los más altos y los que estén
más cerca del sensor (Lim et al., 2003). De esta forma, es posible capturar la estructura
tridimensional de los bosques debido a las medidas (también denominadas métricas o
estadísticas) de altura y cobertura que son obtenidas a partir de la nube de puntos,
permitiendo que LiDAR sea una de las herramientas más precisas en la caracterización
de los elementos de la vegetación (Figura 1.7) (Hernández-Stefanoni et al., 2014; Lim et
al., 2003; Naesset, 2002; Lefsky et al., 1998). Principalmente porque esta herramienta
tiene grandes aplicaciones en el estudio de las comunidades vegetales que van desde la
organización en el espacio y tiempo de su estructura, incluyendo la posición, altitud,
extensión, cantidad, tipo y conectividad de los componentes aéreos de la vegetación
(Parker et al., 1995). Además, estudios han encontrado que existe una fuerte correlación
entre las métricas de altura y cobertura extraídas de las métricas de LiDAR y la biomasa
epigea calculada en campo (Drake et al., 2002; Lefsky et al., 2002; Means et al., 1999;
Lefsky et al., 1999b).
CAPITULO I
28
Figura 1.7 Vista tridimensional de la estructura de la vegetación de los datos LiDAR utilizando el
visor del Software FUSION (USDA Forest Service – Pacific Northwest Research Station).
Cuadro 1.3 Ventajas y desventajas de los tipos de sensores pasivos y activos.
Tipos de sensores
Pasivos Activos
Imágenes multiespectrales de muy alta resolución espacial
LiDAR
Ventajas
Buena cobertura espacial y temporal
Mejor diferenciación de los objetos
Bajos costos de adquisición
Desventajas
Saturación de los datos espectrales en los análisis
No penetran la vegetación
Ventajas
Penetración de las estructuras hasta el suelo
Datos en 3-D
Uso en zonas con mayor concentración de biomasa
Desventajas
Poco accesibles por ser muy costosos
1.1.7 Estructura del paisaje
La ecología del paisaje está basada en la comprensión de ciertos elementos del paisaje.
Un paisaje, es un área heterogénea conformada por un grupo de ecosistemas (Forman y
CAPITULO I
29
Godron, 1981 en Morláns, 2000). Se aborda el concepto de “mosaico” haciendo
referencia a “todos los elementos del paisaje” a cualquier escala; local, regional o global
y está conformado por tres elementos muy importantes; matriz, fragmentos y
corredores (Vila et al., 2006).
La matriz es de acuerdo a Vila et al., (2006), un complejo formado por fragmentos y
corredores y de cómo están dispuestos (distribuidos) en ella. La matriz se refiere al
elemento dominante del paisaje, que es el que ocupa la mayor superficie y que se
encuentra mejor conectado y tiene el papel fundamental en la dinámica del paisaje. Los
fragmentos, son las unidades que son diferenciables dentro de la matriz e internamente
homogéneos. De acuerdo a Forman y Godron (1981), tienen diferentes orígenes
(incendios, ganadería, agricultura, huracanes, introducción de especies nuevas, etc) y
pueden ser diferentes en cuanto al número, tamaño, forma y configuración espacial (Vila
et al., 2006). Los corredores tienen la función principal de conectar a los fragmentos y
permiten el movimiento o desplazamiento de los elementos del hábitat tales como
animales, nutrientes, plantas, seres humanos, etc., dentro del hábitat (flujo de energía,
materia y organismos) (Hilty et al., 2006).
El estudio de la ecología del paisaje, se centra en la aplicación de métodos cuantitativos,
para conocer la estructura del paisaje, los cuales, son denominados “Índices del paisaje”
(landscape metrics) también conocidos como “métricas de paisaje”. Estos índices,
permiten el estudio y análisis de la estructura, función y el cambio del paisaje (McGarigal
et al., 2009) y de acuerdo a Hoechstetter et al., (2009), el principal objetivo de estas
métricas está referido a “la cuantificación de la heterogeneidad de todo un paisaje”.
Los índices de paisaje, permiten conocer la composición y configuración del paisaje y
realizar comparaciones en temporalidades diferentes, y de acuerdo a McGarigal y Marks,
(1995) y Botequilla et al., (2006), son aplicables a tres niveles;
1) A nivel de fragmento (patch level), que son los índices aplicados a los fragmentos de
manera individual y que corresponde a un tipo de cobertura en específico. Las métricas a
este nivel cuantifican las características individuales de cada fragmento, como la forma, el
tamaño o la proximidad con otros. En datos vectoriales, los fragmentos son
generalmente polígonos, mientras que en datos ráster, se refieren a clústers (conjunto
de píxeles) con valores similares.
CAPITULO I
30
2) A nivel de clase (class level), índices aplicados a todos aquellos fragmentos que
pertenecen a una misma clase (hábitat, suelo, uso de suelo, etc,), de acuerdo a Vila et al.,
(2006), es el nivel ideal para estudiar la superficie ocupada por un conjunto de fragmentos
pertenecientes a una misma clase. En datos vectoriales, las clases son un conjunto de
polígonos que están clasificados como el mismo tipo de fragmento y en datos ráster, es
un conjunto de celdas con valores similares correspondientes a una misma clase. Las
métricas a nivel de clase tienen la capacidad de cuantificar las características de un
conjunto entero de clases, como la extensión total, el promedio del tamaño de los
fragmentos dentro de la clase y el grado de agregación o agrupamiento principalmente,
así como el número de fragmentos que la integran. Generalmente, las métricas a este
nivel son comúnmente interpretadas como índices de fragmentación, pues miden la
configuración de un tipo particular de un fragmento dentro de una clase determinada.
3) A nivel de paisaje (landscape level), los índices son aplicados tanto a las clases como
a los fragmentos y permiten conocer la heterogeneidad u homogeneidad de un área de
interés. En datos vectoriales, un paisaje considera el total de los polígonos existentes
independientemente del tipo de fragmento, y en los datos ráster, el paisaje corresponde a
todo el conjunto de celdas independientemente del valor de las clases.
CAPITULO I
31
1.2 PLANTEAMIENTO DEL PROBLEMA.
Las estimaciones de biomasa epigea son indispensables para conocer las reservas de
carbono en los bosques, por lo que en la actualidad, se ha implementado la utilización de
herramientas de percepción remota como complemento al trabajo de campo en el estudio
de la vegetación. Sin embargo, es necesario obtener estimaciones precisas de la biomasa
epigea de los bosques debido a la importancia de conocer cuánto carbono podría ser
emitido a la atmósfera en caso de incendios forestales o eventos de deforestación. De
esta forma, será posible generar estrategias de mitigación del cambio climático, en las
que se pueda proponer la reducción de las emisiones de carbono o aumentar las
absorciones de este elemento, mediante actividades de reforestación de los ecosistemas
forestales. Generalmente, la biomasa epigea de los bosques, ha sido estudiada a través
de las imágenes ópticas (sensores ópticos pasivos) (Steininger, 2000; Boy et al., 1999),
mediante la aplicación de índices de vegetación (IV), los cuales aprovechan la información
espectral contenida en ellas (Chuvieco, 1996). Sin embargo, con la aplicación de IV,
suelen presentarse problemas de saturación en zonas con altas concentraciones de
biomasa epigea, como es el caso de la saturación del NDVI. Este índice, ha demostrado
un grado de asociación bajo con este atributo estructural, lo que implica una disminución
en la precisión de la estimación de este atributo en ciertas áreas (Sarker y Nichol, 2010;
Anaya et al., 2008). Ante tal problema, ha surgido la creación y aplicación de otros índices
de vegetación, como el EVI, cuyo objetivo principal es minimizar los efectos de saturación
presentes en las imágenes ópticas. Este índice ha demostrado tener una relación
estrecha con la biomasa epigea siendo capaz de corregir problemas atmosféricos y
edafológicos que se presentan comúnmente en las imágenes ópticas, además ser mucho
más sensible a las variaciones de biomasa epigea existente en diferentes zonas (Huete et
al., 2002).
Por otro lado, estudios han demostrado que la implementación de análisis de textura en
las imágenes ópticas, pueden incrementar la precisión de la estimación de la biomasa
epigea de zonas boscosas (Kelsey y Neff, 2014). Esto es debido a que las medidas de
textura permiten conocer la distribución de la variabilidad de los valores de reflectancia de
los pixeles de la vegetación en una imagen (Sarker y Nichol, 2010; Lu y Batistella, 2005;
Strahler et al., 1986; Haralick et al., 1973). Además, este análisis es una buena alternativa
ante la presencia de problemas de saturación de los IV (Cutler et al., 2012), pues, los
análisis de textura aprovechan uno de los aspectos que raramente ha sido utilizado en el
CAPITULO I
32
estudio de la vegetación que es la resolución espacial de las imágenes ópticas (Musick y
Grover, 1992).
Aunado a esto, y considerando que los bosques están sujetos a procesos de degradación
desde hace muchos años, se han generado una gran cantidad de fragmentos de
diferentes formas y tamaños, lo que resulta en la reducción de la extensión original
afectando su estructura y funcionalidad (Vila et al., 2006; Forman y Godron, 1981).
Comúnmente son utilizadas las métricas del paisaje para conocer la distribución espacial
de los diferentes elementos del paisaje.
Sin embargo, existen otros tipos de sensores remotos utilizados en el estudio de la
vegetación, como LiDAR, que, siendo un sensor activo, ha demostrado que es capaz de
obtener estimaciones mucho más precisas de biomasa epigea (Hernández-Stefanoni,
2014; Drake et al., 2002; Lefsky, 1997) que otros productos de sensores remotos. Esto es
debido a que LiDAR, tiene la capacidad de penetrar la vegetación hasta el suelo y
proporcionar una nube de puntos que la representa de forma tridimensional, de la cual, es
posible obtener métricas (estadísticas) de altura y cobertura que se relacionan muy bien
con el componente arbóreo como la altura, área basal y la cobertura de los árboles en un
área determinada (Lefsky, 1997).
Por lo tanto, el presente estudio plantea comparar la precisión de la estimación de la
biomasa epigea entre LiDAR e imágenes de muy alta resolución espacial en dos tipos de
bosques secos de la Península de Yucatán. Además de conocer si la implementación de
medidas texturales, índices de vegetación y de estructura del paisaje permiten
incrementar la precisión de la estimación de la biomasa epigea. También, se pretende
conocer si la combinación de LiDAR e imágenes de muy alta resolución tiene la capacidad
de incrementar la precisión en la estimación de este atributo y, mediante un análisis de
partición de la varianza conocer el porcentaje de varianza explicado por cada uno de
ellos.
CAPITULO I
33
1.3 OBJETIVOS
1.3.1 Objetivo General:
El objetivo general del presente trabajo es comparar la precisión de la estimación de la
biomasa epigea de bosques tropicales de la Península de Yucatán utilizando dos tipos de
sensores remotos; LiDAR (sensores activos) e imágenes de muy alta resolución espacial
(sensores pasivos) por separado y en combinación.
1.3.2 Objetivos específicos:
Cuantificar la biomasa epigea en campo utilizando diferentes ecuaciones
alométricas en un bosque tropical subcaducifolio y uno subperennifolio.
Estimar la biomasa epigea cuantificada en campo utilizando por separado las
métricas de datos LiDAR y métricas de imágenes de muy alta resolución espacial
de 18 y 21 cm por píxel.
Comparar la precisión de la estimación de la biomasa epigea de las métricas de
LiDAR y las métricas de las imágenes de muy alta resolución espacial en los dos
tipos de bosques tropicales secos.
Obtener modelos combinando datos LiDAR e imágenes de muy alta resolución
espacial para la estimación de la biomasa epigea y evaluar la precisión de estos
modelos.
Evaluar a través de un análisis de partición de la varianza el porcentaje de
variación explicado por cada uno de los sensores (LiDAR e imágenes de muy alta
resolución espacial) en la estimación de biomasa epigea.
1.4 PREGUNTAS DE INVESTIGACIÓN
¿La aplicación de medidas de textura, índices de vegetación y de estructura del
paisaje en las imágenes de muy alta resolución espacial permite incrementar la
precisión de la estimación de la biomasa epigea en comparación con LiDAR?
¿La combinación de los datos LiDAR con las imágenes de muy alta resolución
espacial incrementa la precisión de la estimación de la biomasa epigea comparado
con los sensores por separado?
CAPITULO I
34
¿El porcentaje de variación explicado por las métricas de LiDAR y las imágenes de
muy alta resolución, difieren entre los dos tipos de bosques tropicales secos de la
Península de Yucatán?
¿Cuál es el porcentaje de varianza explicado por las métricas de LiDAR (que
permiten conocer acerca de la estructura de la vegetación) y cuál es el de las
métricas de las imágenes de muy alta resolución espacial (que permiten conocer
la variabilidad espectral de la vegetación)?
CAPITULO I
35
1.5 HIPOTESIS
Hipótesis 1. Las imágenes ópticas han demostrado presentar problemas de saturación
(Tucker, 1979), por lo que no han tenido mucho éxito en la estimación de la biomasa
epigea, sin embargo, se ha demostrado que las medidas de textura permiten incrementar
la precisión de las estimaciones de este atributo (Sarker y Nichol, 2010). Esto es debido a
que la textura y la resolución espacial de las imágenes se encuentran asociados a los
atributos estructurales del bosque. Por consiguiente, se espera que una resolución
espacial muy alta permita analizar la heterogeneidad espectral (medidas de textura). Ésta
podría estar asociada a diferencias estructurales de la vegetación y, junto con medidas de
la estructura del paisaje, índices de vegetación y valores de reflectancia de las imágenes
ópticas, se espera obtener estimaciones de biomasa epigea comparables e incluso
mejores que las de un sensor activo como lo es LiDAR.
Hipótesis 2. Se ha demostrado que la información de la estructura espacial horizontal
proporcionada por las imágenes ópticas es capaz de complementar la información vertical
(tridimensional) de un sensor como LiDAR (Lu et al., 2005). Por consiguiente, se espera
que un modelo combinado en donde se integre la información de LiDAR con medidas
espaciales (análisis de textura, medidas de la estructura del paisaje) y medidas
espectrales (valores de reflectancia e índices de vegetación) incremente sustancialmente
la precisión de la estimación de la biomasa epigea comparado con un modelo que
solamente incluye los datos de LiDAR o de las VHSRI por separado.
Hipótesis 3. LiDAR es una herramienta capaz de tener una alta precisión en la
estimación de la biomasa epigea, debido a que la representación tridimensional de la
vegetación proporciona muy buena información acerca de parámetros estructurales de los
árboles tales como alturas, coberturas y áreas basales, los cuales, están estrechamente
relacionados con este componente aéreo (Hernández-Stefanoni, 2014; Lillesand et al.,
2004; Lefsky, 1979). Por lo tanto, se espera que, dentro de un análisis de partición de la
varianza, las métricas de LiDAR tengan mayor aporte que las métricas de textura,
reflectancia y de estructura del paisaje de las imágenes ópticas.
CAPITULO I
36
CAPÍTULO II
37
CAPITULO II. MATERIALES Y MÉTODOS
2.1 MATERIALES Y METODOS
2.1.1 Área de estudio.
El presente trabajo se llevó a cabo en dos tipos de BTS de la Península de Yucatán
(Figura 2.1);
1) Selva mediana subcaducifolia dentro de la Reserva Biocultural Kaxil Kiuic, Yucatán,
establecida como un área de protección privada. Está situada entre los 20º 5’ y 20º 7’ de
latitud Norte y los 89º 32’ y 89º 34’ de longitud Oeste y cuenta con una extensión de 1,800
hectáreas (Hernández-Stefanoni et al., 2014). De acuerdo con Brito (2004), está ubicada
entre los municipios de Ticul y Oxkutzcab, dentro de la región conocida como Ruta Puuc.
El clima predominante es de tipo cálido y seco (Köppen modificada por García, 1973) con
una temperatura promedio anual de 26°C y cuenta con una precipitación anual promedio
que oscila entre 1,000 y 1,1000 mm. La zona de Kaxil Kiuic, está dominada por árboles
semideciduos que tiran alrededor del 50% al 75% de sus hojas en la estación seca,
aunque existen algunos siempre verdes y algunos árboles presentan defoliación por un
período corto (semanas) (Miranda Y Hernández, 1963). Generalmente, los árboles de
este tipo de BTS, presentan alturas bajas de 8 a 13 m con algunas pocas de 15 a 18 en
los más viejos (Flores y Espejel, 1994). La vegetación de la zona de estudio tiene
diferentes edades de abandono después de haber sido objeto de actividades de
agricultura tradicional de roza-tumba-quema principalmente (Hernández-Stefanoni et al.,
2011). Las especies de árboles que tienen mayor predominancia son; Neomillspaughia
emarginata, Gymnopodium floribundum, Bursera simaruba, Piscidia piscipula and
Lysiloma latisiliquum (Hernández-Stefanoni et al., 2014).
2) Selva mediana subperennifolia dentro de la Reserva Much Kanan Ka’ax que forma
parte del Ejido de Felipe Carillo Puerto, Quintana Roo. Está localizado en la parte Sur del
Municipio de Felipe Carillo Puerto (FCP), en la parte central oriente del estado de
Quintana Roo, en la denominada “La Zona Maya”. El ejido está situado entre los 87° 03’ y
88° 05’ longitud Oeste y 19° 28’ y 19° 30’ latitud Norte (Hernández-Stefanoni et al., 2014),
a una altitud de 30 msnm y cuenta aproximadamente con una superficie agraria de 47,223
hectáreas. El clima predominante es de tipo cálido subhúmedo (Köppen modificada por
García, 1973) con una temperatura promedio anual de 23.7°C, siendo el mes de agosto el
CAPÍTULO II
38
más cálido (26.2°C) y el mes de enero el más frío (22.5°C) y cuenta con una precipitación
anual promedio es de 1,158 a 1,300 mm. El área está dominada por árboles que tiran
alrededor del 25% al 30% de sus hojas durante la estación seca (Miranda Y Hernández,
1963) y con alturas de casi 25 m (Flores y Espejel, 1994). Las principales actividades que
se llevan a cabo en esta área son agricultura tradicional (roza-tumba-quema) y
aprovechamiento maderable (Hernández-Stefanoni et al., 2014). También, se encuentran
áreas de selvas medianas subperennifolias que han sido afectadas por incendios, así
como áreas de acahuales, las cuales han sido aprovechadas para el cultivo de maíz
principalmente. Las especies de árboles que predominan en esta área son Manilkaria
zapota, Vitex Gaumeri, Bursera simaruba, Metopium brownei y Cecropia obtusifolia
(Hernández-Stefanoni et al., 2014).
