SciELO - Scientific Electronic Library Online

 
vol.12 número68Modelos para estimar el volumen comercial de Bursera simaruba (L.) Sarg. y de Metopium brownei (Jacq.) Urb. en Quintana Roo, MéxicoEstrategia de muestreo óptima para la planeación del inventario maderable en plantaciones comerciales de Tectona grandis L.f. índice de autoresíndice de materiabúsqueda de artículos
Home Pagelista alfabética de revistas  

Servicios Personalizados

Revista

Articulo

Indicadores

Links relacionados

  • No hay artículos similaresSimilares en SciELO

Compartir


Revista mexicana de ciencias forestales

versión impresa ISSN 2007-1132

Rev. mex. de cienc. forestales vol.12 no.68 México nov./dic. 2021  Epub 28-Feb-2022

https://doi.org/10.29298/rmcf.v12i68.898 

Artículo científico

Estimación del crecimiento de dos especies de Pinus de la Región Centro de Guerrero, México

Francisco Javier Hernández1 
http://orcid.org/0000-0003-0480-624X

Brenda Mireya Bretado Medrano2 

Ezequiel Márquez Bernal2 

Juan Abel Nájera Luna1 

Benedicto Vargas Larreta1 

1Tecnológico Nacional de México. Instituto Tecnológico de El Salto. División de Estudios de Posgrado e Investigación. México.

2Tecnológico Nacional de México. Instituto Tecnológico de El Salto. Ingeniería Forestal. México.


Resumen

La aplicación de modelos de crecimiento para árboles individuales en bosques mezclados permite realizar estimaciones a nivel de la unidad de manejo. El objetivo del presente estudio fue evaluar los modelos de crecimiento en diámetro normal, área basal, altura total y volumen fustal de Chapman-Richards, Schumacher, Hossfeld I y Weibull para árboles individuales de Pinus pseudostrobus y Pinus oocarpa de Guerrero, México. Mediante muestreo selectivo se recolectaron 27 árboles dominantes y 28 codominantes para reconstruir los perfiles de árboles ordenados en grupos de diez años, por medio de la técnica de análisis troncales. La selección de los mejores modelos para cada variable se realizó con base en el coeficiente de determinación ajustado, la raíz del error medio cuadrático, las propiedades de los parámetros y las tendencias lógicas de crecimiento. Los resultados indican que el modelo de Schumacher fue el mejor para estimar el crecimiento en diámetro normal y la altura en ambas especies, así como el área basal de Pinus pseudostrobus y el volumen de Pinus oocarpa; mientras que, el modelo de Chapman-Richards fue el mejor para estimar el área basal de Pinus oocarpa y el volumen para Pinus pseudostrobus. Las edades estimadas del turno para volumen en Pinus oocarpa fueron de 62 años y para Pinus pseudostrobus de 82 años.

Palabras clave Altura total; área basal; crecimiento en diámetro; modelos de crecimiento; Pinus; volumen fustal

Abstract

The application of growth models for individual trees in mixed forests allows estimates to be made at the management unit level. The objective of the present study was to evaluate the growth models in normal diameter, basimetric area, total height and stem volume of Chapman-Richards, Schumacher, Hossfeld I and Weibull for individual Pinus pseudostrobus and Pinus oocarpa trees from the state of Guerrero, Mexico. Through selective sampling, 27 dominant and 28 codominant trees were collected to reconstruct the profiles of trees arranged in groups of ten years, by means of the stem analysis technique. The selection of the best models for each variable was made based on the adjusted coefficient of determination, the root mean square error, the properties of the parameters and the logical growth trends. The results indicate that the Schumacher model was the best to estimate growth in normal diameter and height in both species, the basal area of Pinus pseudostrobus and the volume of Pinus oocarpa, while the Chapman-Richards model was the best for estimate the basal area for Pinus oocarpa and the volume for Pinus pseudostrobus. The estimated turn ages for volume in Pinus oocarpa were 62 years and for Pinus pseudostrobus, 82 years.

Key words Total height; basimetric area; diameter growth; growth models; Pinus; stem volume

Introducción

El volumen maderable por aprovechar está en función del crecimiento y rendimiento de las especies que conforman los rodales forestales. En este contexto, es una práctica común la predicción del diámetro normal, el área basal, de la altura total o del volumen en función de variables predictoras tales como edad, densidad, calidad de estación, índices de competencia u otras que explican de manera alómetrica o biológica el crecimiento de los árboles (Briseño et al., 2020).

Desde hace varias décadas se han generado diversos modelos que simulan de forma lógica y precisa el crecimiento a nivel individual o de rodal a través del tiempo (Clutter et al., 1983; Corral y Návar, 2005; McCullagh et al., 2017); los modelos de Chapman-Richards, Schumacher, Weibull y Hosffeld I, en particular, tienen la propiedad de simular el crecimiento sigmoidal de las especies forestales maderables y reflejar la dinámica antagónica que ocurre entre los factores fisiológicos intrínsecos que estimulan el crecimiento y los del medio ambiente que lo limitan (Kiviste et al., 2002). Desde el punto de vista práctico, las ecuaciones que resultan del ajuste de los parámetros de esos modelos sirven para estimar el crecimiento de los árboles, cuyo conocimiento es fundamental en la toma de decisiones silvícolas eficientes que aseguran un aprovechamiento maderable sustentable (Santiago-García et al., 2013; Vargas-Larreta et al., 2013).

La modelación y predicción del crecimiento de rodales en bosques mezclados e irregulares es una tarea difícil, ya que estos bosques, además de reunir una variedad de especies, son irregulares en su estructura. En ellos, cada especie tiene diferente ritmo de crecimiento biológico como respuesta a la herencia genética y la adaptación a las condiciones ambientales donde se desarrolla (Diéguez et al., 2009; Fien et al., 2019). Con base en lo anterior, los modelos de crecimiento para árboles individuales facilitan la predicción al nivel de unidad de área, ya que la suma de los crecimientos de los árboles individuales que componen una unidad de superficie da como resultado el crecimiento total (Torres y Magaña, 2001). La técnica utilizada para obtener información y el de modelo por utilizar depende del tipo de bosque: puro, mezclado, coetáneo, incoetáneo, homogéneo o heterogéneo; y del intervalo de proyección (Diéguez et al., 2009; Hernández et al., 2018; Briseño et al., 2020).

Pinus pseudostrobus Lindl. y Pinus oocarpa Schiede ex Schltdl. se distribuyen ampliamente en todo el territorio forestal de la región centro del estado de Guerrero; forman manchones de una sola especie o de varias del género Pinus asociadas con encinos y algunas latifoliadas, además se consideran dentro de los seis taxones del género de mayor importancia comercial. Presentan buenas características para utilizarse en la fabricación de triplay, chapa, cajas de empaque, molduras, construcción y fabricación de muebles (Conafor, 2015).

Con el propósito de generar herramientas que ayuden a la toma de decisiones para contribuir a lograr un aprovechamiento sustentable de las especies maderables de la región centro del estado de Guerrero, el objetivo del presente estudio fue evaluar la bondad de ajuste de cuatro modelos de crecimiento en diámetro normal, área basal, altura total y volumen fustal de Pinus pseudostrobus y Pinus oocarpa, para seleccionar el más eficiente.

Materiales y Métodos

Área de estudio

El área de estudio fue la Unidad de Manejo Forestal 1205 (Umafor-1205), la cual se ubica dentro del sistema montañoso Sierra Madre del Sur en la región centro del estado de Guerrero (Figura 1).

Figura 1 Ubicación del área de estudio. 

Los tipos de clima en las áreas forestales de coníferas varían de templado a semicálido con diferentes graduaciones de humedad. Sin embargo, el clima predominante es (A)C(w) (García, 2004).

Los suelos se clasifican como leptosoles, luvisoles, regosoles y cambisoles; de ellos, los leptosoles tienen la mayor distribución dentro del área de estudio (Inegi, 2016).

Muestreo

El método de muestreo selectivo se aplicó en las calidades de estación baja, media y alta de la Umafor-1205 para recolectar 27 árboles dominantes y 28 codominantes, sin daños físicos, con edades de 20 a 100 años. Del fuste de cada individuo se obtuvieron rodajas a 0.30 m, 0.60 m y 1.30 m de altura y posteriormente a cada 2.60 m hasta llegar a la parte de la punta para reconstruir 102 y 152 perfiles de árboles de Pinus pseudostrobus y Pinus oocarpa, respectivamente; y se aplicó la metodología descrita por Klepac (1983) para realizar los análisis troncales.

Variables

Las mediciones iniciales por árbol de cada especie fueron el diámetro normal con corteza obtenido a 1.30 m de altura con cinta diamétrica marca Lufking™ modelo 283D/5M, diámetro sin corteza de cada rodaja medido con regla Lufking™ y estimado como el promedio de dos medidas en cruz. Los anillos de cada rodaja se dividieron en grupos de 10 para medir el crecimiento radial a las diferentes alturas. La edad de cada uno de los árboles reconstruidos se determinó sobre el diámetro mayor de la rodaja obtenida a los 30 cm de altura del fuste. Para medir el diámetro normal y estimar el área basal de cada árbol reconstruido, los anillos de crecimiento se agruparon en edades de 10 años a partir del centro hacia la periferia (Klepac, 1983). La estimación de la altura verdadera se realizó mediante la fórmula de Carmean (1972) modificada por Newberry (1991), cuya expresión es:

Hij=hi+hi+1-hi2ri-ri+1-0.5+(j-1)hi+1-hiri-ri+1- 0.5

Donde:

Hij = Altura total estimada en la rodaja i-ésima, correspondiente a j anillos de crecimiento

hi  = Altura acumulada al corte superior de cada i-ésima rodaja

hi+1 = Altura acumulada al corte superior de la siguiente

i-ésima rodaja

ri = Número de anillos de crecimiento de la i-ésima rodaja

ri+1 = Número de anillos de crecimiento de la siguiente

i-ésima rodaja

j = Número de anillos de crecimiento a partir del centro de cada rodaja

El área basal se determinó con la ecuación:

AB=π4dn2

Donde:

AB = Área basal

π = 3.14159

dn = Diámetro normal medido a 1.30 de altura a partir de la superficie del suelo

Los volúmenes de cada troza se estimaron con la ecuación de Smalian y la del cono, respectivamente.

Vi=π4(DM2+Dm2)2l

Vp=π4Db2l3

Donde:

DM = Diámetro mayor de cada troza

Dm = Diámetro menor de cada troza

Db = Diámetro de la base de la punta (m)

l = Longitud de la troza (m)

La suma de los volúmenes de las trozas de cada árbol fue igual al volumen total sin corteza del fuste.

En el Cuadro 1 se muestran las estadísticas descriptivas básicas de las variables analizadas por especie.

Cuadro 1 Estadísticas descriptivas de las variables analizadas. 

Especie Variable N Mínimo Promedio Máximo Desviación estándar
Pinus pseudostrobus Lindl. Diámetro (cm) 102 1.3 19.84 41.5 10.65
Área basal (m2) 102 0.00013 0.03976 0.13526 0.03584
Altura (m) 282 0.17 12.26 38.28 8.84
Volumen (m3) 102 0.00042 0.45 2.32 0.5075
Pinus oocarpa Schiede ex Schltdl. Diámetro (cm) 152 1.3 20.23 45.5 10.0061
Área basal (m2) 152 0.00013 0.03999 0.16259 0.03305
Altura (m) 257 0.17 10.05 28.3 6.90207
Volumen (m3) 152 0.00022 0.37325 1.84337 0.35941

Análisis

A los datos de crecimiento en diámetro normal, área basal, altura y volumen se les ajustaron los modelos de crecimiento de Chapman-Richards (M1), Hossfeld I (M2), Weibull (M3) y Schumacher I (M4) citados por Kiviste et al., (2002) mediante regresión no lineal (Cuadro 2). Además, se generaron sus respectivas expresiones para determinar el incremento corriente anual (ICA) y el incremento medio anual (IMA). Los ajustes se realizaron al aplicar el procedimiento PROC MODEL del programa estadístico SAS (SAS, 2002). El criterio analítico para seleccionar la bondad del ajuste de los modelos consideró a la raíz del error medio cuadrático (REMC), el coeficiente de determinación ajustado (R 2 adj ) y las propiedades estadísticas de los parámetros estimados.