Figura 2.1 Área de estudio. Reserva Bicultural Kaxil Kiuic, Yucatán y Felipe Carrillo Puerto,
Quintana Roo.
CAPÍTULO II
39
2.1.2 Diseño de muestreo
El área de estudio del presente trabajo consta de dos sitios; la Reserva Biocultural Kaxil
Kiuic, en el Estado de Yucatán, y el Ejido Felipe Carrillo Puerto (FCP), en el Estado de
Quintana Roo.
El sitio de Kiuic consta de 20 parcelas y el sitio de FCP de 28 parcelas, ambas circulares,
y distribuidas en un área de 9 Km2 aproximadamente (Figura.2.2). Para facilitar los
cálculos de biomasa epigea, cada parcela cuenta con 3 subparcelas (Figura 2.3);
Subparcela 1: área de 80 m2.
Subparcela 2: área de 320 m2 (que en suma con la subparcela 1, conforman un
área total de 400 m2).
Subparcela 3: área de 600 m2 (que en suma con las subparcelas 1 y 2, conforman
un área total de 1,000 m2).
Figura 2.2 Parcelas de estudio (1,000 m2) en los diferentes sitios de estudio.
CAPÍTULO II
40
Figura 2.3 Diseño de las parcelas de 1,000 m2 para la estimación de biomasa epigea a partir de
inventarios de campo utilizadas en los sitios de estudio de Kiuic y FCP.
Toma de datos en las parcelas de estudio
Cada uno de los sitios de estudio, cuentan con un inventario local, que corresponden a los
años de 2013 tanto para Kiuic y FCP. Cada inventario se encontraba digitalizado en bases
de datos de Excel para el mejor manejo de la información. Las variables dasométricas que
fueron consideradas para el cálculo de biomasa epigea en el presente trabajo fueron las
siguientes:
Forma biológica (árbol, liana y palma)
DAP (diámetro a la altura del pecho de 1.30 m)
Longitud del tallo
Densidad de madera de cada una de las especies registradas*
Condición (1=vivo, 2=muerto y 3=tocón)
Categorías del estado de los árboles muertos en campo (1=árbol muerto con
ramas gruesas y finas, 2=árbol muerto con ramas gruesas y 3=sólo fuste).
CAPÍTULO II
41
Criterios de medición de variables dasométricas para los inventarios de campo:
Para el registro de las variables dasométricas tanto de árboles como para palmas y lianas
en cada una de las parcelas de 1,000 m2, fueron considerados tres criterios de medición
en cada una de las subparcelas de las parcelas;
1) En la subparcela 1, se midieron todos los individuos con un DAP mayor o igual a 2.5
cm.
2) En la subparcela 2, se midieron todos aquellos individuos con un DAP mayor o igual a
7.5 cm.
3) En la subparcela 3, se midieron todos los individuos con un DAP mayor o igual a 20
cm.
2.1.3 Ecuaciones alométricas empleadas
Para la estimación de biomasa epigea en campo en las parcelas de los sitios de estudio,
fueron aplicadas ecuaciones alométricas para árboles, palmas y lianas (Cuadro 2.1). Se
consideraron ecuaciones locales para formas biológicas como árboles (Ramírez et al.,
2017; Guyot, 2011) y una ecuación general desarrollada para bosques tropicales secos
(Chave et al., 2005), las cuales, se describen a continuación:
Sitio de Kiuic;
En este sitio se utilizó la ecuación de Ramírez et al., (2017), que fue desarrollada a través
de un método destructivo en el Ejido San Agustín, situado en el Municipio de Tekax, al sur
del estado de Yucatán, dentro de una selva mediana subcaducifolia. La característica más
importante de esta ecuación, es que fue creada en una zona aledaña a la Reserva
Biocultural de Kaxil Kiuic, por lo tanto, cumple con las características distintivas de los
árboles que se desarrollan dentro del área de Kiuic que también representa a una selva
mediana subcaducifolia. Tal ecuación se aplicó a todos los individuos arbóreos con un
DAP < a 10 cm. Y para los individuos con un DAP ≥ a 10 cm, se aplicó la ecuación de
Chave et al., (2005), que fue desarrollada a partir de la compilación de 27 estudios
destructivos (publicados y no publicados) desde 1950, exclusivamente para bosques
tropicales (secos, húmedos, lluviosos, de montaña y para manglares).
Sitio de FCP;
CAPÍTULO II
42
En este sitio se utilizó una ecuación local desarrollada por Guyot (2011), la cual, fue
generada dentro de la selva mediana subperennifolia del Ejido Felipe Carrillo Puerto del
estado de Quintana Roo de la Península de Yucatán. De manera que, ecuación local
cumple con las características de los árboles que se desarrollan dentro de las condiciones
ambientales de una selva como la FCP y fue aplicada a todos los individuos con un DAP ≥
a 2.5 cm.
Se consideró la ecuación alométrica para lianas reportada por Schnitzer et al., (2006), y
para palmas con un DAP mayor o igual a 10 cm, la ecuación alométrica reportada por
Frangi y Lugo (1985).
Cuadro 2.1 Ecuaciones alométricas utilizadas.
*Ecuaciones alométricas expresadas en toneladas. DAP; diámetro a la altura del pecho, LONG;
longitud del árbol, DENSI; densidad de la madera de la especie.
2.1.4 Cálculo de biomasa epigea en las parcelas de 1,000 m2
Una vez establecidas las ecuaciones alométricas a utilizar, éstas fueron aplicadas a cada
forma biológica (árboles, palmas y lianas). Lo anterior, tomando en cuenta los datos
dasométricos de los inventarios (bases de datos de EXCEL) que las ecuaciones
Autores Descripción Ecuaciones alométricas utilizadas en el presente estudio
Ramírez et al., (2017)
Para árboles de selvas medianas
subcaducifolias con DAP < a 10 cm
=(EXP(-4.1392+0.99*LN(DAP^2*LONG)+1.2268*DENSI))
Chave et al., (2005)
Para árboles de bosques tropicales
secos con DAP ≥ a 10 cm
=DENSI*EXP(-0.667+1.784*LN(DAP)+0.207*(LN(DAP))^2-
0.0281*(LN(DAP))^3)
Guyot, 2011
Para árboles de selvas medianas
subperennifolias con DAP ≥ a 2.5 cm
=(EXP(1.3636*LN(DAP)+1.615*LN(LONG)-2.9267))
Schnitzer et al.,
(2006)
Lianas con un DAP ≥ a 2.5 cm
=EXP(0.049+2.053)*LN(DAP)
Frangi y Lugo
(1985)
Palmas con DAP ≥ a 10 cm*
=((-4.51)+(7.7)*(LONG))/(10^3)
CAPÍTULO II
43
requerían. Aspectos como la densidad de la madera fueron tomados de la literatura
disponible para especies arbóreas (Aguilar-Rodriguez et al., 2001; Sanaphre-Villanueva et
al., 2016; Reyes-García et al., 2012), así como de información de la FAO disponible en la
liga; http://www.fao.org/docrep/w4095e/w4095e0c.htm. Los valores de biomasa fueron
considerados en kilogramos (Kg), para facilitar las conversiones necesarias.
Primero, para conocer los valores de biomasa epigea (Kg) dentro de un área de 80 m2,
400 m2 y 1,000 m2, se realizaron filtros en las subparcelas que conforman las parcelas de
la siguiente manera;
a) Para el área de 80 m2 (que únicamente incluye el subsitio 1); se consideraron los
valores de biomasa epigea (en Kg) de todos los individuos con un DAP ≥ a 2.5 cm
pero < a 7.5 cm.
b) Para el área de 400 m2 (que incluye el subsitio 1 de 80 m2 y el subsitio 2 de 320
m2); se consideraron los valores de biomasa epigea (en Kg) de todos los
individuos con un DAP ≥ a 7.5 pero < a 20.
c) Para el área total de 1000 m2 (que incluye subsitio 1 de 80 m2, subsitio 2 de 320
m2 y subsitio 3 de 600 m2); se consideraron los valores de biomasa epigea (en Kg)
de todos los individuos con un DAP ≥ a 20 cm.
Segundo, los valores de biomasa epigea obtenidos en cada una de las áreas
anteriormente mencionadas (de 80 m2, 400 m2 y 1000 m2), fueron agrupados mediante
tablas dinámicas de acuerdo con el número de parcelas de estudio de cada uno de los
sitios (20 en Kiuic y 28 en FCP).
Tercero, para la extrapolación de Kg/m2 a Ton/Ha-1, se realizó el siguiente procedimiento
para los valores de biomasa epigea ya agrupados;
a) En el área de 80 m2, los valores de biomasa epigea fueron multiplicados por 0.125
para extrapolar de Kg/80 m2 a Ton/Ha-1.
b) En el área de 400 m2, los valores de biomasa epigea fueron multiplicados por
0.025 para extrapolar de Kg/400 m2 a Ton/Ha-1.
c) En el área de 1,000 m2, los valores de biomasa epigea fueron multiplicados por
0.01 para extrapolar de Kg/1,000 m2 a Ton/Ha-1.
CAPÍTULO II
44
Finalmente, se procedió a sumar los valores de biomasa epigea obtenidos en 80 m2, 400
m2 y 1,000 m2, los cuales representan el valor de la biomasa epigea total en cada una de
las parcelas de estudio.
2.1.5 Información de los datos.
Los datos LiDAR y VHSRI utilizados en el presente trabajo de ambos sitios de estudio,
fueron adquiridos en agosto del año 2012 y en enero del 2013, a través de la empresa
CartoData en una aeronave Cessna T202, la cual, estaba equipada con un escáner laser
aéreo RIEGL-QV-480 LiDAR, un GPS/IMU NovAtel y una cámara Vexel UltraCam LPrime
de 16 megapíxeles. La cámara tenía una sensibilidad espectral de 420 a 1,000 nm
conformando el espectro de las bandas del azul (B), verde (G) rojo (R) e infrarrojo cercano
(NIR).
Cada VHSRI cuenta con una cobertura de 1 Km2, en ambos sitios de estudio se cubrió un
área total de 9 km2 (9 VHSRI por sitio). Las VHSRI cuentan con una resolución espacial
de 18 cm por píxel en Kiuic y de 21 cm por píxel en FCP. La resolución radiométrica de
las VHSRI es de 8 bits y la resolución espectral es de 4 bandas, banda azul (0.420 –
0.480 µm), banda verde (0.50 – 0.56 µm), banda roja (0.58 – 0.70 µm) y banda infrarroja
(0.72 – 1.0 µm).
2.1.6 Procesamiento de datos LiDAR (obtención de métricas de altura y cobertura)
El procesamiento de los datos de LiDAR se realizó en el software FUSION de libre acceso
desarrollado por el Servicio Forestal del Departamento de Agricultura de Estados Unidos
(US Forest Service), con el apoyo del Pacific Northwest Research Station y la Universidad
de Washington, Estados Unidos y se encuentra disponible en la liga;
http://forsys.cfr.washington.edu/fusion/fusionlatest.html.
FUSION trabaja con una serie de comandos que permiten extraer información de la nube
de puntos LiDAR, siendo; “clipdata” y “cloudmetrics” los utilizados en el presente estudio.
Primero, fue llevado a cabo el proceso denominado “clipping process” considerando el
comando “clipdata” mediante la ejecución de un archivo *.batchfile que contenía
información de cada una de las parcelas de ambos sitios. Tales archivos, consideran las
coordenadas UTM centrales de las parcelas obtenidas a través de un GPS diferencial y a
partir de un radio de 17.84 metros se generaron coordenadas mínimas y máximas para
así realizar las extracciones correspondientes a un área circular de 1,000 m2 de la nube
CAPÍTULO II
45
de puntos LiDAR. Posteriormente, los archivos *.batchfile fueron ejecutados en Command
prompt también denominado cmd.exe de Windows. Finalmente se obtuvieron un total de
20 clips para Kiuic y 28 clips para FCP con el área de interés de 1,000 m2 en formato *.las
o *.lda para datos LiDAR (Figura 2.4).
Figura 2.4 Parcelas de 1,000 m2, extraídas de las nubes de puntos de LiDAR, perteneciente al
sitio de Kaxil Kiuic; a) vista aérea; b) vista lateral con datos normalizados a la superficie.
Los datos de los clips obtenidos fueron normalizados a la superficie en ambos sitios, esto
para expresar el retorno en términos de altura sobre el suelo en lugar de la elevación
sobre el nivel del mar.
Una vez obtenidos los clips correspondientes a cada sitio de estudio, se procedió a
calcular un conjunto de 64 métricas correspondiente a los clips de la nube de puntos
LiDAR mediante el proceso denominado “cloudmetrics process” el cual, también fue
ejecutado en el Command Prompt ó cmd.exe de Windows. Las métricas calculadas
(Cuadro 2.2), pertenecen a métricas de altura y cobertura obtenidas de las nubes de
puntos, basadas en estadísticas que incluyen la media, mínimos y máximos de elevación,
la variación del retorno de las alturas (varianza y coeficiente de variación), estadísticas
para cuantificar la locación (percentiles de altura).
Las métricas de LiDAR de ambos sitios, fueron consideradas como variables de
predicción o explicativas para estimar la biomasa epigea en cada una de las parcelas de
ambos sitios de estudio (variable dependiente o de respuesta).
a) b)
CAPÍTULO II
46
Cuadro 2.2 Métricas de altura y cobertura de los datos LiDAR calculadas en cada una de las
parcelas de estudio. Tomado y modificado de Hernández-Stefanoni et al., (2014) y Ortíz-Reyes
(2014).
Categoría Métrica Descripción
Métricas de altura
Elev mínima Altura mínima de todos los retornos Elev máxima Altura máxima de todos los retornos Elev media Altura media sobre el terreno de
todos los retornos Mediana de Elev (igual a Elev P50)
Mediana de la altura sobre el terreno de todos los retornos
Moda de Elev Moda de la altura sobre el terreno para todos los retornos
Desviación estándar de Elev Desviación estándar de las alturas sobre el terreno de todos los retornos
Varianza de Elev Varianza de las alturas sobre el terreno de todos los retornos
Coeficiente de variación de Elev Coeficiente de variación de las alturas sobre el terreno de todos los retornos
Rango intercuartílico de Elev Distancia intercuantil de las alturas sobre el terreno de todos los retornos
Elev skewness Momento de simetría de las alturas sobre el terreno de todos los retornos
Elev kurtosis Momento de curtosis de las alturas sobre el terreno de todos los retornos
Desviación absoluta de la media (AAD) de Elev
Desviación absoluta media de las alturas sobre el terreno de todos los retornos
Desviación absoluta mediana (MAD) de Elev
Desviación absoluta mediana de las alturas sobre el terreno de todos los retornos
Desviación absoluta moda (MAD) de Elev
Desviación absoluta moda de las alturas sobre el terreno de todos los retornos
L-momentos de Elev (Elev L1, Elev L2, Elev L3, Elev L4)
Momento del primer, segundo, tercer y cuarto retorno de la altura sobre el terreno de todos los retornos
Elev L Skewness Momento de simetría de las alturas sobre el terreno de todos los retornos
Elev L Kurtosis Momento de curtosis de las alturas sobre el terreno de todos los retornos
(Percentiles; 1er, 5to, 10mo, 20mo, 30mo, 40mo, 50mo,
Altura desde el suelo a la que un determinado porcentaje de los
CAPÍTULO II
47
60mo, 70mo, 75mo, 80mo, 90mo, 99no) de Elev
retornos se encuentran por debajo (01 - 99)
Relieve de copa Tasa de retornos provenientes del dosel
Métricas de cobertura
Número total de retornos Conteo total de retornos LiDAR Conteo de retornos por número de retornos (1ro, 2do, 3ro, 4to, 5to, 6to, 7to, 8mo, otro)
Conteo de los 1ros, 2dos, 3ros, etc., por encima de una altura determinada
Porcentaje de primeros retornos por encima de una altura especifica
Porcentaje de primeros retornos por encima de x m de altura (estimación de la cobertura del dosel)
Porcentaje de primeros retornos por encima de la altura media
Porcentaje de primeros retornos por encima de la altura media de los retornos
Porcentaje de primeros retornos por encima de la moda de la altura
Porcentaje de primeros retornos por encima de la moda de altura de los retornos
Porcentaje de todos los retornos por encima de una altura especificada
Porcentaje de todos los retornos por encima de x m de altura
Porcentaje de todos los retornos por encima de la altura media
Porcentaje de todos los retornos por encima de la altura media de los retornos
Porcentaje de todos los retornos por encima de la moda de la altura
Porcentaje de todos los retornos por encima de la moda de altura de los retornos
(Todos los retornos por encima de x m de altura) / (Total de todos los primeros retornos) x 100
(Todos los retornos por encima de x m de altura) / (Total de todos los primeros retornos) x 100
(Todos los retornos por encima de la media) / (Total de todos los primeros retornos) x 100
(Todos los retornos por encima de la altura media) / (Total de todos los primeros retornos) x 100
(Todos los retornos por encima de la moda de altura) / (Total de todos los primeros retornos) x 100
(Todos los retornos por encima de la moda de altura) / (Total de todos los primeros retornos) x 100
Número de primeros retornos arriba de media
Todos los primeros retornos por encima de la altura media de los retornos
Número de primeros retornos arriba de la moda
Todos los primeros retornos por encima de la moda de la altura de los retornos
Número de retornos arriba de la media
Todos los retornos por encima de la altura media
Número de retornos arriba de la moda
Todos los retornos por encima de la moda de la altura
Total de primeros retornos Total de todos los retornos
CAPÍTULO II
48
2.1.7 Procesamiento de las VHSRI; obtención de métricas.
La obtención de las métricas de las VHSRI se basó en dos etapas principales:
1ra Etapa;
Con la finalidad de no perder información durante el procesamiento, en un principio los
análisis fueron realizados sobre una superficie de 1 hectárea (Ha). Para esto, las VHSRI
fueron recortadas a 1 Ha, utilizando archivos utilizados archivos *.shapefile (*.shp)
creados mediante la herramienta de Hawths Tools de ArcMap 10.3 a través de la función
Sampling Tools con el Create simple tools (various shapes), considerando las
coordenadas X y Y centrales de las parcelas de interés. En seguida, las VHSRI fueron
recortadas mediante la herramienta de Subset Data via ROIs del software ENVI 5.0.1
introduciendo los archivos *.shapefile creados.