Radj2=1-(n-1)i=1nyi-y^i2(n-p)i=1nyi-y-i2

RECM=i=1nyi-y^i2n-p

Donde:

yi, y^i, y-i = Valor observado y valor predicho

i de cada variable, así como el promedio estimado de la variable observada

n = Número de observaciones

p = Número de parámetros del modelo

Cuadro 2 Modelos de crecimiento evaluados y sus expresiones del ICA e IMA

Modelo Expresión ICA IMA
Chapman-Richards y=β0(1-exp-b1E)b2+ε ICA=β0b1β2(1-exp-b1E)b2-1exp-b1E IMA=  yE
Hossfeld I y=t2(β0+b1E)2+ε ICA= 2β0E(β0+b1E)3 IMA=  yE
Weibull y=β01-exp-β1Eβ2+ε ICA=β0β1β2Eβ2-1exp-β1Eβ2 IMA=  yE
Schumacher y=β0exp-b11E+ε ICA=β0b1E2exp-b1E IMA=  yE

y = Crecimiento en diámetro normal (cm), área basal (m2), altura total (m) y volumen fustal sin corteza (m3); E = Edad (años); β1 β2 y β2 = Parámetros del modelo; ICA = Incremento corriente anual en diámetro normal (cm), área basal (m2), altura total (m) y volumen fustal (m3); IMA = Incremento medio anual en diámetro normal (cm), área basal (m2), altura total (m) y volumen fustal (m3).

Finalmente, como factor determinante para seleccionar el mejor modelo se consideró el análisis gráfico de las curvas de crecimiento.

Dado que las mediciones del crecimiento a través del tiempo de cada variable evaluada dentro de cada árbol están correlacionadas, se evalúo la significancia de la autocorrelación de los modelos seleccionados como los mejores mediante la prueba de Durbin-Watson (DW) (Sharma et al., 2011; Quiñonez et al., 2018).

d=(et-et-1)2et2

Donde:

et = Residual t de cada observación

et-1 = Residual de cada observación anterior al residual et

Cuando esta prueba fue significativa, se aplicó el modelo autorregresivo CAR(X) (Zimmerman et al., 2001) para corregir el problema de autocorrelación y generar parámetros y errores estándar consistentes con los modelos. La estructura del modelo autorregresivo es:

eij=k=1k=xIkρkhij-hij-keij-k+εij

Donde:

eij = j-ésimo residual ordinario en la observación i

Ik = 1 para j >k y 0 para j=k (k=1, 2, 3,…, x)

ρk = Parámetro autorregresivo de orden k

 hij-hij-k = distancias de separación de las observaciones j-ésima a la j-k ésima

εij = Error independiente que sigue una distribución normal con media cero y varianza constante

Una vez seleccionado el mejor modelo, se estimó el ICA máximo (ICA máx ) e IMA máximo (IMA máx ) para cada una de las variables y especies. Ambos incrementos corresponden a los valores más altos calculados con las ecuaciones del ICA e IMA.

Resultados

La estimación de los parámetros de los modelos sin considerar la estructura autorregresiva del error para Pinus pseudostrobus presentó valores de DW para el crecimiento en diámetro entre 0.9518 y 1.0028, área basal de 0.6188 a 0.9390, altura de 0.3057 a 0.3324 y volumen de 0.9896 a 1.0343; mientras que para Pinus oocarpa, los valores de DW para el crecimiento en diámetro variaron de 0.5095 a 0.5912, área basal de 0.5814 a 0.6621, altura de 0.3437 a 0.3655 y volumen de 0.6211 a 0.6966; cifras que indican autocorrelación. Los valores de DW estimados después de ajustar los modelos de crecimiento con el modelo autorregresivo CAR(1), CAR(2) y CAR(3) permitieron deducir que la autocorrelación de los residuales mejoró significativamente (Cuadro 3). A su vez, los estimadores de los parámetros ρk k=1, 2, 3) fueron significativos para los modelos de crecimiento en diámetro, altura y volumen en ambas especies (Pr>0.0001), de lo que se infiere que la estimación de los parámetros y de los errores estándar son consistentes en esos modelos de crecimiento, más no para los de área basal (Pr>0.05) (Cuadros 4 y 5). La independencia de los errores favorece la estimación de parámetros eficientes e insesgados y previene la subestimación de la matriz de covarianzas de los parámetros (González et al., 2016).

Cuadro 3 Estadísticos de ajuste de los modelos de crecimiento en las variables analizadas. 