A continuación, cada uno de los recortes de 1 Ha de cada banda, fueron guardadas en
formato *.TIF y una vez hecho esto, se llevaron a cabo los siguientes pasos;
1. Cálculo de índices de vegetación; NDVI y EVI.
Fueron calculados índices de vegetación tales como el NDVI y EVI, utilizando el Software
GRASS GIS 7.3.0 a través de la función “Vegetation index (i.vi)” considerando las bandas
correspondientes para cada IV.
El NDVI se calculó mediante la siguiente ecuación;
Donde;
R = Banda roja (B3)
NIR = Banda infrarrojo cercano (B4)
el EVI se calculó de acuerdo a la siguiente fórmula;
Donde;
CAPÍTULO II
49
A = Banda azul (B1)
R = Banda rojo (B3)
NIR = Banda infrarrojo cercano (B4)
2. Análisis de medidas de textura a diferentes tamaños de ventana (1 x 1 m;
5 x 5 m).
Los análisis de textura, se ejecutaron sobre cada una de las bandas de las VHSRI y en
los IV calculados (EVI y NDVI). Esto se llevó a cabo mediante el Software ENVI 5.0.1 a
través del lenguaje de programación de IDL (Cuadro 2.3).
Se consideraron tamaños de ventanas en movimiento diferentes para conocer la relación
espacial existente entre los píxeles vecinos que se encuentren en ella; a un 1 metro (5 x 5
píxeles), para conocer la variabilidad dentro de áreas en donde exista vegetación y la
variabilidad que podría existir dentro de áreas de huecos, y a 5 metros (25 x 25 píxeles)
para conocer la variabilidad entre las áreas en donde exista vegetación y huecos.
Cuadro 2.3 Medidas de textura calculadas en cada una de las parcelas de estudio (Pinto Leal,
2006; Trianni, 2006).
Medidas de textura Descripción
Media
En esta medida, el valor del píxel corresponde al valor medio de toda la matriz. Sus valores varían de acuerdo a la cantidad de grises que contiene la imagen. Valores altos se relacionan con áreas homogéneas y viceversa.
Varianza
Utiliza la combinación entre los píxeles de referencia y vecino, está basada en la dispersión de los píxeles dentro de la imagen. Representa una medida de la heterogeneidad y muestra valores altos en zonas heterogéneas si la variación existente en los tonos de grises es elevada y valores bajos en zonas donde la variación es menor (homogénea).
Entropía
Relacionada con la aleatoriedad de la distribución de los píxeles dentro de la imagen, midiendo el “desorden” de la imagen. Valores altos implican un mayor desorden (variabilidad de valores de píxeles) asociados a áreas heterogéneas
CAPÍTULO II
50
y viceversa.
Segundo momento angular
También denominada uniformidad u homogeneidad de energía. Los valores de grises observados en la imagen original se conservan y aquellos que son diferentes se muestran en colores blancos. Tiene un rango de 0 a 1. Valores altos se presentan en zonas homogéneas y valores bajos se presentan en zonas heterogéneas.
Disimilaridad
En esta, las áreas blancas representan zonas donde los valores de los píxeles son diferentes, mientras que áreas oscuras indican zonas donde los valores de los píxeles son similares. Valores altos se presentarán en áreas heterogéneas y valores bajos se presentaran en regiones homogéneas. Registra un valor máximo de 255 y mínimo de 0.
Correlación
Es una medida de dependencia lineal entre los tonos de gris de la imagen, si los valores son altos, esto indica una alta relación entre el valor de un píxel y su vecino relacionados con zonas homogéneas y viceversa. Rango de -1 a 1.
Homogeneidad
Es una medida que representa la transición de los tonos de grises, por lo que existe un poco variación en los tonos cuando la imagen es homogénea y se observan zonas oscuras. Valores altos se presentan en zonas homogéneas y valores bajos se presentan en zonas heterogéneas. Rango de 0 a 1.
Contraste
Medida la cantidad de variación local (heterogeneidad) presente en una imagen. Por lo que se pueden observar grandes manchas blancas cuando hay grandes variaciones de los píxeles. Valores altos corresponden a regiones heterogéneas y viceversa.
2da Etapa;
Esta etapa consta de los siguientes pasos;
CAPÍTULO II
51
1. Clasificación de VHSRI; vegetación y huecos.
Primero, se realizó una clasificación no supervisada a través de la herramienta IsoData
Classification del Software ENVI 5.0.1, utilizando el algoritmo ISODATA y manteniendo el
formato *.TIF sobre los recortes de 1 Ha de las VHSRI.
Originalmente, fueron creadas 10 clases no supervisadas, las cuales, fueron
reclasificadas con el objetivo de generar 2 clases finales; vegetación y huecos (sin
vegetación aparente). Para esto se utilizó la herramienta de Combine Classes de Post
Classification del software de ENVI 5.0.1.
Segundo, con la finalidad de tener la menor pérdida de información y evitar la distorsión
de las clasificaciones, las VHSRI clasificadas de 1 Ha, fueron recortadas con archivos
*.shapefile (*.shp) correspondientes a un área de 1,000 m2 (tamaño de las parcelas de
estudio). Estos archivos *.shapefiles (*.shp) fueron creados con la herramienta de “Buffer”
dentro del menú “Geoprocessing” en el software ArcMap 10.3, tomando en cuenta un
radio de 17.84 m a partir de los puntos centrales, una vez obtenidos se realizaron clips de
las clasificaciones de acuerdo al número de parcelas para cada sitio mediante la opción
“Clip” de la herramienta de “Raster Processing” de ArcMap 10.3.
2. Cálculo de medidas de estructura del paisaje en dos clases; vegetación y
huecos.
Para ejecutar los índices de estructura del paisaje dentro de las parcelas se construyeron
tres matrices para introducirlas a la interfaz de Fragstats versión 4.2; 1) de clases, 2) de
contraste y 3) de similitud. Las cuales fueron ingresadas junto con los clips de 1,000 m2
en la sección de Capas de entrada (“input layers”). Para la matriz de clases, fueron
consideradas las clasificaciones realizadas en las imágenes (vegetación y huecos),
mientras que para la construcción de las matrices de similitud y contraste fue empleada la
metodología propuesta por Hernández-Stefanoni (2005). Siendo la matriz de similitud
construida a partir de datos de presencia y ausencia de especies en las clases en base al
índice de Jaccard (índice de similaridad), mientras que la matriz de contraste fue
elaborada a través de los valores promedio del área basal de las parcelas de 1,000m2.
En la sección de parámetros de análisis (“Analysis parameters”), se consideró la regla de
vecindario de 8 celdas o también denominada “next-nearest neighbor rule” (opción
predeterminada por la interfaz de Fragstats), la cual, está basada en la conectividad que
CAPÍTULO II
52
comparte una celda con las demás celdas vecinas en todas las direcciones ortogonales y
diagonales. Esto, permitirá integrar las celdas y así delinear los parches pertenecientes de
las clases sobre las que se calcularán las métricas (McGarigal, 2014).
El cálculo de los índices de fragmentación fue realizado a nivel de clases, analizando la
forma, proximidad, contraste entre las clases de vegetación y huecos de cada una de las
parcelas, así como el porcentaje de ocupación de cada clase dentro de las parcelas
(Cuadro 2.4).
Cuadro 2.4 Índices estructura del paisaje para cada clase dentro de las parcelas de estudio
(McGarigal, 1994).
Índices de fragmentación
Fórmula Descripción
Densidad de parches_PD
Identifica el número de fragmentos correspondientes a un tipo de clase determinada. Es una métrica fundamental del aspecto del patrón espacial de las clases.
Densidad de bordes_ED
Longitud del borde (límite) de cada tipo de parche correspondiente a una determinada clase. Permite conocer la longitud de cada borde haciendo comparable con los bordes de otras clases.
Índice de contraste total de borde_TECI
Indica la longitud total del borde de cada tipo de parche dentro del paisaje en un área determinada.
Porcentaje de 52rea dentro del paisaje_PLAND
Muestra el porcentaje del paisaje ocupado por el tipo de parche correspondiente (clases) dentro de un área determinada.
Area total_CA/TA
Es una medida de la composición del paisaje en relación a un tipo de parche correspondiente a una clase determinada.
CAPÍTULO II
53
Borde total_TE
Es una medida absoluta de la longitud del borde total de un tipo de parche de una clase determinada.
Número de parches_NP
Es una medida del número de fragmentos pertenecientes a un tipo de clase determinada.
Promedio del área de parche_AREA_MN
En conjunto miden la agregación de los fragmentos que pertenecen a una clase determinada.
Desviación estándar del área de parche_AREA_SD
En conjunto miden la agregación de los fragmentos que pertenecen a una clase determinada.
Referida a la extensión del parche a través de todo el paisaje. Estas proveen información acerca de la distancia promedio entre todos los píxeles y el centroide del parche perteneciente a una clase determinada.
Promedio del radio de giración_GYRATION_MN
Desviación estándar del radio de giración_GYRATION_SD
Referida a la extensión del parche a través de todo el paisaje. Estas proveen información acerca de la distancia promedio entre todos los píxeles y el centroide del parche perteneciente a una clase determinada.
Proveen información acerca de la geometría de los fragmentos, dando una idea de su origen natural o antrópico, siendo simples o extremadamente irregulares.
Promedio del índice de forma_SHAPE_MN
Desviación estándar del índice de forma_SHAPE_SD
Proveen información acerca de la geometría de los fragmentos, dando una idea de su origen natural o antrópico, siendo simples o extremadamente
CAPÍTULO II
54
Promedio de la distancia Euclidiana_ENN_MN
irregulares.
Es la suma de todos los fragmentos correspondientes a una clase divido entre el total de fragmentos de la misma.
Desviación estándar de la distancia Euclidiana_ENN_SD
Es la suma de todos los fragmentos correspondientes a una clase divido entre el total de fragmentos de la misma.
Estas medidas consideran el tamaño y la proximidad de los fragmentos correspondientes a una clase determinada dentro de un radio de búsqueda específico del parche focal.
Promedio del índice de proximidad_PROXI_MN
Desviación estádar del índice de proximidad_PROX_SD
Estas medidas consideran el tamaño y la proximidad de los fragmentos correspondientes a una clase determinada dentro de un radio de búsqueda específico del parche focal.
Promedio del índice de similitud_SIMI_MN
Desviación estándar del índice de similitud_SIMI_SD
3. Extracción de valores promedio y desviaciones estándar de índices de
vegetación y medidas de textura a diferentes tamaños de ventana.
Se extrajeron valores promedio y desviaciones estándar en base a las clases realizadas
dentro de las parcelas (vegetación y huecos) de cada una de las bandas que conforman
la VHSRI, así como de los índices de vegetación calculados (EVI y NDVI). Para este
CAPÍTULO II
55
procedimiento, fue utilizada la opción de “Zonal statistics” en “Zonal” dentro de la
herramienta “Spatial Analyst Tools” del Sosftware ArcMap 10.3.
Estos valores también fueron extraídos de las imágenes de textura generadas a un
tamaño de ventana de 1 metro de cada una de las bandas e índices de vegetación dentro
de cada clase. Mientras que, para las imágenes de textura generadas a un tamaño de
ventana de 5 metros, únicamente se extrajeron los valores promedio y desviaciones
estándar en general sin considerar la clasificación de huecos y vegetación.
Fueron extraídas un total de 368 métricas de las VHSRI las cuales incluían valores
promedio y desviaciones estándar de los IVs (EVI y NDVI), de medidas de estructura del
paisaje y textura a diferentes tamaños de ventana. Estos valores fueron considerados
como variables de predicción o explicativas para estimar la biomasa epigea de las
parcelas de estudio (variable dependiente o de respuesta).
2.1.8 Análisis de datos
2.1.8.1 Modelos de regresión para estimar la biomasa epigea a partir de los datos LiDAR
y las imágenes de muy alta resolución espacial (VHSRI).
Para cumplir con los objetivos de este estudio se realizaron los siguientes análisis:
1) Se hicieron dos análisis de regresión lineal múltiple por separado considerando las
variables explicativas de LiDAR y de las VHSRI para cada sitio de estudio,
tomando en cuenta la biomasa epigea como variable dependiente en todos los
modelos.
2) Se obtuvieron modelos combinados utilizando los dos grupos de variables
explicativas métricas de LiDAR y métricas de las VHSRI en ambos sitios. Para
construir estos modelos combinados solamente se tomaron en cuenta las
variables explicativas seleccionadas en los modelos por separado.
Los valores de biomasa epigea para cada parcela estimados mediante las ecuaciones
alométricas empleadas, fueron transformados a raíz cuadrada para cumplir con los
supuestos de normalidad, por lo que ninguna de las métricas de LiDAR o de las imágenes
requirió ser transformada. Además, se probaron otros supuestos de la regresión múltiple;
homocedasticidad, linealidad y multicolinealidad de las variables predictoras.
CAPÍTULO II
56
La autocorrelación espacial (independencia) de los residuales de la biomasa epigea
transformada fue probada utilizando el software ArcMap 10.3, considerando las
coordenadas de cada una de las parcelas ubicadas con el GPS diferencial, después de
haber seleccionado las variables que entraron en los modelos de regresión múltiple.
Se utilizó la función de Índice de Moran mediante la siguiente dirección;
ArcToolbox Spatial Statistics Tools Analyzing Patterns Spatial Autocorrelation
(Morans I)
El Índice de Moran establece las siguientes hipótesis (p < 0.05);
• Ho: El atributo que se está analizando (los residuales de la biomasa epigea
transformada) tiene un patrón de distribución aleatorio entre las entidades del
área de estudio (parcelas). Por lo tanto, se asume la ausencia de autocorrelación
espacial.
• Halt: El atributo que se está analizando (los residuales de la biomasa epigea
transformada) tiene un patrón de distribución que no es aleatorio entre las
entidades del área de estudio (parcelas). Por lo tanto, se asume la existencia de
autocorrelación espacial.
Los supuestos del Índice de Moran son los siguientes;
1. Valores cercanos a +1 = autocorrelación positiva
2. Valores cercanos a -1 = autocorrelación negativa
3. Valores cercanos a 0 = ausencia de autocorrelación
Para ejecutar los modelos de regresión, se utilizó la función de “Regsubsets” del paquete
Leaps (Lumley, 2015) del software estadístico R (R Core Team, 2017). Esta función se
caracteriza por realizar una búsqueda exhaustiva del mejor grupo de variables que
exprese la mayor variabilidad de la variable dependiente (biomasa epigea). Para ellos se
ejecutó tal función de acuerdo a los siguientes scripts;
# Abrir archivo (1) Archivo (kiuic_fcp) <- read.table (file.choose(), header=TRUE, sep=",") # Abrir librería R (2) library(leaps) # Generar gráfico final con un número de 4 variables explicativas como máximo (3)
CAPÍTULO II
57
g1 <- regsubsets (biomasa_aerea_kiuic_fcp~., data=kiuic_fcp, nbest=1, really.big=TRUE, nvmax=4) plot(g1, scale="r2")
Se seleccionaron modelos con 1, 2, 3 y 4 variables explicativas y el mejor modelo se
seleccionó utilizando dos criterios; el coeficiente determinación (R2) y AIC.
2.1.8.2 Validación de los modelos de regresión.
Para conocer la precisión de las estimaciones con los modelos obtenidos, se utilizó una
validación cruzada usando R (R Core Team, 2017). En este proceso de análisis una
observación es removida, mientras que se vuelve a calcular (ajustar) el modelo con las
variables que permanecen en él y de esta manera, se genera una lista de valores
predichos de biomasa epigea. Y posteriormente, con los valores de biomasa epigea
observados en campo y los valores de biomasa epigea predichos se ejecutó una
regresión lineal simple para obtener el coeficiente de determinación (R2) y el error
cuadrático medio (RMSE).
*Estos últimos valores, se obtuvieron realizando una “back transformation” de la variable
dependiente; raíz cuadrada de la biomasa epigea. Este procedimiento consistió en una
transformación logarítmica de los valores obtenidos y predichos a valores reales de
biomasa epigea, lo que permitió analizar las diferencias encontradas en Ton / Ha-1.
2.1.8.3 Análisis de partición de la varianza
Se realizó un análisis de partición de la varianza para conocer el porcentaje de
variabilidad explicado de la biomasa epigea, esto para conocer el aporte de cada grupo de
variables por separado (LiDAR y de las VHSRI) y la contribución conjunta de ambos
(Figura 2.5). Para esto, se siguieron los siguientes pasos:
1) Para conocer la varianza explicada por las variables independientes de LiDAR (a),
se procedió a restar la varianza explicada por el modelo combinado (VT) menos la
varianza del modelo de las VHSRI (VT – W). Para conocer la varianza explicada
por las variables independientes de las VHSRI (c), se procedió a restar la varianza
explicada por el modelo combinado (VT) menos la varianza explicada por el
modelo de LiDAR (VT – X).
CAPÍTULO II
58
2) Finalmente, para conocer la varianza compartida por ambos sensores (b) se
procedió a restar la varianza total del modelo combinado menos la varianza
explicada por LiDAR y las VHSRI (VT – a – c).
Figura 2.5 Diagrama esquemático de Venn representando la partición de la varianza. En la que
influye una variable dentro de un conjunto de dos variables explicativas (X y W). El rectángulo
representa el 100% de la variación en Y (variable dependiente) y [a] y [c] representan la porción de
la variación atribuida sólo a la variable de predicción X y W. La fracción [a] + [b] + [c] representa el
total de la variación explicada por ambas variables independientes, mientras que [b] únicamente
representan la variación explicada exclusiva y común de ambas variables (X y W) (Tomado de
Blackett et al., 2017).
CAPÍTULO III
59
CAPITULO III. RESULTADOS
3.1 RESULTADOS
3.1.1 Cuantificación de la biomasa epigea en campo
Los valores promedio de biomasa epigea encontrados en el presente trabajo fueron de
144.43 Ton/Ha-1 para el sitio de Kaxil Kiuic con un error estándar de 8.44. Mientras que
los valores de biomasa epigea para el sitio de FCP fueron mayores que en Kiuic con
243.80 Ton/Ha-1 con un error estándar de 11.08 (Cuadro 3.1).
Cuadro 3.1 Valores de biomasa promedio obtenidos en los sitios de estudio de acuerdo con las
ecuaciones alométricas empleadas. *Ecuaciones locales.
No. de parcelas (área en m2)
Modelos alométricos Promedio (Ton/Ha-1) ±
Error estándar
Kaxil Kiuic
20 (1,000 m2)
Chave et al., 2005 (≥10)
* Ramírez et al., (2017) (<10) 144.43 ± 8.44
Felipe C. Puerto
28 (1,000 m2) * Guyot (2011) 243.80 ± 11.08
3.1.2 Distribución de la biomasa epigea
En el sitio de Kiuic, la categoría diamétrica 1 (DAP < 10 cm) representa cerca del 65.03%
del total de los individuos, representando la menor cantidad de biomasa epigea. Mientras
que las categorías diamétricas 2 (DAP ≥ 10 -< 30 cm), 3 (DAP ≥ 30 - <50) y 4 (DAP ≥50 -
<70) a pesar de tener una menor proporción de individuos (1.5%, 0.09% y 0.03%,
respectivamente) representan la mayor cantidad de biomasa epigea del sitio. En el sitio de
FCP, las categorías 1 (DAP <10 cm) y 2 (DAP ≥ 10 - <30) representan la mayor cantidad
de individuos, con un 46.25% y 44.26%, respectivamente. Sin embargo, son las
categorías 2 (DAP ≥ 10 - < 30 CM), 3 (DAP ≥ 30 - <50) y 4 (DAP ≥50 - <70), las que
tienen la menor proporción de individuos (7.9%,1.32% y 0.23, respectivamente), que
corresponden a una mayor cantidad de biomasa epigea en este sitio (Figura 3.2).
CAPÍTULO III
60
Figura 3.1 Distribución de la biomasa epigea dentro de los sitios de Kiuic y FCP por categoría
diamétrica. Proporción de individuos dentro de cada individuos (a y b) y proporción de la biomasa
epigea que representa cada una de las categorías diamétricas.
3.1.3 Estimación de la biomasa epigea utilizando datos LiDAR
Los modelos para predecir la biomasa epigea de árboles en función de datos LiDAR,
mostraron pequeñas diferencias en los dos sitios de estudio. Se obtuvieron valores de R2
de 0.88 y 0.82 para los sitios de Kiuic y FCP, respectivamente. Lo cual, indica que con
estos modelos se puede explicar un alto porcentaje de la variabilidad de la biomasa
epigea considerando 4 y 3 variables predictoras (métricas de altura y cobertura de LiDAR)
en ambos lugares (Cuadro 3.2 y 3.3).
CAPÍTULO III
61
Cuadro 3.2 Parámetros de regresión para la estimación de la biomasa epigea a partir de datos
LiDAR en el sitio de Kaxil Kiuic.
Variable dependiente
Variables explicativas Parámetro estimado no estandarizados (Error Estándar)
Beta estandarizados
R2
Raíz cuadrada de la Biomasa
epigea
Intercepción 84.72 (10.54) ***
0.88
Elev P10 2.71 (0.30) *** 1.88
Porcentaje de primeros retornos arriba de 4.00
-1.02 (0.13) *** -1.76
(Todos los retornos arriba de la media) /(Total de primeros retornos) *100
0.22 (0.03) *** 0.81
Relieve de copa -9.04 (3.98) * -0.26
Notas: * variables con un p < 0.05; *** variables con un p < 0.001.
Cuadro 3.3 Parámetros de regresión para la estimación de la biomasa epigea a partir de datos
LiDAR en el sitio de FCP.
Variable dependiente
Variables explicativas Parámetro estimado no estandarizados (Error Estándar)
Beta estandarizados
R2
Raíz cuadrada de la Biomasa
epigea
Intercepción 15.39 (1.51) ***
0.82
Elev L Kurtosis 13.41 (5.28) * 0.26
Primeros retornos arriba de la media
0.001 (0.001) *** 1.14
Total de primeros retornos
-0.001 (0.0001) *** -0.86
Notas: * variables con un p < 0.05; *** variables con un p < 0.001.
3.1.4 Validación de los modelos de regresión utilizados para estimar la biomasa epigea usando datos LiDAR
Se obtuvo una mayor precisión en la predicción de los valores de biomasa epigea
estimados a partir de los datos LiDAR para el sitio de Kiuic (R2=0.85) comparados con el
sitio de FCP (R2=0.62) (Figura 3.1). Mientras que la raíz cuadrada del error cuadrático
medio (RMSE) fue mucho mayor en FCP con 35.54 Ton/Ha-1 comparado con el que se
CAPÍTULO III
62
Kiuic
R2= 0.85
RMSE=14.47 Ton/Ha-1
FCP
R2= 0.62
RMSE=35.54 Ton/Ha-1
obtuvo en el sitio de Kiuic con 14.47 Ton/Ha-1 (Inciso a y b, Figura 3.2). La línea de
regresión entre los valores de biomasa epigea predichos por LiDAR y los valores
observados (línea punteada), demostraron tener poca desviación con relación a la línea
de regresión perfecta que muestra los valores de biomasa epigea observada y predicha
igual (línea sólida).
CAPÍTULO III
63
Figura 3.2 Resultados de la validación cruzada para calcular la precisión de la predicción entre los
valores observados y los estimados por los modelos (línea punteada). En donde R2 es el
coeficiente de determinación; RMSE es la raíz cuadrada del error cuadrático medio expresado en
toneladas como medida de dispersión. La línea sólida muestra correspondencia de 1 a 1 entre la
biomasa epigea observada y predicha.
3.1.5 Estimación de la biomasa epigea utilizando datos extraídos de las VHSRI
Los modelos para predecir la biomasa epigea de los árboles en función de los datos de
las imágenes mostraron grandes diferencias entre los sitios de estudio, con valores de R2
de 0.91 y 0.70 para los sitios de Kiuic y FCP, respectivamente. Ambos modelos explicaron
el mayor porcentaje de variabilidad de la biomasa epigea considerando cuatro variables
explicativas (medidas de textura, índices de vegetación y de estructura del paisaje)
(Cuadro 3.5).
Cuadro 3.4 Parámetros de regresión para la estimación de la biomasa epigea a partir de datos de
las VHSRI en el sitio de Kaxil Kiuic.
Variable dependiente
Variables explicativas Parámetro estimado no estandarizados (Error Estándar)
Beta estandarizad
os R
2
Raíz cuadrada de la Biomasa
epigea
Intercepción 12.37 (.0.63) ***
0.91
Promedio_Textura(Disimilaridad)_Banda2_1m_C2
0.53 (0.06) *** 0.75
Promedio_Textura(Contraste)_Banda3_1m_C1
-0.01 (0.001) *** -1.20
DesvEst_Textura(Media)_Banda3_5m
0.16 (0.04) ** 0.41
Promedio_Textura(Varianza)_NDVI_1m_C2
-0.02 (0.004) *** -0.67
Notas: *** variables con un p < 0.001. 1m, 5M; Tamaño de ventana a 1 y 5 metros. Banda2; Banda
verde. Banda 3; Banda roja. NDVI; Índice de vegetación de diferencia normalizada. C1; clase de
huecos. C2; clase de vegetación.
CAPÍTULO III
64
Cuadro 3.5 Parámetros de regresión para la estimación de la biomasa epigea a partir de datos de
las VHSRI en el sitio de FCP.
Variable dependiente
Variables explicativas Parámetro estimado no estandarizados (Error Estándar)
Beta estandarizados
R2
Raíz cuadrada de la Biomasa
epigea
Intercepción 2.18 (2.88) ***
0.70
Promedio_Banda2_C1 -7.37 (1.15) *** -1.51
Promedio_Textura(Media)_Banda3_1m_C1
3.61 (5.33) *** 2.24
Promedio_Textura(Varianza)_Banda3_1m_C1
-4.30 (6.19) *** -2.15
Promedio_Textura(SegundoMomentoAngular)_Banda4_5m
3.66 (1.04) ** -0.42
Notas: ** variables con un p < 0.01; *** variables con un p < 0.001. 1m, 5M; Tamaño de ventana a
1 y 5 metros. Banda2; Banda verde. Banda 3; Banda roja. Banda4. Banda Infrarrojo cercano. C1;
clase de huecos. C2; clase de vegetación.
3.1.6 Validación de los modelos de regresión utilizados para estimar la biomasa epigea usando datos de las imágenes
Se obtuvo una mayor precisión en la predicción de los valores de biomasa epigea
estimados a partir de los datos de las VHSRI en el sitio de Kiuic comparado con el sitio de
FCP, con valores de R2 de 0.86 y 0.52, respectivamente (Figura 3.2). Mientras que la raíz
cuadrada del error cuadrático medio (RMSE) fue mucho mayor en FCP con 42.46 Ton/Ha-
1 comparado con el obtenido en Kaxil Kiuic con 13.63 Ton/Ha-1 (Inciso a y b, Figura 3.3).
En el sitio de Kiuic, la línea de regresión entre los valores de biomasa epigea predichos
por las VHSRI, indican una sobreestimación de los valores de biomasa epigea al
compararlos con la línea de regresión perfecta que representa los valores de biomasa
epigea observados y predichos (línea sólida). En el sitio de FCP, para las parcelas con
valores bajos de biomasa epigea, hubo una sobreestimación, mientras que en las
parcelas con valores altos de biomasa epigea hubo una subestimación al compararlos con
la línea de regresión perfecta que representa los valores de biomasa epigea observados u
predichos iguales (línea sólida).
CAPÍTULO III
65
Figura 3.3 Resultados de la validación para calcular la precisión de la predicción entre los valores
observados y los estimados por los modelos (línea punteada). En donde R2 es el coeficiente de
determinación; RMSE es la raíz cuadrada del error cuadrático medio expresado en toneladas como
medida de dispersión. La línea sólida muestra correspondencia de 1 a 1 entre la biomasa epigea
observada y predicha.
Kiuic
R2= 0.86
RMSE=13.63 Ton/Ha-1
FCP
R2= 0.52
RMSE=42.56 Ton/Ha-1
CAPÍTULO III
66
3.1.7 Análisis de autocorrelación espacial de los sitios de estudio
De acuerdo con las hipótesis establecidas por el Índice de Moran, y los resultados de los
p – valores para el mismo índice en cada uno de los sitios de estudio, no se rechazó la Ho
(a un p < 0.05), y se asumió que la distribución espacial de los residuales de la biomasa
epigea transformada tiene un patrón totalmente aleatorio e independiente, que, en pocas
palabras, se define como la ausencia de autocorrelación espacial (Cuadro 3.4).
Cuadro 3.6 Resultados de los análisis de autocorrelación efectuados para la comprobación de
autocorrelación espacial con las métricas de LiDAR.
Sitio P- valores de los residuales de biomasa
epigea Valores del índice de
Moran
Kaxil Kiuic 0.952 -0.048
Felipe C. Puerto
0.644 -0.128
Cuadro 3.7 Resultados de los análisis de autocorrelación efectuados para la comprobación de
autocorrelación espacial con las métricas de las VHSRI.
Sitio P- valores de los residuales de biomasa
epigea Valores del índice de
Moran
Kaxil Kiuic 0.269 0.024
Felipe C. Puerto
0.559 -0.135
CAPÍTULO III
67
3.1.8 Estimación de la biomasa epigea utilizando datos combinados de LiDAR y VHSRI
Los modelos combinados para predecir la biomasa epigea de árboles en función de las
métricas de ambos sensores mostraron pequeñas diferencias entre los sitios de estudio.
Se obtuvo un R2 de 0.91 y 0.85 para los sitios de Kiuic y FCP, respectivamente
considerando cuatro variables predictoras en cada modelo. Aunque en el sitio de Kiuic,
fueron las métricas de las VHSRI las que explicaron una variabilidad de 0.91, en el
modelo combinado no presentó ningún incremento y es igual al modelo que usa de
manera exclusiva las métricas de las VHSRI (Cuadro 3.5). Por el contrario, el modelo que
combina las métricas de LiDAR y VHSRI en el sitio de FCP, fue capaz de incrementar el
porcentaje de la variabilidad de la biomasa epigea explicada con un valor de R2 de 0.85
frente al R2=0.80 y el R2=0.70 de los sensores por separado (Cuadro 3.8 y 3.9).
Cuadro 3.8 Parámetros de regresión para la estimación de la biomasa epigea a partir de los datos
combinados de LiDAR e VHSRI en el sitio de Kaxil Kiuic.
Variable dependiente
Variables explicativas Parámetro estimado no estandarizados (Error Estándar)
Beta estandarizad
os R
2
Raíz cuadrada de la Biomasa
epigea
Intercepción 12.37 (.0.63) ***
0.91
Promedio_Textura(Disimilaridad)_Banda2_1m_C2
0.53 (0.06) *** 0.75
Promedio_Textura(Contraste)_Banda3_1m_C1
-0.01 (0.001) *** -1.20
DesvEst_Textura(Media)_Banda3_5m
0.16 (0.04) ** 0.41
Promedio_Textura(Varianza)_NDVI_1m_C2
-0.02 (0.004) *** -0.67
Notas: ** variables con un p < 0.01*** variables con un p < 0.001. 1m, 5M; Tamaño de ventana a 1
y 5 metros. Banda2; Banda verde. Banda 3; Banda roja. NDVI; Índice de vegetación de diferencia
normalizada. C1; clase de huecos. C2; clase de vegetación. Ecuación del modelo;
CAPÍTULO III
68
Cuadro 3.9 Parámetros de regresión para la estimación de la biomasa epigea a partir de los datos
combinados de LiDAR e VHSRI en el sitio de FCP.
Variable dependiente
Variables explicativas Parámetro estimado no estandarizados (Error Estándar)
Beta estandarizados
R2
Raíz cuadrada de la Biomasa
epigea
Intercepción 1.98 (2.43) ***
0.85
Elev P10 9.84 (5.26) * 0.19
Percentage first returns above 4.00
1.62 (1.56) *** 1.11
(All returns above mean) / (Total first returns) *100
-1.07 (1.49) *** -0.84
Promedio_Textura(SegundoMomentoAngular)_Banda4_5m
-1.47 (7.64) * -0.18
Notas: (*) variables con un p < 0.05; *** variables con un p < 0.001. Tamaño de ventana a 5
metros. Banda4; Banda infrarrojo cercano. Ecuación del modelo;
3.1.9 Validación de los modelos regresión combinados para estimar la biomasa epigea usando datos LiDAR e VHSRI
Se obtuvo una mayor precisión en la predicción de los valores de biomasa epigea a partir
de los datos combinados en el sitio de Kiuic que en el sitio de FCP (Inciso a y b, Figura
3.3). Mientras que la raíz cuadrada del error cuadrático medio (RMSE) fue mucho mayor
en FCP con 33.00 Ton/Ha-1 comparado con el obtenido en Kiuic con 13.63 Ton/Ha-1
(Inciso a y b, Figura 3.3). La línea de regresión entre los valores de biomasa epigea
predichos por el modelo combinado y los valores observados (línea punteada), indican
para el sitio de Kiuic, una sobrestimación de los valores de biomasa epigea al
compararlos con la línea de regresión perfecta que representa los valores de biomasa
epigea observados y predichos iguales (línea sólida). Sin embargo, para el sitio de FCP,
la línea de regresión entre los valores de biomasa epigea predichos por el modelo
combinado y los valores observados (línea punteada), demostraron tener poca desviación
al compararlos con la línea que representa una regresión lineal perfecta entre los valores
observados y predichos de biomasa epigea (línea sólida).
CAPÍTULO III
69
Figura 3.4 Resultados de la validación para calcular la precisión de la predicción entre los valores
observados y los estimados por los modelos combinados (línea punteada). En donde R2 es el
coeficiente de determinación; RMSE es la raíz cuadrada del error cuadrático medio expresado en
toneladas como medida de dispersión. La línea sólida muestra correspondencia de 1 a 1 entre la
biomasa epigea observada y predicha.
Kiuic
R2= 0.86
RMSE=13.63 Ton/Ha-1
FCP
R2= 0.69
RMSE=33.00 Ton/Ha-1
CAPÍTULO III
70
3.1.10 Análisis de partición de la varianza de la estimación de la biomasa epigea utilizando modelos combinados
El porcentaje total de variación de la biomasa explicada por los modelos combinados varió
entre los sitios estudiados. Fue mayor en el sitio de Kiuic con un 91% mientras que para
FCP se obtuvo un 85% (Figura 3.5 y 3.6). La variación compartida por los datos LiDAR y
las VHSRI en ambos sitios fue el factor más importante en la explicación de la biomasa
epigea total de Kiuic y FCP con un 88% y un 67%, respectivamente. Sin embargo,
mientras que para el sitio de Kiuic las métricas de las VHSRI tuvieron el mayor aporte
exclusivo con el 4% (Figura 3.5) y las métricas de LiDAR indicaron un aporte del 0%, en
FCP, el mayor aporte exclusivo fue el de las métricas de LiDAR con un 15% frente al 3%
explicado por las métricas de las VHSRI.
Figura 3.5 Resultados del análisis de partición de la varianza del sitio de Kiuic.
CAPÍTULO III
71
Figura 3.6 Resultados del análisis de partición de la varianza del sitio de FCP.
CAPÍTULO III
72
CAPITULO IV
73
CAPITULO IV. DISCUSIÓN
4.1 DISCUSIÓN
4.1.1 Comparación de la precisión de la estimación de la biomasa epigea usando
LiDAR y VHSRI
En esta investigación se encontró que las métricas de LiDAR, tuvieron una muy buena
precisión en la estimación de la biomasa epigea para ambos sitios de estudio, siendo la
variabilidad explicada de la selva mediana subcaducifolia de Kiuic mayor que la explicada
en la selva mediana subperennifolia de FCP, con un R2 de 0.88 y un RMSE de 14.47
Ton/Ha-1 y un R2 0.82 con un RMSE de 35.54 Ton/Ha-1, respectivamente. El alto
porcentaje de variación explicado a partir de los datos LiDAR, puede deberse a que el
sensor de LiDAR tiene una gran capacidad de penetración en la vegetación, ofreciendo
una vista tridimensional y continua de la misma, permitiendo conocer la heterogeneidad
estructural de la vegetación tanto vertical como horizontal (Navarro et al., 2016; Lefsky,
1997). De esta forma se genera una nube de puntos de la cual es posible extraer métricas
de altura y cobertura que se encuentran directamente relacionadas con las dimensiones
reales de la vegetación (Lefsky et al., 2002; Hall et al., 2005; Ortíz-Reyes, 2014), y por lo
tanto, es posible estimar con precisión el área basal, altura y cobertura de los árboles (Ko
et al., 2012; Dubayah y Drake, 2000; Means, 1999), variables que presentan una
correlación muy fuerte con atributos estructurales como la biomasa epigea (Figueiredo et
al., 2016; Felipe-García, 2016; Hernández-Stefanoni et al., 2014; Asner et al., 2012;
Andersen et al, 2005; Drake et al., 2002; Lefsky et al., 2001; Lefsky, 1997).