Modelo Pinus pseudostrobus Lindl. Pinus oocarpa Schiede ex Schltdl.
R2adj RCME DW R2adj RCME DW
Diámetro normal
M1 0.7403 5.427 1.653 0.8654 3.671 1.162
M2 0.7230 5.605 1.746 0.9001 3.162 1.649
M3 0.7831 4.960 1.480 0.8640 3.690 1.182
M4 0.7400 5.431 1.654 0.8648 3.679 1.117
Área basal
M1 0.7063 0.0194 1.489 0.9154 0.0096 1.590
M2 0.6962 0.0197 1.591 0.9096 0.0096 1.660
M3 0.7019 0.0196 1.514 0.9120 0.0097 1.509
M4 0.7105 0.0193 1.500 0.9079 0.0100 1.515
Altura
M1 0.9650 1.6093 1.661 0.9460 1.603 1.220
M2 0.9338 2.2315 1.770 0.9441 1.631 1.300
M3 0.9645 1.6224 1.692 0.9688 1.231 1.597
M4 0.9275 2.3167 1.652 0.9695 1.204 1.598
Volumen
M1 0.8544 0.1977 1.735 0.9321 0.0936 1.635
M2 0.7426 0.2574 1.626 0.9240 0.0990 1.621
M3 0.9338 0.0924 1.361 0.9338 0.0924 1.361
M4 0.8500 0.1964 1.737 0.9305 0.0947 1.608

M1 = Chapman-Richards; M2 = Hossfeld I; M3 = Weibull; M4 = Schumacher; R 2 adj = Coeficiente de determinación ajustado; RCME = Raíz cuadrada media del error; DW = Durbin-Watson.

Cuadro 4 Estimadores de los parámetros y errores estándar de los modelos evaluados para Pinus pseudostrobus Lindl. 

Pinus pseudostrobus Parámetros
Modelo Estadístico β0 β1 β2 ρ1 ρ2 ρ3
Diámetro
M1 Estimador 32.96137 0.07249 3.197013 1.00368
E. E. 2.86740 0.01540 0.83570 0.01100
M2 Estimador 2.81260 0.12419 0.99036
E. E. 0.33320 0.00931 0.01450
M3 Estimador 30.8810 0.00095 2.09730 1.01299 0.97076 0.32513
E. E. 2.58110 0.00063 0.2283 0.00954 0.01740 0.21780
M4 Estimador 49.14015 24.38972 0.99762
E. E. 4.18750 2.49430 0.01210
Área Basal
M1 Estimador 0.08711 0.06955 4.85097 1.72976
E. E. 0.01440 0.02710 2.73200 8.73230
M2 Estimador 92.12886 1.84175 0.09097
E. E. 15.33660 0.34970 0.45990
M3 Estimador 0.081866 0.000242 2.37926 0.878077
E. E. 0.0111 0.000388 0.51580 4.26000
M4 Estimador 0.16539 40.21302 3.05171
E. E. 0.0267 5.8208 15.43200
Altura
M1 Estimador 26.26966 0.06274 1.77583 1.146894 0.97393
E. E. 1.01290 0.00689 0.16550 0.01310 0.01190
M2 Estimador 2.221376 0.15547 1.03211
E. E. 0.11780 0.00404 0.01310
M3 Estimador 25.82468 0.01108 1.43804 1.14903 0.97225
E. E. 0.95930 0.00222 0.07600 0.01310 0.0119
M4 Estimador 33.64891 16.64891 1.00452
E. E. 1.17250 0.83290 0.01420
Volumen
M1 Estimador 2.20766 0.02989 4.80571 4.203409
E. E. 1.54900 0.0185 2.27560 0.4316
M2 Estimador -46.1913 -0.14897 1.95681
E. E. 8.03150 0.14610 0.42170
M3 Estimador 0.81488 8.30x10-8 4.12430 10.62855 3.36962
E. E. 0.06390 1.15x10-7 0.36980 1.33610 0.34480
M4 Estimador 3.66476 82.53542 4.06032 2.38687
E. E. 0.90860 11.30020 0.39320 0.27590

M1 = Chapman-Richards; M2 = Hossfeld I; M3 = Weibull; M4 = Schumacher; E.E. = Error estándar; βk = Parámetros del modelo; ρk = Parámetros del modelo autorregresivo CAR(x).

Cuadro 5 Estimadores de los parámetros y errores estándar de los modelos evaluados para Pinus oocarpa Schiede ex Schltdl. 

Pinus oocarpa Parámetros
Modelo Estadístico β0 β1 β2 ρ1 ρ2 ρ3
Diámetro
M1 Estimador 33.30371 0.05272 2.78622 0.97376
E. E. 1.91760 0.00869 0.54060 0.01280
M2 Estimador 3.53210 0.12302 0.98023 0.97631 0.93747
E. E. 0.25640 0.00556 0.01490 0.01180 0.01910
M3 Estimador 32.19344 0.00184 1.77252 0.97084
E. E. 1.71310 0.00092 0.16090 0.01300
M4 Estimador 48.59111 30.57237 0.97336
E. E. 2.46550 2.04540 0.01310
Área Basal
M1 Estimador 0.11168 0.03658 3.81223 182509.8 1700.225 0.03670
E. E. 0.01520 0.00706 0.72260 642673.0 4436.2 0.12610
M2 Estimador 134.7345 1.65843 1.8093x108 101.28700 3.93x10-10
E. E. 14.3358 0.23650 5.1302x108 278.70000 2.79x10-9
M3 Estimador 0.08803 0.00010 2.36525 1.1768x108 13.08743
E. E. 0.00915 0.00008 0.23610 3.07x108 34.40770
M4 Estimador 48.59111 30.57237 0.97336
E. E. 2.46550 2.04540 0.01310
Altura
M1 Estimador 19.2500 0.01592 1.34003 1.05532 0.97638 0.90647
E. E. 0.54760 0.00334 0.07240 0.02130 0.01850 0.02060
M2 Estimador 2.17484 0.18839 0.96258
E. E. 0.10580 0.00343 0.01970
M3 Estimador 19.25000 0.01592 1.34003 1.05532 0.97638 0.90647
E. E. 0.54760 0.00334 0.07240 0.02130 0.01850 0.02060
M4 Estimador 23.34795 14.04075 1.06527 0.99418 0.93053
E. E. 0.66200 0.69910 0.01990 0.01670 0.01650
Volumen
M1 Estimador 0.90389 0.05058 6.86763 6.84513 4.00005 1.26232
E. E. 0.10200 0.00685 1.33010 1.32240 0.64170 0.33180
M2 Estimador -55.2519 -0.39983 10.48295 2.96807 0.33751
E. E. 6.34390 0.09880 1.63760 0.46260 0.16290
M3 Estimador 0.81488 8.3x10-8 4.12430 10.62855 3.36962 0.33751
E. E. 0.06390 1.15x10-7 0.36980 1.33610 0.34480 0.16290
M4 Estimador 2.33633 80.82759 7.09319 4.19346 1.35311
E. E. 0.30240 6.66230 1.35920 0.67930 0.36270

M1 = Chapman-Richards; M2 = Hossfeld I; M3 = Weibull; M4 = Schumacher; E.E. = Error estándar; βk = Parámetros del modelo; ρk = Parámetros del modelo autorregresivo CAR(x).

Bondad de ajuste de los modelos

Los estadísticos R 2 adj y RCME indicaron que en Pinus pseudostrobus, el modelo de Weibull fue el que mejor se ajustó para estimar el crecimiento en diámetro y volumen y los de Chapman-Richard y Weibull en altura; a su vez, todos los modelos se ajustaron de manera similar en la estimación del área basal. En Pinus oocarpa, el modelo de Hossfeld I fue el que registró el mejor ajuste en diámetro, los de Chapman-Richard y Weibull en área basal, los de Schumacher y Weibull en altura, así como los de Chapman-Richard, Weibull y Schumacher en volumen (Cuadro 3).

Sin embargo, al considerar el nivel de significancia de los estimadores de los parámetros (α <0.05), se desestimó el modelo de Weibull para predecir el crecimiento en diámetro, área basal, altura y volumen en Pinus pseudostrobus, y del crecimiento en área basal y volumen para Pinus oocarpa. De manera similar, los modelos de crecimiento en volumen de Chapman-Richards y Hossfeld I mostraron parámetros no significativos en Pinus pseudostrobus. Para esta especie, solo el modelo de Schumacher registró estimadores de los parámetros significativos en las cuatro variables de crecimiento estudiadas. En relación con Pinus oocarpa, todos los estimadores de los modelos de Chapman-Richard, Hossfeld I y Schumacher fueron significativos (Pr<0.0001) en las cuatro variables estudiadas. Con base en el contexto anterior, la valoración gráfica en la estimación del crecimiento de cada variable por especie, realizada con los modelos cuyos parámetros fueron todos significativos permitió definir al mejor modelo.

Tendencias de las curvas de crecimiento

En la Figura 2 se observa que tanto el modelo de Chapman-Richards como el de Schumacher predicen crecimientos en diámetro normal muy similares para ambas especies hasta los 50 y 65 años. A partir de esas edades, la tasa de crecimiento predicha con el modelo de Chapman-Richards tiende a cero; mientras que con el modelo de Schumacher, el crecimiento continúa en sentido ascendente hasta alcanzar la asíntota. Los máximos crecimientos en diámetro estimados con el modelo de Chapman-Richards en Pinus pseudostrobus y Pinus oocarpa fueron menores a los predichos con el modelo de Schumacher; este último presentó tasas de crecimiento más plausibles en edades superiores a los 60 años y se le seleccionó para realizar las predicciones del crecimiento en diámetro de ambas especies.

Figura 2 Comparativo de las tendencias de las curvas de crecimiento que generan los modelos de Schumacher y Chapman-Richards con respecto a las series de crecimiento observadas para las variables analizadas. 

En relación al área basal, el modelo de Schumacher fue el que mejor reflejó la tendencia en Pinus pseudostrobus; el de Chapman-Richards lo hizo en Pinus oocarpa durante el periodo evaluado. En la primera especie, el modelo de Schumacher predijo crecimientos menores en el área basal hasta una edad aproximada de 70 años; en Pinus oocarpa, esto mismo sucede sobre todo el periodo de crecimiento evaluado.

En el análisis gráfico del crecimiento en altura total, el modelo de Schumacher fue el que mejor predijo este crecimiento. El modelo de Hossfeld I exhibió una tasa de crecimiento mayor a partir de los 40 años en Pinus pseudostrobus y de los 60 años en Pinus oocarpa; mientras que los modelos de Chapman-Richards y Weibull la disminuyeron drásticamente a partir de los 50 años, y presentaron las asíntotas a edades tempranas.

Por su parte, las predicciones del crecimiento en volumen con el modelo de Schumacher en Pinus pseudostrobus y Pinus oocarpa fueron inferiores a las calculadas con el modelo de Chapman-Richards a lo largo del periodo de evaluación, en el que se programan las cortas intermedias; por lo que si se desea evitar sobrestimar el volumen aprovechable, se considera al modelo de Schumacher como el más apropiado para tales predicciones. A su vez, el modelo de Chapman-Richards presentó la asíntota a partir de los 60 años, y reflejó las estimaciones menores a partir de esa edad.

Máximos Incrementos Corriente Anual y Turno

Las estimaciones obtenidas con la ecuación derivada del modelo de crecimiento en diámetro normal de Schumacher indicaron que los ICA máx en diámetro en Pinus pseudostrobus y Pinus oocarpa se registraron a los 12 (1.09 cm) y 15 años (0.86 cm); los del área basal predichos con la ecuación derivada del modelo Chapman-Richards se obtuvieron a los 30 y 37 años (0.0017 cm), respectivamente. Los ICA máx en altura total determinados con la ecuación derivada del modelo de Schumacher ocurrieron a los 8 (1.15 m) y 7 años (0.90 m). A su vez, los ICA máx en volumen fustal predichos con las ecuaciones derivadas de los modelos de Chapman-Richards y Schumacher se presentaron a las edades de 38 (0.024 m3) y 41 años (0.018 m3) en Pinus oocarpa y Pinus pseudostrobus, respectivamente. La edad del turno físico del volumen estimada con la ecuación de Schumacher se determinó a los 82 años en Pinus pseudostrobus y 62 años en Pinus oocarpa (Figura 3).