Esta estrecha relación entre las métricas de LiDAR se observó a través de los coeficientes
betas estandarizados calculados en los modelos de regresión para ambos sitios (Cuadro
3.2 y 3.3). En el modelo de regresión de Kiuic (Cuadro 3.2), la variable con mayor
importancia resultó ser una métrica de altura, manteniendo una relación positiva con la
biomasa epigea, por lo que el aumento de este parámetro está estrechamente ligado al
incremento de la altura de los árboles de la selva mediana subcaducifolia de Kiuic. Esto
sugiere que los árboles más altos contienen mayor biomasa epigea que aquellos que son
más pequeños. Mientras que para el sitio de FCP (Cuadro 3.3), la variable más importante
resultó ser una métrica de cobertura, presentando una asociación positiva con la biomasa
CAPITULO IV
74
epigea, de manera que el aumento de este parámetro es proporcional al incremento de la
cobertura de los árboles presentes en la selva perennifolia de FCP.
El único estudio en donde se han utilizado datos LiDAR para estimar la biomasa epigea
de los mismos sitios, reportó para el sitio de Kiuic, un R2 de 0.89, muy similar al hallado en
este trabajo (0.88). Sin embargo, en ambos estudios se reporta un R2 menor para el sitio
de FCP (0.73 y 0.82, respectivamente) (Hernández-Stefanoni et al., 2014). Ambos
estudios, son consistentes en reportar una menor precisión para FCP mediante la
utilización de los datos LiDAR. Esto es un aspecto interesante, ya que como lo indica
Naesset et al., 2008, la estimación de atributos de la vegetación como la biomasa epigea
mediante sensores activos (LiDAR) puede verse afectada por la densidad del follaje de la
vegetación, debido a que es el elemento principal que dificulta la penetración de pulsos
laser. La menor precisión en la estimación de la biomasa epigea para el sitio de FCP en
comparación con Kiuic, puede ser atribuido a que existe una mayor superficie cubierta por
vegetación en el sitio de FCP, dificultando así, la penetración de los rayos láser en el
dosel. De acuerdo a los valores de las métricas de estructura del paisaje calculadas
principalmente para conocer la estructura y la distribución de las áreas cubiertas con
huecos y vegetación usando las VHSRI, se encontró que el porcentaje de cobertura de
vegetación en las parcelas del sitio de Kiuic, es de un 44.53% frente a un 67.65% del sitio
de FCP. Por el contrario, el área cubierta por huecos tiene un valor del 56% en el sitio de
Kiuic y un 33% en el sitio de FCP, respectivamente.
Por otro lado, uno de los primeros estudios en donde fueron empleados datos LiDAR para
la estimación del área basal, volúmen y biomasa epigea, demostró que las estimaciones
de este sensor, tienden a ser entre un 16% y un 25% más precisas en bosques deciduos
cuyas copas de árboles son elípticas que en aquellos cuyas copas son cónicas como los
bosques de coníferas. Sin embargo, es posible que la precisión de las estimaciones de
este sensor en el presente trabajo en bosques tropicales secos, pudieran verse afectadas
por las características de los árboles que crecen en sitios con condiciones físicas y
biológicas diferentes como Kiuic y FCP. Por lo que, una selva mediana subcaducifolia
como Kiuic puede presentar un desarrollo de copas ligeramente menos amplias (con
formas elípticas) con individuos mucho más dispersos y con alturas relativamente
menores que pudieran facilitar la penetración de los pulsos LiDAR e identificar una mayor
variabilidad o heterogeneidad estructural de la vegetación. Caso contrario a lo que pudiera
observarse en una selva mediana subperennifolia como FCP, en donde los árboles son
CAPITULO IV
75
mucho más altos, menos dispersos y con copas más amplias (con formas circulares) que
impedirían que una gran cantidad de pulsos láser LiDAR lleguen al suelo. Esto último,
limitaría la capacidad de LiDAR para identificar la heterogeneidad estructural de la selva y
que podría ser una de las razones de la menor precisión de LiDAR de FCP, frente a un
sitio como Kiuic y que, además podría relacionarse con lo mencionado por Naesset et al.,
(2008), por contar con individuos con menor dispersión (más agrupados) y con mayor
follaje que en Kiuic.
Los resultados obtenidos con las métricas de las imágenes de muy alta resolución
espacial, demostraron ser muy buenos y comparables con la tecnología LiDAR. En el sitio
de Kiuic, se explicó el 91% de la variabilidad de la biomasa epigea con un RMSE de 13.63
Ton/Ha-1 (Cuadro 3.4). Mientras que en FCP, la precisión en la estimación de la biomasa
epigea fue menor con un R2 de 0.70 con un RMSE de 42.46 Ton/Ha-1 (Cuadro 3.5).
Primero, se observó que ninguna de las reflectancias de los IV e índices de estructura del
paisaje, intervino en los modelos de regresión de ambos sitios, sino que en su mayoría,
fueron métricas correspondientes a medidas de textura y sólo una medida espectral
(promedio de reflectancia) (Cuadro 3.5). Esto pudo ser debido a que las medidas de
textura, permiten conocer de mejor manera la distribución de los objetos en una imagen
(variabilidad espectral), principalmente cuando se utilizan imágenes con una resolución
espacial muy fina de 18 y 21 cm por píxel en el caso de este estudio. De esta forma, es
posible conocer la estructura de la vegetación de los sitios con mayor detalle, incluso
frente a otras medidas espaciales como los índices de estructura del paisaje, aunque
éstos también permiten conocer la distribución espacial de los objetos. Sin embargo, es
posible que estos últimos no permitan conocer la heterogeneidad o variabilidad espectral
dentro de las imágenes, la cual, podría representar las diferencias entre alturas, copas y
ramas de los árboles, como las medidas texturales.
Por otro lado, se observó que en el sitio de Kiuic, la métrica de mayor importancia en la
explicación de la biomasa epigea fue la textura (contraste) de la banda roja (B3) a un
tamaño de ventana de 1 metro dentro de la clase de huecos (C1) (Cuadro 3.4), con la
cual, tiene una relación inversa. Esta relación, indica que a altos valores de contraste
(asociados a zonas heterogéneas) existirá un decremento de los valores de biomasa
epigea del sitio. Esta heterogeneidad podría estar determinada por una alta variabilidad
espectral generada por individuos de diversas alturas o tamaños de copas pertenecientes
a diferentes estratos del bosque con árboles mucho más dispersos. Esto implicaría una
CAPITULO IV
76
menor biomasa epigea dentro de los huecos que no tendría un gran aporte en
comparación con la clase de vegetación, pero si es decisiva en la precisión de la
estimación de este atributo debido a la alta resolución de las imágenes, que permitieron
conocer la estructura de la vegetación existente en los huecos. En el caso del sitio de
FCP, la variable explicativa más importante, fue la textura (media) de la banda roja (B3) a
un tamaño de ventana de 1 metro dentro de la clase de huecos (C1) (Cuadro 3.5). Esta
variable, indicó una relación positiva con la biomasa epigea señalando un incremento
proporcional de este atributo con respecto a valores altos de la textura media asociados a
zonas homogéneas. Esto sugiere que, es posible detectar la heterogeneidad (variabilidad)
espectral de los árboles del sub-dosel que se encuentran asociados a una altura menor al
promedio de los árboles, y que representan un aporte importante a la estimación de la
biomasa epigea de FCP.
En los modelos combinados, se observó que para el sitio de Kiuic no existió un
incremento en la precisión de la estimación comparándolo con el modelo que tenía
únicamente las variables de las imágenes de muy alta resolución. Sin embargo, el modelo
combinado del sitio de FCP, si mostró un leve incremento en la precisión de la estimación
de biomasa epigea comparado con los modelos que usan las imágenes y datos LiDAR
por separado, siendo las métricas de LiDAR las que tuvieron el mayor aporte al modelo
combinado. Esto concuerda con estudios que demuestran que la precisión de la
combinación de sensores activos como LiDAR con sensores ópticos pasivos depende de
las condiciones y de la estructura de la vegetación de una zona determinada; es posible
que la información horizontal de las imágenes ópticas pueda complementar la información
vertical de los datos LiDAR (Lu et al., 2015; Clark et al., 2011) en una zona con
vegetación más compleja como es el caso de la selva en FCP.
Se encontró apoyo parcial a la Hipótesis 1, puesto que los análisis texturales realizados
en las VHSRI en comparación con los datos LiDAR, incrementaron la precisión en la
estimación de la biomasa epigea únicamente en el sitio de Kiuic. De manera que, lo
encontrado en este sitio (Kiuic) podría deberse a que existe muy buena asociación entre
las medidas texturales y la muy alta resolución de las imágenes ópticas aquí utilizada.
Esta asociación, permitió analizar la estructura de la vegetación como las ramas, copas e
incluso individuos de diferentes alturas que podrían pertenecer a diferentes estratos,
debido principalmente a la variabilidad espectral que cada uno de los componentes
presentan y que permiten diferenciarlos entre sí. Mientras que en el sitio de FCP, fueron
CAPITULO IV
77
los datos LiDAR, los que tuvieron una mayor precisión en la estimación de este atributo
frente a las VHSRI. De manera que en un sitio como FCP, en donde el dosel es mucho
más denso en comparación con el sitio de Kiuic, el sensor de LiDAR tiende a tener una
mayor asociación con los atributos estructurales de los árboles, y por lo tanto, es capaz de
proporcionar información más detallada y precisa de la estructura horizontal, que la
pueden aportar las VHSRI. También se encontró un apoyo parcial a la Hipótesis 2 del
presente trabajo, debido a que la combinación de los datos LiDAR y las medidas de las
VHSRI, incrementó ligeramente la precisión de la estimación de la biomasa epigea
únicamente para la selva mediana subperennifolia de FCP. Esto podría deberse a la
capacidad que tiene LiDAR en penetrar el dosel ofreciendo información tridimensional de
los árboles del sitio que complemente la información de las VHSRI, principalmente en una
selva en donde la vegetación es mucho más densa y resulta complicado analizar la
estructura de la vegetación mediante la variabilidad (heterogeneidad) espectral de las
medidas de textura. La Hipótesis 3 relacionada al análisis de partición de la varianza,
demostró también un apoyo parcial principalmente para el sitio de FCP, ya que como se
esperaba fueron las métricas de LiDAR las que tuvieron el mayor aporte de manera
individual en la estimación de la biomasa epigea (Figura 3.6) en comparación con las
VHSRI. Esto podría deberse a que un sitio como FCP en donde la vegetación es mucho
más densa y no hay una gran cantidad de huecos (áreas sin vegetación), los datos LiDAR
son mucho más eficientes al penetrar el dosel, permitiendo caracterizar con mayor
precisión la estructura de la vegetación comparándolos con las VHSRI. Mientras que en el
sitio de Kiuic, fueron las VHSRI las que tuvieron un mayor aporte de manera individual en
la estimación de la biomasa epigea (Figura 3.5). Esto es debido a que el sitio de Kiuic
presenta una mayor heterogeneidad estructural que FCP observándose una gran cantidad
de huecos, de manera que la biomasa epigea de este sitio puede ser muy bien estimada a
través de una resolución tan fina como la de las imágenes utilizadas en este trabajo.
Sin embargo, también se observó que las VHSRI para ambos sitios y los modelos
combinados de Kiuic, tienden a sub y sobrestimar los valores de biomasa epigea
observados en campo (Figura 3.3 y 3.4). De manera que, en una selva mediana
subcaducifolia (Kiuic), las VHSRI tienden a sobrestimar los valores de biomasa epigea
tanto en parcelas con valores de biomasa menores y mayores. Mientras que en una selva
mediana subperenne (FCP), las VHSRI, tienden a sobrestimar los valores de biomasa
epigea de las parcelas que tienen una cantidad de biomasa epigea menor, que
CAPITULO IV
78
corresponderían a aquellas parcelas con vegetación joven, y tienden a subestimar los
valores de biomasa epigea de las parcelas con mayor cantidad de biomasa que
corresponderían a parcelas con vegetación de mayor edad.
Por el contrario, los datos LiDAR por separado, tienden a tener un menor sesgo en
relación a los valores de biomasa epigea observados en campo en Kiuic (Figura 3.1) y en
FCP, la combinación de LiDAR y las VHSRI (Figura 3.4), demuestra que es posible que la
información de ambos sensores sea complementada e incremente la precisión de la
estimación de la biomasa epigea en un sitio con mayor complejidad estructural. Esto
demuestra que, en efecto, la tecnología LiDAR tiene una mayor precisión en la estimación
de atributos de la vegetación, debido a que tiene la capacidad de proporcionar una mayor
información de parámetros estructurales como lo son las alturas y coberturas, las cuales,
tienen una estrecha relación con la biomasa epigea de los árboles.
4.1.2 Valores de biomasa epigea encontrados en cada sitio
El valor de biomasa epigea promedio encontrado en el presente trabajo para la selva
mediana subcaducifolia de Kiuic fue de 144.43 Ton/Ha-1 con un error estándar de 8.44.
Este resultado es ligeramente más alto a los reportados por otros autores para bosques
secos de la misma región, como Yam (2012), el cual reportó un promedio de 125 Ton/Ha-
1, Hernández-Stefanoni et al., (2014), que obtuvieron valores promedio de 109.71 ± 9.59
Ton/Ha-1, y también a los reportados por Ramírez-Guardado (2015) con 115.21 ± 5.43
Ton/Ha-1. Mientras que los valores promedio de biomasa epigea para FCP, fueron de
243.80 ± 11.08 Ton/Ha-1, menores a los reportados por Hernández-Stefanoni et al., (2014)
con un promedio de 376.77±20.91 Ton/Ha-1. Aún con esta diferencia, los resultados son
similares a los encontrados por Urquiza-Hass et al., (2007) con valores de 225.8 Ton/Ha-1
y mayores a los reportados por Cairns et al., (2003), de 191.5 Ton/Ha-1 para selvas
medianas subperennifolias.
Los estudios que anteriormente fueron realizados en los sitios de interés del presente
trabajo, han reportado valores de biomasa diferentes, debido en primer lugar a que han
sido consideradas muestras de vegetación con diferentes edades de abandono. Por
ejemplo, en los estudios de Yam (2012) y Ramírez-Guardado (2015), fueron consideradas
parcelas con vegetación más joven lo que implica valores de biomasa epigea menores.
Sin embargo, también fueron considerados diferentes tamaños de parcelas de 200 m2
(Yam, 2012) y 400 m2 (Ramírez-Guardado, 2015), además, de considerar diferentes
CAPITULO IV
79
tamaños de muestra con un número de 276 y 128 parcelas, respectivamente. A diferencia
del estudio de Hernández-Stefanoni et al., (2014), aunque fueron considerados los
mismos datos de campo, en este presente estudio, los valores de biomasa epigea en una
selva como Kiuic, fueron obtenidos a partir del uso de ecuaciones alométricas locales,
mientras que todos los anteriores implementaron ecuaciones alométricas generales para
bosques tropicales secos. Las ecuaciones generales que generalmente se han aplicado a
los bosques secos de la Península de Yucatán tales como las desarrolladas por Urquiza-
Hass et al., (2007) y Hughes et al., (1999), desarrolladas originalmente para otras áreas
de vegetación, podrían estar subestimando la biomasa epigea de una selva mediana
subcaducifolia como la de Kiuic y, sobreestimando la biomasa epigea de las selvas
medianas subperennifolias como la de FCP.
Sin embargo, los valores de biomasa epigea reportados en este trabajo, fueron el
resultado de la aplicación de ecuaciones alométricas (locales) que fueron desarrolladas
para las especies arbóreas dentro de los tipos de vegetación aquí considerados. Lo cual,
es un aspecto muy importante, debido a que los modelos alométricos locales suelen ser
mucho más efectivos, dado que no todas las especies de árboles y otras formas
biológicas como lianas o palmas, presentan el mismo tipo de crecimiento o desarrollo en
todos los ecosistemas, sino que varían de acuerdo a las condiciones ambientales sobre
las que crecen, como la precipitación, temperatura, humedad, tipo de suelo y la
disponibilidad de nutrientes de cada sitio. Por consiguiente, la aplicación de ecuaciones
alométricas locales, es la opción más conveniente principalmente si el objetivo primordial
es obtener estimaciones más precisas de la biomasa epigea de los bosques secos de la
Península de Yucatán.
Por otro lado, aunque la inclusión de ecuaciones que no son locales, podría estar sub o
sobreestimando la biomasa epigea existente, es posible que la combinación de una
ecuación local pueda ser una muy buena opción cuando las ecuaciones locales se
encuentran restringidas a un DAP determinado. Este fue el caso de la selva de Kiuic, en
donde la ecuación de Ramírez et al., (2017) en este estudio fue aplicada a todos aquellos
individuos con un DAP menor a 10 cm, y que fue complementada con una ecuación
general para bosques tropicales secos como la de Chave et al., (2005). Sin embargo, las
estimaciones de biomasa epigea obtenidas para el sitio de FCP, pueden ser muy
confiables, debido a que fue utilizada una ecuación alométrica local (Guyot, 2011) para
todos los individuos.
CAPITULO IV
80
CAPITULO V
81
CAPÍTULO V. CONCLUSIONES Y PERSPECTIVAS
5.1 CONCLUSIONES
Los resultados del presente trabajo, permiten concluir que, aunque se encontró un apoyo
parcial a la Hipótesis 1, si es posible incrementar la precisión en la estimación de la
biomasa epigea principalmente en una selva mediana subcaducifolia predominante en la
Reserva Biocultural de Kiuic a través de las métricas texturales. Por lo que, la
implementación de las medidas de textura y la resolución espacial de las VHSRI
empleadas en este estudio, permitieron analizar la estructura de la vegetación como las
ramas, copas e incluso los individuos de diferentes alturas que podrían pertenecer a
diferentes estratos, debido a la variabilidad espectral que cada uno de los componentes y
que permiten diferenciarlos entre sí. Sin embargo, en un sitio como FCP en donde el
dosel es mucho más denso, es posible tener una alta precisión en la estimación de la
biomas aérea utilizando LiDAR, debido a que este sensor presenta una mayor asociación
con los atributos estructurales de los árboles al proporcionar una vista tridimensional de la
vegetación y por lo tanto, la información horizontal proporcionada es mucho más detallada
que la de las VHSRI.
Respecto a la Hipótesis 2, en la cual se esperaba que los modelos combinados tuvieran
una mayor precisión en la estimación de la biomasa epigea de ambos sitios, se encontró
también un apoyo parcial, pues la combinación de ambos sensores (LiDAR y las VHSRI),
incrementó ligeramente la precisión en la estimación de este atributo únicamente en una
selva mediana subperennifolia como FCP. Por lo que es posible que la información
obtenida de los datos LiDAR al penetrar el dosel complemente la información de las
VHSRI, siendo FCP una selva donde la vegetación es mucho más densa y difícil de
analizar mediante la variabilidad espectral de las medidas texturales.
Finalmente, en la Hipótesis 3, se esperaba que los análisis de partición de la varianza
mostraran que las métricas de LiDAR tuvieran un mayor aporte por separado en la
estimación de la biomasa epigea. Sin embargo, se encontró un apoyo también parcial
principalmente para el sitio de FCP, pues únicamente en FCP las métricas de LIDAR
tuvieron el mayor aporte por separado (Figura 3.6) en comparación con el sitio de Kiuic en
donde lo fueron las métricas de las VHSRI (Figura 3.5). Esto comprueba que en un sitio
en donde existe una menor heterogeneidad estructural (menor cantidad de huecos), un
CAPITULO V
82
sensor como LiDAR, son mucho más eficientes al penetrar el dosel, lo que permite
caracterizar y analizar la estructura de la vegetación frente a las VHSRI. A diferencia de
un sitio como Kiuic en donde existe una mayor heterogeneidad estructural (dominada por
una gran cantidad de huecos) en comparación con FCP, en donde las VHSRI, tienen la
capacidad de medir la variabilidad espectral de ciertos componentes de la vegetación y
por consiguiente, tener una mayor precisión en la estimación de la biomasa epigea.
Por otro lado, aunque los análisis texturales de las VHSRI, incrementaron la precisión en
la estimación de la biomasa aérea, mostraron mayor sesgo en la predicción de los valores
de biomasa epigea de cada uno de los tipos de bosques del presente trabajo. Mientras
que los datos LiDAR, tuvieron un sesgo menor en comparación con los valores de
biomasa epigea observados de ambos sitios. Esto demuestra que existe una gran ventaja
al utilizar un sensor como LiDAR en la estimación de la biomasa epigea, pues, se
encuentra mayormente asociado a la vegetación, principalmente porque proporcionan
información tridimensional de los árboles. Por lo tanto, es probable que un sensor como
LiDAR, que penetra la vegetación y que se encuentra mayormente asociado a los
atributos de los árboles proporcione estimaciones con menores sesgos a diferencia de las
VHSRI, que únicamente asocian la estructura de la vegetación en un plano únicamente
horizontal y no penetrando la vegetación.
Un aspecto interesante es que, los sensores pasivos como las VHSRI tienen la
característica de ser productos mucho más accesibles económicamente en comparación
con una tecnología como LiDAR (sensores activos). Los datos LiDAR, tienen un costo de
adquisición elevado, sin embargo, en términos de tiempo y procesamiento, los datos
LiDAR son mucho más amigables. Esto es debido a que el manejo de los datos LiDAR, es
mucho más rápido y confiable, sobre todo cuando se ha comprobado que LiDAR es uno
de los sensores que permiten generar modelos con mayor precisión y menor sesgo en la
predicción de los valores de biomasa epigea en comparación con los valores de biomasa
epigea predichos por las VHSRI. Este es un aspecto muy interesante, debido a que es
necesario desarrollar buenos modelos y estimaciones de biomasa epigea que permitan
servir como referencia para futuras comparaciones. Ahora bien, en las VHSRI el tiempo
de procesamiento es mucho más largo en comparación con LiDAR, sobre todo cuando
son empleadas imágenes con una resolución espacial muy alta como las utilizadas en el
presente trabajo y, de las cuales, es necesario llevar a cabo una gran cantidad de análisis
CAPITULO V
83
para poder relacionarlas con atributos de la vegetación, en este caso, la biomasa epigea.
Por consiguiente, aunque se demostró que es posible obtener una buena precisión en las
estimaciones de la biomasa epigea, es necesario tomar en cuenta el sesgo de que estas
pueden presentar aun cuando son implementados diferentes sensores (activos o pasivos)
no sólo en escalas locales sino en escalas mucho más grandes (escalas regionales).
5.2 PERSPECTIVAS
Los resultados encontrados en este trabajo, son relevantes para estudios futuros en la
Península de Yucatán, principalmente en el estudio de los bosques tropicales secos, pues
ayudaría a consolidar las investigaciones de biomasa epigea en escalas mucho más
grandes. Esto podría llevarse a cabo mediante la implementación de sensores remotos
que sean mucho más accesibles, como la información satelital hiperespectral o de
productos satelitales multiespectrales tales como las imágenes de RapidEye o Sentinel,
además de imágenes obtenidas de herramientas como los drones, los cuales, se
encuentran disponibles y tienen la capacidad de cubrir extensiones de superficie mucho
más grandes. Sin embargo, también sería interesante comparar cómo funcionan los datos
LiDAR y las VHSRI en otros bosques de la Península de Yucatán. Esto permitiría analizar
si los resultados aquí encontrados pueden ser comparables en otros sitios y si las
diferencias en la precisión de las estimaciones de biomasa epigea pueden deberse a
diferencias en la estructura de la vegetación, o si son parte de las características de los
sensores en sí.
También, sería interesante explorar en un futuro, los productos que generarán las
misiones de BIOMASS (Agencia Espacial Europea), los cuales, podrían proporcionarnos
una mayor información acerca del estado de los bosques y de sus cambios a través de
sensores activos (RADAR), principalmente del carbono y la biomasa almacenada en los
bosques tropicales. Además, sería interesante también explorar algunos otros datos de
sensores activos (LiDAR) que un futuro estarán disponibles para el estudio de los
bosques, como el GEDI (Global Ecosystem Dynamics Investigation), el cual proporcionará
información tridimensional precisa de la cobertura y de la estructura vertical de los
bosques, así como información para la generación de modelos digitales de elevación con
mayor precisión, todo esto podría aplicarse a escalas regionales que incluyan la
Península de Yucatán.
CAPITULO V
84
BIBLIOGRAFÍA
85
BIBLIOGRAFIA
Acosta-Mireles, M., F. Carrillo-Anzures y M. Díaz-Lavariega (2009).
Determinación del carbono total en bosques mixtos de Pinus patula
Schl. et cham. Terra Latinoamericana, 2: 105-114.
Aguilar Rodríguez, S., L. Abundiz Bonilla y J. Barajas Morales, J. (2001).
Comparación de la gravedad específica y características anatómicas
de la madera de dos comunidades vegetales en México. Anales del
Instituto de Biología. Serie Botánica, 72.
Aguirre-Salado, C.A., J.R. Valdéz-Lazalde, G. Ángeles-Pérez, H.M. de los
Santos-Posadas, R. Haapanen y A.I. Aguirre-Salado (2009). Mapeo de
carbono arbóreo aéreo en bosques manejados de pino patula en
Hidalgo, México. Agrociencia, 43: 209-220.
Álvarez S., F.J., G.R. Sánchez, I. Sánchez–Gallén y J.A. González–Iturbe
(1992). Métodos para el estudio de la productividad primaria y la
descomposición en comunidades terrestres. Cuadernos de Ecología,
Facultad de Ciencias. pp. 52
Anaya, J.A., E. Chuvieco y A. Palacios (2008). Estimación de biomasa
epigea en Colombia a partir de imágenes MODIS. Revista de
Teledetección, 30: 5-22.
Arellano-Martín, F. (2017). Flujo de CO2 del suelo en una selva mediana
subcaducifolia de Yucatán, México. Tesis de Maestría. Centro de
Investigación Científica de Yucatán, CICY. Yucatán, México. pp. 15
Aronoff, S. (1991). Geographic information systems: a management
perspective.
Andersen, H.E., R.J. McGaughey, y S.E. Reutebuch (2005). Estimating
forest canopy fuel parameters using LIDAR data. Remote sensing of
Environment, 94: 441-449.
BIBLIOGRAFÍA
86
Asner, G. P., J. Mascaro, H.C. Muller-Landau, G. Vieilledent, R. Vaudry, M.
Rasamoelina, y M. Van Breugel (2012). A universal airborne LiDAR
approach for tropical forest carbon mapping. Oecologia, 168: 1147-
1160.
Baker, T.R., O.L. Phillips, Y. Malhi, S. Almeida, L. Arroyo, A. Di Fiore y W.F.
Laurance (2004). Increasing biomass in Amazonian forest plots.
Philosophical Transactions of the Royal Society of London B: Biological
Sciences, 359: 353-365.
Balvanera, P. (2012). Los servicios ecosistémicos que ofrecen los bosques
tropicales. Ecosistemas, 21; 136-147.
Balvanera, P., S. Quijas, A. Pérez-Jiménez (2012). Distribution Patterns of
Tropical Dry Forest Trees Along a Mesoscale Water Availability
Gradient. Biotropica, 43: 414-422.
Bannari, A., D. Morin, F. Bonn y A.R. Huete (1995). A review of vegetation
indices. Remote sensing reviews, 13: 95-120.
Basuki, T.M., P.E. Van Laake, A.K. Skidmore y Y.A. Hussin (2009).
Allometric equations for estimating the above-ground biomass in
tropical lowland Dipterocarp forests. Forest Ecology and Management,
257: 1684-1694.
Bautista, H.J. y J.A.P. Torres (2003). Valoración económica del
almacenamiento de carbono del bosque tropical del Ejido Noh Bec,
Quintana roo, México. Revista Chapingo. Serie Ciencias Forestales y
del Ambiente, 9: 69-75.
Benjamín, J.A. y O. Masera (2001). Captura de carbono ante el cambio
climático. Madera y bosques, 7: 3-12
Berenguer, E., J. Ferreira, T.A. Gardner, L.E.O.C. Aragão, P.B. De Camargo,
C.E. Cerri y J. Barlow (2014). A large scale field assessment of carbon
BIBLIOGRAFÍA
87
stocks in human modified tropical forests. Global Change Biology, 20:
3713-3726.
Bolin, B., B.O.R. Doos, R. Warrick y J. Jaege (1986). The greenhouse effect,
climatic change, and ecosystems (Book). Chichester, England and New
York, John Wiley and Sons. pp 541.
Bonan, G.B. (2008). Forests and Climate Change: Forcings, Feedbacks, and
the Climate Benefits of Forests. Science, 320: 1444-1449.
Botequilla, A., J. Miller, J. Ahern y K. McGarigal (2006). Measuring
Landscapes. A Planner’s Handbook. Washington: Island Press. pp 208
Boyd, D.S. y F.M. Danson (2005). Satellite remote sensing of forest
resources: Three decades of research development. Progress in
Physical Geography, 29: 1−26.
Boyd, D.S., G.M. Food y P.J. Curran (1999). The relationship between the
biomass of Cameroonian tropical forests and radiation reflected in
middle infrared wavelengths (3.0–5.0 μm). International Journal of
Remote Sensing, 20: 1017−1023.
Brad-Musick, H. y H.D. Grover (1991). Image textural measures as indices of
landscape pattern. Ecological Studies, 82: 77-101.
Brown, S. (1997). Estimating Biomass and Biomass Change of Tropical
Forest; A primer. FAO Forestry paper No. 134. Rome, Italy. pp 55.
Brown, S., A.J. Gillespie y A.E. Lugo (1989). Biomass estimation methods for
tropical forests with applications to forest inventory data. Forest
science, 35: 881-902.
Brown, S., J. Sathaye, M. Cannell y P. Kauppi (1996). Mitigation of carbon
emission to the atmosphere by forest management. The commonwealth
Forestry Review, 75: 80-91
BIBLIOGRAFÍA
88
Byron, N. y M. Arnold (1999). What futures for the people of the tropical
forests? World development, 27: 789-805.
Cairns, M. A., I. Olmsted, J. Granados y J. Argaez (2003). Composition and
aboveground tree biomass of a dry semi-evergreen forest on Mexico’s
Yucatan Peninsula. Forest Ecology and Management, 186, 125-132.
Campbell, B. A. (2002). Radar remote sensing of planetary surfaces.
Cambridge University Press. pp 311.
Canham, C. D. (1988). Growth and canopy architecture of shade-tolerant
trees: The response of Acer sac- charum and Fagus grandifolia to
canopy gaps. Ecology, 69: 786-795.
Carvacho-Bart, L., y M. Sánchez-Martínez (2010). Comparación de índices
de vegetación a partir de imágenes MODIS en la región del Libertador
Bernardo O’Higgins, Chile, en el período 2001-2005. Ojeda, J., M.F.
Pita y I. Vallejo. Tecnologías de la Información Geográfica: La
Información Geográfica al servicio de los ciudadanos. pp 728-737.
Castillo, M., B. Rivard, A. Sánchez-Azofeifa, J. Calvo-Alvarado, y R.
Dubayah (2012). LiDAR remote sensing for secondary Tropical Dry
Forest identification. Remote sensing of environment, 121; 132-143.
Ceballos, G. y A. Garcia (1995). Conserving neotropical biodiversity: the role
of dry forests in western Mexico. Conservation Biology, 9: 1349-1353.
Ceballos, G., L. Martínez, A. García, E. Espinoza, J. Bezaury y R. Dirzo
(2010). Diversidad, amenazas y áreas prioritarias para la conservación
de las selvas secas del Pacífico de México. FCE-CONABIO-TELMEX-
CONANP-WWF México-EcoCiencia SC. pp 594.
Champion, I., P. Dubois-Fernandez, D. Guyon y M. Cottrel (2008). Radar
image texture as a function of forest stand age. International Journal of
Remote Sensing, 29: 1795−1800.
BIBLIOGRAFÍA
89
Chave, J., C. Andalo, S. Brown, M.A. Cairns, J.Q. Chambers, D. Eamus y
J.P. Lescure (2005). Tree allometry and improved estimation of carbon
stocks and balance in tropical forests. Oecologia, 145: 87-99.
Chave, J., R. Condit, S. Lao, J.P. Caspersen, R.B. Foster y S.P. Hubbell
(2003). Spatial and temporal variation of biomass in a tropical forest:
results from a large census plot in panama. Journal of Ecology, 91: 240-
252.
Chave, J., B. Riéra y M.A. Dubois (2001). Estimation of biomass in a
neotropical forest of French Guiana: spatial and temporal variability.
Journal of Tropical Ecology, 17: 79-96.
Chinea, J.D. (2002). Teledetección del bosque. Ecología y Conservación de
Bosques Neotropicales. Ediciones Libro Universitario Regional, Costa
Rica. Pp 625-646.
Chuvieco, S.E. (1996). Fundamentos y teledetección espacial. 2° edición, ed.
RIALP S.A. Madrid. pp 449.
Clark, D.A., S. Brown, D.W. Kicklighter, J.Q. Chambers, J.R. Thomlinson y J.
Ni (2001). Measuring net primary production in forests: concepts and
field methods. Ecological applications, 11: 356-370.
Clark, D.B. y D.A. Clark (2000). Landscape-scale variation in forest structure
and biomass in a tropical rain forest. Forest ecology and management,
137: 185-198.
CONABIO (2015). Ecosistemas; selvas secas. Comisión Nacional para el
Conocimiento y el Uso de la Biodiversidad.
http://www.biodiversidad.gob.mx/ecosistemas/selvaSeca.html
Cutler, M.E.J., D.S. Boyd, G.M. Foody y A. Vetrivel (2012). Estimating
tropical forest biomass with a combination of SAR image texture and
BIBLIOGRAFÍA
90
Landsat TM data: An assessment of predictions between regions.
ISPRS J. Photogramm. Remote Sensing, 70: 66–77.
Davidson, E.A. y I.A. Janssens (2006). Temperature sensitivity of soil carbon
decomposition and feedbacks to climate change. Nature, 440: 165–173.
Díaz-Franco, R., M. Acosta-Mireles, F. Carrillo-Anzures, E. Buendía-
Rodríguez, E. Flores-Ayala y J.D. Etchevers-Barra (2007).
Determinación de ecuaciones alométricas para estimar biomasa y
carbono en Pinus patula Schl. et Cham. Madera y Bosques, 13: 25-34.
Dietze, M.C. y D.J.S. Clark (2008). Changing the gap dynamics paradigm:
Vegetative regeneration control on forest response to disturbance.
Ecological Monographs, 78: 331-347.
Dixon, R., S. Brown, R.E.A. Houghton, A.M. Solomon, M.C. Trexler y J.
Wisniewski (1994). Carbon pools and flux of global forest ecosystems.
Science, 263: 185-189.
Dowman, I.J., K. Jacobsen, G. Konecny y R. Sandau (2012). High resolution
optical satellite imagery. Whittles Publishing. pp. 230.
Drake, J.B., R.O. Dubayah, D.B. Clark, R.G. Knox, J.B. Blair, M.A. Hofton,
R.L. Chazdon, J.F. Weishampel y S. Prince (2002). Estimation of
tropical forest structural characteristics using large-footprint LiDAR.
Remote Sensing of Environment, 79: 305-319.
Drake, J.B., R.G. Knox, R.O. Dubayah, D.B. Clark, R. Condit, J.B. Blair y M.
Hofton (2003). Above‐ground biomass estimation in closed canopy
neotropical forests using LiDAR remote sensing: Factors affecting the
generality of relationships. Global ecology and biogeography, 12: 147-
159.