Figura 3 Tendencias de las curvas del ICA-IMA que generan los modelos evaluados con respecto a las series de crecimiento. 

Si ambos taxones están asociados en el mismo tipo de bosque, la diferencia en los patrones de crecimiento, el tiempo en que se registran los incrementos máximos y el turno es posible asumir que las dos especies responden de manera diferente a las mismas condiciones ambientales y niveles de productividad prevalecientes en este ecosistema. Las predicciones del crecimiento hechas con los modelos seleccionados sugieren que los individuos de Pinus pseudostrobus alcanzaron mayores dimensiones en diámetro, altura y volumen que los de Pinus oocarpa durante el periodo estudiado.

Discusión

Los estadísticos R 2 adj y las RCME fueron muy similares entre los modelos ajustados, por lo que el análisis de las tendencias de las curvas de crecimiento que cada modelo genera con respecto a las tendencias de crecimiento observadas fue fundamental para seleccionar el modelo que mejor representó el crecimiento biológico del diámetro normal, del área basal, de la altura total y del volumen fustal en ambas especies de interés. Los modelos de Chapman-Richards y Schumacher, seleccionados como los mejores, además de ser simples y parsimoniosos (Vanclay, 1994; Vanclay y Skovsgaard 1997) tienen un comportamiento asintótico y representan curvas biológicamente realistas (Alder, 1980; Salas et al., 2016).

De forma semejante a los resultados de este estudio, Arteaga (2000) registró que el modelo de Schumacher fue el que mejor se ajustó y representó el crecimiento en altura y volumen de Pinus pseudostrobus y el modelo de Chapman-Richards para el diámetro.

Monárrez y Ramírez (2003) indicaron que el mejor modelo para estimar el crecimiento en diámetro para Pinus durangensis Martínez fue el de Schumacher y para volumen el de Chapman-Richards; Corral y Návar (2005), al evaluar el comportamiento de diversos modelos determinaron que el modelo de Chapman-Richards se ajustó adecuadamente para estimar el crecimiento en diámetro, altura y volumen en cinco especies de Pinus del estado de Durango.

Martínez et al. (2014) al ajustar los modelos de Chapman-Richards y Schumacher para evaluar el crecimiento en diámetro, altura y volumen de Pinus hartwegii Lindl. consignaron que, aunque ambos modelos presentaron buen ajuste, el de Schumacher fue el que tuvo la mejor calidad predictiva. Pacheco et al. (2016) mediante el ajuste de los modelos de Schumacher, Chapman-Richards y Weibull decidieron aplicar el segundo para estimar el crecimiento, ICA e IMA en altura de Pinus montezumae Lamb.

Quiñonez et al. (2015) establecieron al modelo de Chapman-Richards como el más adecuado para generar familias de curvas de crecimiento en diámetro para Pinus lumholtzii Robins & Ferns; De Almeida et al. (2019) refirieron que los modelos de Chapman-Richards junto con el de Weibull mostraron los mejores ajustes para generar curvas de crecimiento en diámetro de cinco especies de pinos. A su vez, Hernández et al. (2018) documentaron que el modelo de crecimiento de Chapman-Richards fue el que mejor se ajustó para generar curvas de índice de sitio en Pinus ayacahuite Ehren.

Recientemente, Hernández et al. (2020) al trabajar los mismos modelos que se aplicaron en este estudio a tres especies de pino del estado de Chihuahua, concluyeron que los modelos de Chapman-Richards y Schumacher fueron los que mejor representaron el crecimiento en diámetro, área basal, altura y volumen.

Si se parte del hecho de que el diámetro normal es un indicador de las fases de crecimiento de las especies estudiadas (Imaña y Encinas, 2008), la edad a la que se calculó el valor del ICA máx sugiere que el periodo juvenil de Pinus pseudostrobus y de Pinus oocarpa culminó de manera natural a los 12 y 14 años, y alcanzaron diámetros de 7.5 y 6.3 cm, respectivamente. A partir de esas edades, ambas especies inician su periodo de madurez, que alcanzan a los 24 y 31 años; temporalidades relacionadas a crecimientos promedio en diámetro de 17.5 y 18.1 cm e intersecciones del ICA-IMA de 0.752 y 0.575 cm, respectivamente. La etapa senil inicia cuando se llega a la última edad de la madurez y se extiende hasta que los individuos logran su máximo crecimiento, el cual es igual al valor de la asíntota. Al proyectar las estimaciones del crecimiento en diámetro con el modelo de Schumacher, tanto Pinus pseudostrobus como Pinus oocarpa alcanzarían el máximo crecimiento (49 y 48 cm, respectivamente) después de los 200 años.

La intersección de las curvas del ICA con el IMA indica el tiempo en que ocurren los mejores rendimientos. Con base en lo citado por Martínez et al. (2014), las edades en que se registra el ICA máx del diámetro y la altura sirven de referencia para iniciar el programa de tratamientos intermedios, el cual termina un ciclo de corta antes de la aplicación de la corta de regeneración, edad de intersección de las curvas del ICA e IMA en volumen (turno físico). Por ello, si se desea aplicar un sistema de manejo regular se sugiere empezar la aplicación de las cortas intermedias cuando los individuos de las especies estudiadas tienen en promedio entre 10 y 15 años con el fin de promover la redistribución del agua, luz y nutrientes en los árboles residuales, para favorecer su crecimiento e iniciar la regulación de la estructura dimensional del bosque (Novák, et al., 2017).

Conclusiones

Los resultados del estudio indican que el modelo de Schumacher es el mejor para predecir el crecimiento en diámetro y altura tanto de Pinus pseudostrobus como de Pinus oocarpa; el área basal de Pinus pseudostrobus y el volumen de Pinus oocarpa; mientras que el modelo de Chapman-Richards es el mejor para predecir el crecimiento en área basal de Pinus oocarpa y el crecimiento en volumen de Pinus pseudostrobus. A su vez, Pinus pseudostrobus presenta mejores crecimientos en diámetro, altura y volumen que Pinus oocarpa. El turno físico del volumen predicho en Pinus oocarpa y Pinus pseudostrobus es de 65 y 85 años, respectivamente.

Agradecimientos

Los autores agradecen al Fondo Sectorial Conacyt- Conafor por el financiamiento para la toma de datos durante la ejecución del Proyecto Sistema Biométrico para la Planeación del Manejo Forestal Sustentable de los ecosistemas con potencial maderable en México (CONAFOR 2013-CO1-209772), así como al Tecnológico Nacional de México a través del Instituto Tecnológico de El Salto por las facilidades otorgadas durante la realización de este trabajo.

Referencias

Alder D., E. 1980. Estimación del volumen forestal y predicción del rendimiento, con referencia especial a los trópicos. Roma, Italia: FAO. 80 p. http://www.fao.org/3/a-ap354s.pdf (12 de agosto de 2020). [ Links ]

Arteaga M., B. 2000. Evaluación dasométrica de plantaciones de cuatro especies de pino en Ayotoxtla, Guerrero. Revista Chapingo, Serie Ciencias Forestales y del Ambiente 6(2): 151-157. https://chapingo-cori.mx/revistas/articulos/doc/rchscfaVI335.pdf (4 de agosto de 2020). [ Links ]

Briseño R., J., J. J. Corral R., R. Solis M., J. R. Padilla M., D. J. Vega N., P. M. López S., B. Vargas L., U. Diéguez A., G. Quiñonez B. and C. A. López S. 2020. Individual tree diameter and height growth models for 30 tree species in mixed-species and uneven-aged forest of Mexico. Forest 11(4): 1-429. Doi: 10.3390/f11040429. [ Links ]

Carmean, W. H. 1972. Site index curves for upland oaks in Central States. Forest Science 18: 109-120. Doi: 10.1093/forestscience/18.2.109. [ Links ]

Clutter, J. L., J. C. Fortson, L. V. Piennar, G. H. Brister and R. L. Bailey. 1983. Timber management: A quantitative approach. John Wiley & Sons, Inc. New York, NY, USA. 333 p. [ Links ]

Comisión Nacional Forestal (Conafor). 2015. Caracterización y estrategías de desarrollo industrial de la Cuenca de Abasto “Centro Sur” del estado de Guerrero. Comisión Nacional Forestal, México. 166 p. https://www.gob.mx/cms/uploads/attachment/file/506494/Estudio_de_cuenca_de_abasto_Centro-Sur_Guerrero.pdf (11 de febrero de 2021). [ Links ]

Corral R., S. y J. de J. Návar C. 2005. Análisis de crecimiento e incremento de cinco pináceas de los bosques de Durango, México. Madera y Bosques. 11(1): 29-47. Doi:10.21829/myb.2005.1111260. [ Links ]

De Almeida S., M., M. R. Hernández V., J. M. Brazāo P., J. G. Escobar F., C. A. López S., J. C. Hernández D. and C. Wehenkel. 2019. Sistema dinámico de crecimiento diamétrico para cinco especies de pinos en Durango, México. Revista Mexicana de Agroecosistemas 6(2): 145-156. https://www.voaxaca.tecnm.mx/revista/docs/RMAE%20vol%206_2_2019/02-RMAE_2019-22-Pinos-ToEdit.pdf (14 de septiembre de 2020). [ Links ]

Diéguez A., U., A. Rojo A., F. Castelo D., J. G. Álvarez G., M. Barrio A., F. Crecente C., J. M. González G., C. Pérez C., R. Rodríguez S., C. A. López S., M. A. Balboa M., J. J. Gorgoso V. y F. Sánchez R. 2009. Herramientas selvícolas para la gestión forestal sostenible de Galicia. Unidad de Gestión Forestal Sostenible (UXFS). Escuela Politécnica Superior, Universidad de Santiago de Compostela. Xunta de Galicia, España. 259 p. https://mediorural.xunta.gal/sites/default/files/publicacions/2019-10/herramientas_selvicolas.pdf (13 de septiembre de 2020). [ Links ]

Fien E., K. P., S. Fravera, A. Teets, A. R. Weiskittel and D. Y. Hollinger. 2019. Drivers of individual tree growth and mortality in an uneven-aged, mixed-species conifer forest. Forest Ecology and Management 499: 1-40. Doi: 10.1016/j.foreco.2019.06.043. [ Links ]

García, E. 2004. Modificaciones al sistema de clasificación climática de Köppen. Instituto de Geografía, Universidad Nacional Autónoma de México. 5ª Edición. México, D.F., México. México. 90 p. [ Links ]

González M., M., F. Cruz C., G. Quiñonez B., B. Vargas L. y J. A. Nájera L. 2016. Modelo de crecimiento en altura dominante para Pinus pseudostrobus Lindl. en el estado de Guerrero. Revista Mexicana de Ciencias Forestales 7(37): 7-20. Doi:10.29298/rmcf.v7i37.48. [ Links ]

Hernández C., M., W. Santiago G., H. M. de los Santos P., P. Martínez A. y F. Ruíz A. 2018. Modelos de crecimiento en altura dominante e índices de sitio para Pinus ayacahuite Ehren. Agrociencia 52(3): 437-452. https://agrociencia-colpos.mx/index.php/agrociencia/article/view/1680 (11 de febrero de 2011). [ Links ]

Hernández, F. J., J. C. Meráz A., B. Vargas L. y J. A. Nájera L. 2020. Diameter, height, basal area and volume growth of three pine species from Chihuahua, Mexico. Revista Mexicana de Ciencias Forestales 11(60): 120-143. Doi: 10.29298/rmcf.v11i60.711. [ Links ]