Dubayah, R. O. y J.B. Drake (2000). LiDAR remote sensing for forestry.
Journal of Forestry, 98: 44-46.
BIBLIOGRAFÍA
91
Dupuy, J. M., J.L. Hernández‐Stefanoni, R.A. Hernández‐Juárez, E.
Tetetla‐Rangel, J.O. López‐Martínez, E. Leyequién‐Abarca y F.
May‐Pat (2012). Patterns and correlates of tropical dry forest structure
and composition in a highly replicated chronosequence in Yucatan,
Mexico. Biotropica, 44, 151-162.
Eckert, S. (2012). Improved forest biomass and carbon estimations using
texture measures from WorldView-2 satellite data. Remote Sensing, 4:
810–829.
Espinosa, C.I., M. de la Cruz, A.L. Luzuriaga y A. Escudero (2012). Bosques
secos del Neotrópico: diversidad, estructura, funcionamiento e
implicaciones para la conservación. Ecosistemas, 21: 167-179.
Falkowski, M.J., M.A. Wulder, J.C. White y M.D. Gillis (2009). Supporting
large-area, sample-based forest inventories with very high spatial
resolution satellite imagery. Progress in Physical Geography, 33: 403-
423
FAO (2006). Evaluación de los Recursos Forestales Mundiales 2005. Hacia
la ordenación forestal sostenible. Organización de las Naciones Unidas
para la Agricultura y la Alimentación. FAO. Roma.
FAO (2003). State of the World Forests. FAO, Rome, Italy, p. 151.
FAO (2008). Contribution of the forestry sector to national economies, 1990–
2006. Roma, Italia. Contribución del sector forestal a las economías
nacionales. Documento de trabajo sobre finanzas forestales
FSFM/ACC/08. Roma (Italia).
Felipe García, B. (2016). Estimación de variable dasométricas en masas de
Pinus nigra a partir de datos LiDAR y fotogramétricos. Tesis de Máster.
Universidad de Córdoba. pp. 56
BIBLIOGRAFÍA
92
Figueiredo, E. O., M.V.N. d'Oliveira, E.M. Braz, D. de Almeida Papa y P.M.
Fearnside (2016). LiDAR-based estimation of bole biomass for
precision management of an Amazonian forest: Comparisons of
ground-based and remotely sensed estimates. Remote Sensing of
Environment, 187: 281-293.
Figueroa-Navarro, C.M., G. Ángeles-Pérez, A. Velázquez-Martínez y
H.M.D.L Santos-Posadas (2010). Estimación de la biomasa en un
bosque bajo manejo de Pinus patula Schltdl. et Cham. en Zacualtipán,
Hidalgo. Revista mexicana de ciencias forestales, 1: 105-112.
Flores, J. e I. Espejel (1994). Etnoflora yucatanense, tipos de vegetación de
la península de Yucatán. Universidad Autónoma de Yucatán. Mérida.
Sostenibilidad Maya. pp. 73-80
Fonseca, W., J.M.R. Benayas y F.E. Alice (2011). Carbon accumulation in
the biomass and soil of different aged secondary forests in the humid
tropics of Costa Rica. Forest Ecology and Management, 262: 1400-
1408.
Foody, G.M., M.E. Cutler, J. McMorrow, D. Pelz, H. Tangki, D.S. Boyd, y I.
Douglas (2001). "Mapping the biomass of Bornean tropical rain forest
from remotely sensed data" Global Ecology Biogeography, 10: 379-387.
Forman, R.T. y M. Godron (1986). Landscape ecology. 1986. Estados
Unidos de América: Jhon Wiley and Sons. pp. 619.
Frangi, J.L. y A.E. Lugo (1985). Ecosystem dynamics of a subtropical
floodplain forest. Ecological Monographs, 55: 351-369.
McGarigal, K. (2014). FRAGSTATS help. Documentation for FRAGSTATS,
4. pp. 170.
Fuchs, H., P. Magdon, C. Kleinn y H. Flessa (2009). Estimating aboveground
carbon in a catchment of the Siberian forest tundra: Combining satellite
BIBLIOGRAFÍA
93
imagery and field inventory. Remote Sensing of Environment, 113: 518-
531.
Gallardo J.F. y A. Merino (2007). El ciclo del carbono y la dinámica de los
sistemas forestales. En: Bravo, F. (Coord.). El papel de los bosques
españoles en la mitigación del cambio climático. Fundación Gas
Natural. pp. 43-64.
García, M., Riaño, D., Chuvieco, E., & Danson, F. M. (2010). Estimating
biomass carbon stocks for a Mediterranean forest in central Spain using
LiDAR height and intensity data. Remote Sensing of Environment,
114(4), 816-830.
García Oliva F, G. Hernández y J.F. Gallado Lancho (2006). Comparison of
Ecosystem C pools in three forest in Spain and Latin America. Annals
of Forest Science, 63: 519-523.
García-Frapolli, E., B. Ayala-Orozco, M. Bonilla-Moheno, C. Espadas-
Manrique y G. Ramos-Fernández (2007). Biodiversity conservation,
traditional agriculture and ecotourism: Land cover/land use change
projections for a natural protected area in the northeastern Yucatan
Peninsula, Mexico. Landscape and urban planning, 83: 137-153.
Gates, D.M., H.J. Keegan, J.C. Schleter, y V.R. Weidner (1965). Spectral
properties of plants. Applied Optics, 4: 11-20.
Gayon, J. (2000). History of the Concept of Allometry 1. American Zoologist,
40: 748-758
Gentry, A.H. (1995). Diversity and floristic composition of neotropical dry
forests. Seasonally dry tropical forests. Cambridge University Press,
Cambridge, 10:146-190.
Gilabert, M.A., J. González-Piqueras y J. García-Haro (1997). Acerca de los
índices de vegetación. Revista de teledetección, 8: 1-10.
BIBLIOGRAFÍA
94
Griscom, H.P. y M.S. Ashton (2011). Restoration of dry tropical forest in
Central America: A review of pattern and process. Forest Ecology and
Management, 261: 1564-1579.
Govender, M., K. Chetty y H. Bulcock (2007). A review of hyperspectral
remote sensing and its application in vegetation and water resource
studies. Water Sa, 33: 145-151.
Guyot, J. (2011). Estimation du stock de carbone dans la végétation des
zones humides de la Péninsule du Yucatan. Memoire de fin d’etudes.
(Tesis de licenciatura no publicada). AgroParis Tech-El Colegio de la
Frontera Sur.
France.Hall, S. A., I.C Burke, D.O. Box, M.R. Kaufmann y J.M. Stoker (2005).
Estimating stand structure using discrete-return lidar: an example from
low density, fire prone ponderosa pine forests. Forest Ecology and
Management, 208: 189-209.
Haralick, R.M. y K. Shanmugam (1973). Textural features for image
classification. IEEE Transactions on systems, man, and cybernetics, 3:
610-621.
Hernández, L., L. Delgado, W. Meier y C. Durán (2012). Empobrecimiento de
bosques fragmentados en el norte de la Gran Sabana, Venezuela.
Interciencia, 37: 890- 898.
Hernández-Stefanoni, J.L., J.M. Dupuy, F. Tun-Dzul y F. May-Pat (2011).
Influence of landscape structure and stand age on species density and
biomass of a tropical dry forest across spatial scales. Landscape
Ecology, 26: 355-370.
Hernández-Stefanoni, J.L., J.M. Dupuy, K.J. Jhonson, R. Birdsey, F. Tun-
Dzul, A. Peduzzi, J.P. Camal-Sosa, G. Sánchez-Santos y D. López-
Merlín (2014). Improving Species Diversity and Biomass Estimates of
BIBLIOGRAFÍA
95
Tropical Dry Forest Using Airbone LiDAR. Remote Sensing, 6: 4741-
4763.
Hese, S., W. Lucht, C. Schmullius, M. Barnsle y R. Dubayah y D. Knorr
(2005). Global biomass mapping for an improved understanding of the
CO2 balance-the earth observation mission carbon-3D. Remote
Sensing of Environment, 94: 94-104.
Hilty, J.A., W.Z. Lidicker Jr y A. Merenlender (2012). Corridor ecology: the
science and practice of linking landscapes for biodiversity conservation.
Island Press. pp. 271.
Hoechstetter, S. (2009). Enhanced methods for analysing landscape
structure: Landscape metrics for characterising three-dimensional
patterns and ecological gradients. Rhombos. pp. 156.
Hoekstra, J.M., T.M. Boucher, T.H. Ricketts y C. Roberts (2005). Confronting
a biome crisis: Global disparities of habitat loss and protection. Ecology
Letters, 8: 23-29.
Holt, R.D. (2009). Toward a trophic island biogeography. The theory of island
biogeography revisited. Princeton University Press, Princeton, New
Jersey, USA. pp. 143-185.
Houghton, R.A., F. Hall y S.J. Goetz (2009). Importance of biomass in the
global carbon cycle. Journal of Geophysical Research: Biogeosciences,
114: 1-13.
Huete, A., K. Didan, T. Miura, E.P. Rodriguez, X. Gao y L.G. Ferreira (2002).
Overview of the radiometric and biophysical performance of the MODIS
vegetation indices. Remote sensing of environment, 83: 195-213.
Hudak, A.T.; Lefsky, M.A.; Cohen, W.B.; Berterretche, M. Integration of
LiDAR and Landsat ETM+ data for estimating and mapping forest
canopy height. Remote Sensing of environment, 82: 397-416.
BIBLIOGRAFÍA
96
Hughes, L. (2000). Biological consequences of global warming: is the signal
already apparent? Trends in Ecology and Evolution, 15: 56-61.
Hughes, R.F., J.B. Kauffman y V.J. Jaramillo (1999). Biomass, carbon, and
nutrient dynamics of secondary forests in a humid tropical region of
Mexico. Ecology, 80: 1892-1907.
IPCC (2003). Good practice guidance for land use, land-use change and
forestry. Institute for Global Environmental Strategies (IGES), Hayama,
ISBN 4-88788-003-0. Disponible en: http://www.ipcc-
nggip.iges.or.jp/public/gpglulucf.html [Acceso 19 Enero 2017].
IPCC (2007). Synthesis Report. Contribution of Working Groups I, II and III to
the Fourth Assessment Report of the Intergovernmental Panel on
Climate Change [Core writting team, Pachuari, R.K and Resinger. pp.
112.
IPCC (2001). En: Houghton J. T., Yihui D., et al. (editores). The Scientific
Basis. Third Assessment Report of Working Group I. Cambridge
University Press, Cambridge. pp. 94.
Jandl, R. (2001). Secuestro de Carbono en bosques. El papel del Suelo.
IUFRO-RIOFALC: Taller Internacional sobre Secuestro de Carbono.
Repositorio Biblioteca CATIE. pp. 6
Jasper, J., S. Reusch y A. Link (2009). Active sensing of the N status of
wheat using optimized wavelength combination: impact of seed rate,
variety and growth stage. Precision agriculture, 9: 23-30.
Jensen, J.R. (1996). Thematic information extraction: Image classification.
Introductory Digital Image Processing: A Remote Sensing Perspective,
197-256.
BIBLIOGRAFÍA
97
Jensen, J.R. (2005). Introductory Digital Image Processing: A Remote
Sensing Perspective. 3rd Edition. Prentice Hall, Upper Saddle River.
pp. 526.
Jurado-Cruz, D.A. (2013). Metodología para estimar almacenamiento de
carbono en un bosque de encinos combinando LiDAR con imagenes
satelitales de alta resolución. Tesis doctoral. Instituto Tecnológico y de
Estudios Superiores de Monterrey. pp. 109.
Kalacska, M., G.A. Sanchez-Azofeifa, J.C. Calvo-Alvarado, M. Quesada, B.
Rivard y D.H. Janzen (2004). Species composition, similarity and
diversity in three successional stages of a seasonally dry tropical forest.
Forest Ecology and Management, 200: 227-247.
Ke, Y., L.J. Quackenbush y J. Im (2010). Synergistic use of QuickBird
multispectral imagery and LIDAR data for object-based forest species
classification. Remote Sensing of Environment, 114: 1141-1154.
Keeling, H.C. y O.L. Phillips (2007). The global relationship between forest
productivity and biomass. Global Ecology and Biogeography, 16: 618-
631.
Kelsey, K.C. y J.C. Neff (2014). Estimates of aboveground biomass from
texture analysis of Landsat imagery. Remote Sensing, 6: 6407-6422.
Ketterings, Q.M., R. Coe, M. van Noordwijk y C.A. Palm (2001). Reducing
uncertainty in the use of allometric biomass equations for predicting
above-ground tree biomass in mixed secondary forests. Forest Ecology
and management, 146, 199-209.
Ko, C., T.K. Remmel y G. Sohn (2012). Mapping tree genera using discrete
LiDAR and geometric tree metrics. Bosque, 33: 313-319.
Lamb, D., P.D. Erskine y J.A. Parrotta (2005). Restoration of degraded
tropical forest landscapes. Science, 310: 1628-1632.
BIBLIOGRAFÍA
98
Lara Ponce, E., L. Caso-Barrera, M. Aliphat, B. Ramírez, A. Gil y G. García
(2012). Etnomapa: Uso de los recursos naturales por los mayas itzaes
de San José y San Andrés del Petén, Guatemala. Universidad y
ciencia, 28: 97-117.
Latifi, H., F.E. Fassnacht, J. Müller, A. Tharani, S. Dech y M. Heurich (2015).
Forest inventories by LiDAR data: A comparison of single tree
segmentation and metric-based methods for inventories of a
heterogeneous temperate forest. International Journal of Applied Earth
Observation and Geoinformation, 42: 162-174.
Laurance, W.F. (2004). Forest-climate interactions in fragmented tropical
landscapes. Philosophical Transactions of the Royal Society of London,
Biological Sciences, 359; 345-352.
Laurance, W.F. y T.J. Curran (2008). Impacts of wind disturbance on
fragmented tropical forests: a review and synthesis. Austral Ecology,
33; 399-408.
Lumley, T. (2015). Package ‘leaps’; “Regression subset selection”. Version 3
Software R, repository CRAN. pp. 8.
Lefsky, M.A. (1997). Aplication of LiDAR Remote Sensing to the estimation of
forest canopy and stand structure. Tesis Doctoral. University of Virginia,
Charlottesville, VA. pp. 185.
Lefsky, M.A., D. Harding, W.B. Cohen, G. Parker y H.H. Shugart (1999).
Surface LiDAR remote sensing of basal area and biomass in deciduous
forests of eastern Maryland, USA. Remote Sensing of Environment, 67:
83-98.
Lefsky, M.A., W.B. Cohen y T.A. Spies (2001). An evaluation of alternate
remote sensing products for forest inventory, monitoring, and mapping
of Douglas-fir forests in western Oregon. Canadian journal of forest
research, 31: 78-87.
BIBLIOGRAFÍA
99
Lefsky, M.A., W.B. Cohen, D.J. Harding, G.G. Parker, S.A. Acker y S.T.
Gower (2002). LiDAR remote sensing of aboveground biomass in three
biomes. Global ecology and biogeography, 11: 393-399.
Lillesand T.M. y R.W. Kiefer (1979). Remote Sensing and Image
Interpretation New York John Wiley & Sons. pp. 720.
Locatelli, B.K., M. Brockhaus, M. Colfer, C.J.P. Murdiyarso y H. D Santoso
(2009). Ante un futuro incierto: Cómo se pueden adaptar los bosques y
las comunidades al cambio climático (No. 5). CIFOR. pp. 205.
Lu, D., P. Mausel, E. Brondizio y E. Moran (2002). Assessment of
atmospheric correction methods for Landsat TM data applicable to
Amazon basin LBA research. International Journal of Remote Sensing,
23: 2651-2671.
Lu, D. (2005). Aboveground biomass estimation using Landsat TM data in
the Brazilian Amazon. International Journal of Remote Sensing, 26:
2509-2525.
Lu, D. (2006). The potential and challenge of remote sensing-based biomass
estimation. International Journal of Remote Sensing, 27: 1297-1328.
Lu, D. y M. Batistella (2005). Exploring TM image texture and its relationships
with biomass estimation in Rondônia, Brazilian Amazon. Acta
Amazónica, 35: 249-257.
Lu, D., P. Mausel, E. Brondizio y E. Moran (2004). Change detection
techniques. International journal of remote sensing, 25: 2365-2401.
Maass, J.M. (1995). Conversion of tropical dry forest to pasture and
agriculture. Seasonally dry tropical forests. Cambridge University Press,
Cambridge. pp. 468.
Maass, M. y A. Burgos (2011). Water Dynamics at the Ecosystem Level in
Seasonally Dry Tropical Forests. En: Dirzo, R., H. Mooney, G. Ceballos,
BIBLIOGRAFÍA
100
H. Young (eds.). Seasonally Dry Tropical Forests: Ecology and
Corservation. Island Press. Washington. pp. 141-156.
Maestre, F.T., M.D. Puche, C. Guerrero y A. Escudero (2011). Shrub
encroachment does not reduce the activity of some soil enzymes in
Mediterranean semiarid grasslands. Soil Biology and Biochemistry, 43:
1746-174
Manrique, S., J. Franco, V. Núñez, L. Seghezzo y C. Ciuns (2009).
Estimación de densidad de biomasa epigea en ecosistemas naturales
de la Provincia de Salta. AVERMA, 13: 37-45.
Martínez Barrón, R.A. (2014). Modelación de la dinámica del carbono en
bosques del estado de Durango. Tesis de Maestría. Universidad
Autónoma de Nuevo León. pp. 67.
Martinez-Yrizar, A., J. Sarukhan, A. Perez-Jimenez, E. Rincon, J.M. Maass,
A. Solis-Magallanes y L. Cervantes (1992). Above-ground phytomass of
a tropical deciduous forest on the coast of Jalisco, Mexico. Journal of
Tropical Ecology, 8: 87-96.
Masera, O., M.J. Ordóñez y R. Dirzo (1992). Emisiones de carbono a partir
de la deforestación en México. Ciencia, 43: 151-153.
Mayle, F.E. (2004). Assessment of the Neotropical dry forest refugia
hypothesis in the light of palaeoecological data and vegetation model
simulations. Journal of Quaternary Science, 19: 713-720.
McGarigal, K. y B.J. Marks (1995). Spatial pattern analysis program for
quantifying landscape structure. Gen. Tech. Rep. PNW-GTR-351. US
Department of Agriculture, Forest Service, Pacific Northwest Research
Station. pp. 61.
BIBLIOGRAFÍA
101
McGarigal, K., S. Tagil y S.A. Cushman (2009). Surface metrics: an
alternative to patch metrics for the quantification of landscape structure.
Landscape ecology, 24: 433-450.
Means, J.E., S.A. Acker, D.J. Harding, B.J. Blair, M.A. Lefsky, W.B. Cohen,
M. Harmon y W.A. McKee (1999). Use of large-footprint scanning
airborne LiDAR to estimate forest stand characteristics in the western
Cascades of Oregon. Remote Sensing of Environment, 67: 298–308.
Meave, J.A., M.A. Romero-Romero, S.H. Salas-Morales, E.A. Pérez-García y
J.A. Gallardo-Cruz (2012). Diversidad, amenazas y oportunidades para
la conservación del bosque tropical caducifolio en el estado de Oaxaca,
México. Ecosistemas 21, 85-100.
Méndez-González, J., S.L. Luckie-Navarrete, M.Á. Capó-Arteaga y J.A.
Nájera-Luna (2011). Ecuaciones alométricas y estimación de
incrementos en biomasa epigea y carbono en una plantación mixta de
Pinus devoniana Lindl. y P. pseudostrobus Lindl., en Guanajuato,
México. Agrociencia, 45: 479-491.
Meyer, M. y L. Werth (1990). Satellite data: management panacea or
potential problem. Journal of Forestry, 88: 10-13.
Miles, L., A.C. Newton, R.S. De Fries, C. Ravilious, I. May, S. Blyth, V. Kapos
y J. E. Gordon (2006). A global overview of the conservation status of
tropical dry forests. Journal of Biogeography, 33: 491-505.
Miranda, F. y E. Hernández-X (1963). Los tipos de Vegetación de México y
su clasificación. Escuela Nacional de Agricultura, Colegio de
Postgraduados. pp. 151.
Molles M. (2006). Ecología: Conceptos y aplicaciones. Mc Graw Hill,
Barcelona, España. 671 pp.
BIBLIOGRAFÍA
102
Monroy, R.C. y J.J. Navar (2004). Ecuaciones de aditividad para estimar
componentes de biomasa de Hevea brasiliensis Muell. Arg., en
Veracruz, Mexico. Madera y Bosques, 10: 29-43.
Montero, G., R. Ruiz-Peinado y M. Muñoz (2005). Producción de biomasa y
fijación de CO2 por los bosques españoles. Madrid, España: Instituto
Nacional de Investigación y Tecnología Agraria y Alimentaria.
Monografías INIA: Serie Forestal. pp. 274.
Montoya, G., L. Soto, Ben de Jong, K. Nelson, P. Farias, Pajal Yakac Tic, J.
Taylor y R. Tipper (1995). Desarrollo Forestal Sustentable: Captura de
Carbono en las Zonas Tzeltal y Tojolabal del Estado de Chiapas.
Cuadernos de Trabajo 4. Instituto Nacional de Ecología. pp. 50.
Morláns, M.C. (2000). Estructura del paisaje (matriz, parches, bordes,
corredores) sus funciones, fragmentación del hábitat y su efecto borde.
Área ecología. Argentina. pp. 12.
Munt, M.C., E.B. Casellas y A.R. García (2005). Aplicación de la tecnología
LiDAR al estudio de la cubierta vegetal. Cuadernos de la Sociedad
Española de Ciencias Forestales. pp. 19.
Murphy, P. y A. Lugo (1986). Ecology of tropical dry forest. Annual Review of
Ecology and Systematics, 17: 67-88.
Næsset, E. y T. Gobakken. (2008). Estimation of above-and below-ground
biomass across regions of the boreal forest zone using airborne laser.
Remote Sensing of Environment, 112: 3079-3090.
Næsset, E. (2002). Predicting forest stand characteristics with airborne
scanning laser using a practical two-stage procedure and field data.
Remote Sensing of Environment, 80: 88-99.
Nascimento, H. E. y W.F. Laurance (2004). Biomass dynamics in Amazonian
forest fragments. Ecological Applications, 14: 127-138.
BIBLIOGRAFÍA
103
Navar, J. (2009) Allometric equations for tree species and carbon stocks for
forests of northwestern Mexico. Forest Ecology and Management, 257:
427–434
Navarro, E. P., Bañuelos, M. J., & Quevedo, M. (2016). Combinando datos
LiDAR e inventario forestal para identificar estados avanzados de
desarrollo en bosques caducifolios. Revista Ecosistemas, 25: 35-42.
Nelson, R., W. Krabill y J. Tonelli (1988). Estimating forest biomass and
volume using airborne laser data. Remote sensing of environment, 24:
247-267.
Nelson, R., R. Oderwald y T.G. Gregoire (1997). Separating the ground and
airborne laser sampling phases to estimate tropical forest basal area,
volume, and biomass. Remote Sensing of Environment, 60: 311-326.
Nelson, R. Modeling forest canopy heights: The effects of canopy shape.
Remote Sens. Environ. 1997, 60, 327-334.
Odi-Lara, M., F. Paz-Pellat, R. López-Urrea y J. González-Piqueras (2010).
Limitaciones en la estimación de variables biofísicas en cultivos usando
índices de vegetación espectrales: efecto de la densidad del follaje.
Agrociencia, 44: 807-819.
OMM (2015). Boletín de la Organización Mundial Meteorológica sobre los
gases de efecto invernadero. No. 11. pp. 4.
Onojeghuo, A.O. y A.R. Onojeghuo. (2017). Object-based habitat mapping
using very high spatial resolution multispectral and hyperspectral
imagery with LiDAR data. International Journal of Applied Earth
Observation and Geoinformation, 59: 79-91.
Ordoñez, B.J.A. y O. Masera (2001). Captura de carbono ante el cambio
climático. Madera y bosques, 7: 3-12.
BIBLIOGRAFÍA
104
Ordóñez, B.J.A. (1999). Captura de Carbono en un Bosque Templado: El
Caso de San Juan Nuevo, Michoacán. Instituto Nacional de Ecología.
pp. 75.
Ortíz-Reyes, A. D. (2014). Estimación de variables dasométricas mediante
tecnología LiDAR. Tesis de Maestría. Colegio de Postgraduados.
Montecillo, Texcoco, Edo. de México.
Ozdemir, I. (2008). Estimating stem volume by tree crown area and tree
shadow area extracted from pan‐sharpened Quickbird imagery in open
Crimean juniper forests. International Journal of Remote Sensing, 29:
5643-5655.
Pardos, J.A. (2010). Los ecosistemas forestales y el secuestro de carbono
ante el calentamiento global (Vol. 20). INIA. Madrid: Instituto Nacional
de Investigación y Tecnología Agraria y Alimentaria. pp. 253.
Parker, G.G. (1995). Structure and Microclimate of Forest canopies. En:
Lowman, M.D. y H.B. Rinker (2004). Forest canopies. Academic Press.
pp. 73-106.
Pham, L.T., L. Brabyn y S. Ashraf (2016). Combining QuickBird, LiDAR, and
GIS topography indices to identify a single native tree species in a
complex landscape using an object-based classification approach.
International Journal of Applied Earth Observation and Geoinformation,
50: 187-197.
Pennington, T., D.E. Prado y C.A. Pendry (2000). Neotropical seasonally dry
forests and Quaternary vegetation changes. Journal of Biogeography,
27: 261-273.
Peñuelas, J., I. Filella, X. Zhang, L. Llorens, R. Ogaya, F. Lloret, F. y J.
Terradas (2004). Complex spatiotemporal phenological shifts as a
response to rainfall changes. New Phytologist, 161: 837-846.
BIBLIOGRAFÍA
105
Petit, J. R., J. Jouzel, D. Raynaud, N.I. Barkov, J. Barnola, I. Basile y M.
Delmotte (1999). Climate and atmospheric history of the past 420,000
years from the Vostok ice core, Antarctica. Nature, 399: 429-436.
Picard, N., L. Saint-Andre y M. Henry (2012). Manual de construcción de
ecuaciones alométricas para estimar el volumen y la biomasa de los
árboles: del trabajo de campo a la predicción. CIRAD. FAO. pp. 213.
Pimentel, D., C. Wilson, C. McCullum, R. Huang, P. Dwen, J. Flack y B. Cliff
(1997). Economic and environmental benefits of biodiversity.
BioScience, 47: 747-757.
Portillo-Quintero, C.A. y G.A. Sanchez-Azofeifa (2010). Extent and
conservation of tropical dry forests in the Americas. Biological
Conservation, 143: 144-155.
Popescu, S.C. (2007). Estimating biomass of individual pine trees using
airborne LiDAR. Biomass and Bioenergy, 31: 646-655.
Presutti, M. (2004). La matriz de co-ocurrencia en la clasificación
multiespectral: tutorial para la enseñanza de medidas texturales en
cursos de grado universitario. 4ª Jornada de Educação em
Sensoriamento Remoto no Âmbito do Mercosul. pp.9.
Quesada M., G.A. Sanchez–Azofeifa, M. Alvarez–Añorve, K.E. Stoner, L.
Avila–Cabadilla, J. Calvo–Alvarado, A. Castillo, M.M. Espírito–Santo,
M. Fagundes, G.W. Fernandes, J. Gamonb, M. Lopezaraiza–Mikel, D.
Lawrence, L.D. Cerdeira Morellato, J.S. Powers, F.S. Neves, V. Rosas–
Guerrero, R. Sayago y G. Sanchez–Montoya (2009). Succession and
management of tropical dry forests in the Americas: Review and new
perspectives. Forest Ecology and Management, 258: 1014-1024.
R Core Team (2017). R: A language and environment for statistical
computing. R Foundation for Statistical Computing, Vienna, Austria.
Disponible en: https://www.R-project.org/
BIBLIOGRAFÍA
106
Ramírez, G. R., J.M.D. Rada, L. Ramírez y F.J.S. Sánchez (2017).
Evaluación de ecuaciones alométricas de biomasa epigea en una selva
mediana subcaducifolia de Yucatán. Madera y Bosques, 23: 163-179.
Ramírez-Guardado (2015). Estimación del carbón retenido en la biomasa
epigea, en una selva tropical de Yucatán, México. Tesis de Maestría.
Centro de Investigación Científica de Yucatán (CICY), Mérida, Yucatán.
pp. 111.
Rees, W.G. (1996). Physical Principles of Remote Sensing. Cambridge
University Press, Cambridge. pp. 236.
Repetto, R. (1990). Deforestation in the tropics. Scientific American, 262: 36-
42.
Reutebuch, S.E., H.E. Andersen y R.J. McGaughey (2005). Light detection
and ranging (LiDAR): an emerging tool for multiple resource inventory.
Journal of Forestry, 103: 286-292.
Reyes-Díez, A., D. Alcaraz-Segura y J. Cabello-Piñar (2015). Implicaciones
del filtrado de calidad del índice de vegetación EVI para el seguimiento
funcional de ecosistemas. Revista De Teledetección, 43: 11-29.
Reyes-García, C., J.L Andrade, J.L. Simá, R. Us-Santamaría y P.C. Jackson
(2012). Sapwood to heartwood ratio affects whole-tree water use in dry
forest legume and non-legume trees. Trees, 26: 1317-1330.
Rocha, A.V. y G.R. Shaver (2009). Advantages of a two band EVI calculated
from solar and photosynthetically active radiation fluxes. Agricultural
and Forest Meteorology, 149: 1560-1563.
Román-Cuesta, R.M., J. Retana y M. Gracia (2004). Fire trends in tropical
Mexico: a case study of Chiapas. Journal of Forestry, 102: 26-32.
Romero Arias, M.B. (2016). Evaluación del índice de vegetación de
diferencia normalizada para determinar el estado de conservación del
BIBLIOGRAFÍA
107
bosque de ceja andina sur occidental del Parque Nacional Sangay,
parroquia Achupallas, cantón Alausí, provincia de Chimborazo. Tesis
de Licenciatura. Escuela Superior Politécnica de Chimborazo). pp. 74.
Rouse Jr, J., R.H. Haas, J.A. Schell y D.W. Deering (1974). Monitoring
vegetation systems in the Great Plains with ERTS. NASA editors.
Washington. pp. 309-317.
Roy, J., H.A. Mooney y B. Saugier. (2001). Terrestrial global productivity.
Academic Press. pp. 573.
Rubio, R.Y. y J.A. Beltrán (2003). Problemática ambiental del bosque tropical
seco en Sinaloa. En Karam C. y J. L. Beraud (Coord.). Sinaloa y su
ambiente: visiones del presente y perspectivas. Universidad Autónoma
de Sinaloa. Sinaloa, México, pp. 329-360.
Rzedowski, J. (1978). Vegetación de México. Ed. Limusa, México. pp. 432.
Sala, O.E., F.S. Chapin, J.J. Armesto, E. Berlow, J. Bloomfield, R. Dirzoy R.
Leemans (2000). Global biodiversity scenarios for the year 2100.
Science, 287: 1770-1774.
Sanaphre-Villanueva, L., J.M. Dupuy, J.L. Andrade, C. Reyes-García, H.
Paz, y P.C. Jackson (2016). Functional Diversity of Small and Large
Trees along Secondary Succession in a Tropical Dry Forest. Forests, 7:
163.
Sánchez-Azofeifa, G.A., K.L. Castro-Esau, W.A. Kurz y A. Joyce (2009).
Monitoring carbon stocks in the tropics and the remote sensing
operational limitations: from local to regional projects. Ecological
Applications, 19: 480-494.
Sánchez-Azofeifa, G.A., M. Quesada, J. Calvo, J.P. Rodriguez, J. Nassar, T.
Garvin, R.A. Herrera-Peraza, S. Schnitzer, K. Stoner, D. Lawrence, J.
BIBLIOGRAFÍA
108
Gamon, S. Bohleman, P. Van Laake y M. Kalacska (2005). Research
priorities for tropical secondary dry forests. Biotropica, 37: 477-485.
Sarker, L.R. y J.E. Nichol (2011). Improved forest biomass estimates using
ALOS AVNIR-2 texture indices. Remote Sensing of Environment, 115:
968-977.
Smith, R.L. y T.M. Smith (2001). Ecología. Ed. Addison-Wesley. Madrid. 629
pp.
Steininger, M.K. (2000). Satellite estimation of tropical secondary forest
above-ground biomass: data from Brazil and Bolivia. International
Journal of Remote Sensing, 21: 1139-1157.
Strahler, A.H., C.E. Woodcock y J.A. Smith (1986). On the nature of models
in remote sensing. Remote sensing of environment, 20: 121-139.
Trejo, I. y R. Dirzo (2000). Deforestation of seasonally dry tropical forest: a
national and local analysis in Mexico. Biological Conservation, 94: 133-
142.
Trianni, G. (2006). Introduzione al telerilevamento per l’osservazione della
terra. Dispense. Università degli Studi di Pavia, Facoltà di ingegneria-
Dipartimento di elettronica. pp. 250.
Tucker, C. J. (1979). Red and photographic infrared linear combinations for
monitoring vegetation. Remote sensing of Environment, 8: 127-150.
Urquiza-Haas, T., P.M. Dolman y C.A. Peres (2007). Regional scale variation
in forest structure and biomass in the Yucatan Peninsula, Mexico:
effects of forest disturbance. Forest Ecology and Management, 247: 80-
90.
Vargas, R., S.E. Trumbore y M.F. Allen (2009). Evidence of old carbon used
to grow new fine roots in a tropical forest. New Phytologist, 182: 710-
718.
BIBLIOGRAFÍA
109
Véga, C., J.P. Renaud, S. Durrieu y M. Bouvier (2016). On the interest of
penetration depth, canopy area and volume metrics to improve LiDAR-
based models of forest parameters. Remote Sensing of
Environment, 175: 32-42.
Véga, C., U. Vepakomma, J. Morel, J.L. Bader, G. Rajashekar, C.S. Jha y
V.K. Dadhwal (2015). Aboveground-biomass estimation of a complex
tropical forest in India using LiDAR. Remote Sensing, 7:10607-10625.
Vidal, A., J.Y. Benítez, R. Carlos y H. Gra (2004). Estimación de la biomasa
de copa para árboles en pie de Pinus caribaea var. caribaea en la EFI
La Palma de la provincia de Pinar del Río, Cuba. Quebracho-Revista
de Ciencias Forestales, 11; 60-66.
Vila-Subirós, J., D. Varga-Linde, A. Llausàs-Pascual y A. Ribas-Palom
(2006). Conceptos y métodos fundamentales en ecología del paisaje
(landscape ecology). Una interpretación desde la geografía. Documents
d'Anàlisi Geogràfica, 48: 151-166.
Vincent, G., D. Sabatier, L. Blanc, J. Chave, E. Weissenbacher, R. Pelissier,
E. Fonty, J.F. Molino y P. Couteron (2012). Accuracy of small footprint
airborne LiDAR in its predictions of tropical moist forest stand structure.
Remote Sensing of Environment, 125; 23-33.
Wright, S.J. (2010). The future of tropical forests. Annals of the New York
Academy of Sciences, 1195: 1-27.
Wulder, M. (1998). Optical remote-sensing techniques for the assessment of
forest inventory and biophysical parameters. Progress in physical
Geography, 22; 449-476.
Wulder, M.A., T. Han, J.C. White, T. Sweda y H. Tsuzuki (2007). Integrating
profiling LiDAR with Landsat data for regional boreal forest canopy
attribute estimation and change characterization. Remote Sensing of
Environment, 110: 123-137.
BIBLIOGRAFÍA
110
Wulder, M.A., C.W. Bater, N.C. Coops, T. Hilker y J.C. White (2008). The
role of LiDAR in sustainable forest management. The Forestry
Chronicle, 84: 807-826.
Zaldo, V., G. Moré y X. Pons (2010). Estimación y cartografía de parámetros
ecológicos y forestales en tres especies (Quercus ilex L. subsp ilex,
Fagus sylvatica L. y Pinus halepensis L.) con datos LiDAR. Revista de
teledetección: Revista de la Asociación Española de Teledetección, 34:
55-68.
Zheng, G., J.M. Chen, Q.J. Tian, W.M. Ju y X.Q. Xia (2007). Combining
remote sensing imagery and forest age inventory for biomass mapping.
Journal of Environmental Management, 85: 616-623.