Imaña E., J. y B. Encinas O. 2008. Epidometría Forestal. Brasilia: Universidade de Brasilia, Departamento de Engenharia Forestal Mérida; Universidad de Los Andes, Facultad de Ciencias Forestales. Brasilia, Brasil. 66 p. http://www.monografias.com/trabajos-pdf2/epidometria-forestal/epidometria-forestal.pdf (13 de septiembre de 2020). [ Links ]

Instituto Nacional de Estadística, Geografía e Informatica (Inegi). 2016. Anuario estadístico y geográfico de Guerrero 2016. Instituto Nacional de Estadística Geografía e Información. Toluca, Estado de México, México. 1-34. http://www.diputados.gob.mx/sedia/biblio/usieg/mapas2016/gro_mapas.pdf (13 de septiembre de 2020). [ Links ]

Kiviste, A., J. G. Álvarez, G., A. Rojo A. y A. D. Ruíz G. 2002. Funciones de crecimiento de aplicación en el ámbito forestal. Monografía INIA Forestal Núm. 4. Ministerio de Ciencia y Tecnología. Instituto Nacional de Investigación y Tecnología Agraria y Alimentaria (INIA). Madrid, España. 190 p. [ Links ]

Klepac, D. 1983. Incremento de árboles y masas forestales. Universidad Autónoma de Chapingo. Chapingo. Edo. de México, México. 279 p. [ Links ]

Martínez S., M., S. Madrigal H., I. Vázquez C., E. Velazco B., C. R. Morales N. y F. Villarreal G. 2014. Efecto de Arceuthobium vaginatum (Willd.) Presl. subsp. vaginatum en Pinus hartwegii Lindl. en Colima. Revista Mexicana de Ciencias Forestales 6(29): 44-55. Doi: 10.29298/rmcf.v6i29.215. [ Links ]

McCullagh, A., K. Black and M. Nieuwenhuis. 2017. Evaluation of tree and stand-level growth models using national forest inventory data. European Journal Forest Research 136(2): 1-9. Doi: 10.1007/s10342-017-1025-8. [ Links ]

Monárrez G., J. C. y H. Ramírez M. (2003). Predicción del rendimiento en masas de densidad excesiva de Pinus durangensis Mtz. Revista Chapingo Serie de Ciencias Forestales y del Ambiente, 9(1): 45-56. https://biblat.unam.mx/es/revista/revista-chapingo-serie-ciencias-forestales-y-del-ambiente/21 (13 de septiembre de 2020). [ Links ]

Newberry, J. D. 1991. A note on Carmean´s estimate of height from stem analysis data. Forest Science 37(1): 368-369. Doi:10.1093/forestscience/37.1.368. [ Links ]

Novák, J., D. Dušek, M. Slodičák and D. Kacálek. 2017. Importance of the first thinning in young mixed Norway spruce and European beech stands. Journal of Forest Science 63(6): 254-262. Doi: 10.17221/5/2017-JFS. [ Links ]

Pacheco A., G., W. Santiago J., D. Martínez S. y R. Ortíz B. 2016. Análisis del crecimiento e incremento y estimación de índice de sitio para P. montezumae Lamb. en Santiago Textitlán, Sola Vega, Oaxaca. Foresta Veracruzana 18(2): 21-28. https://www.redalyc.org/articulo.oa?id=49748829003 (11 de febrero de 2021). [ Links ]

Quiñonez B., G., H. M. de los Santos P. y J. G. Álvarez G. 2015. Crecimiento en diámetro para Pinus en Durango. Revista Mexicana de Ciencias Forestales 6(29): 108-125. doi:10.29298/rmcf.v6i29.220. [ Links ]

Quiñonez B., G., G. G. García E. y O. A. Aguirre C. 2018. ¿Cómo corregir heterocedasticidad y autocorrelación de residuales en modelos de ahusamiento y crecimiento en altura? Revista Mexicana de Ciencias Forestales 9(49): 28-59. Doi:10.29298/rmcf.v9i49.151. [ Links ]

Salas C., T. G. Gregoire, D. J. Craven y H. Gilabert. 2016. Modelación del crecimiento: estado de arte. Bosque 37(1): 3-12: Doi: 10.4067/S0717-92002016000100001. [ Links ]

Santiago-García, W., H. M. de los Santos-Posadas, G. Ángeles-Pérez, J. R. Valdez-Lazalde y G. Ramírez-Valverde. 2013. Sistema compatible de crecimiento y rendimiento para rodales coetáneos de Pinus patula. Revista Fitotecnia Mexicana 36(2):163-172. https://www.revistafitotecniamexicana.org/documentos/36-2/8a.pdf (26 de enero de 2021). [ Links ]

Sharma, R. P., A. Brunner, T. Eid and B. H. Øyen. 2011. Modelling dominant height growth from national forest inventory individual tree data with short time series and large age errors. Forest Ecology and Management 262(12): 2162-2175. Doi:10.1016/j.foreco.2011.07.037. [ Links ]

Statistical Analysis System (SAS). 2002. SAS/ETS User´s Guide Version 8. SAS Institute Inc. Cary, NC. USA. n/p. [ Links ]

Torres R., J. M. y O. S. Magaña T. 2001. Evaluación de plantaciones forestales. CIDE, Limusa, Noriega Editores. México, D. F., México. 472 p. [ Links ]

Vanclay, J. K. 1994. Modelling forest growth and yield: applications to mixed tropical forest. CAB International, Wallingford, UK. 312. https://www.semanticscholar.org/paper/Modelling-Forest-Growth-and-Yield%3A-Applications-to-Vanclay/dfb23c6a74c778fee90e8204a8411b5e313a3b25 (15 de septiembre de 2020). [ Links ]

Vanclay, J. K. and J. P. Skovsgaard. 1997. Evaluating forest growth models. Ecological Modelling 98: 1-12. http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.186.589&rep=rep1&type=pdf (15 de septiembre de 2020). [ Links ]

Vargas-Larreta, B., O. A. Aguirre-Calderón, J. J. Corral-Rivas, F. Crecente-Campos and U. Diéguez-Aranda. 2013. A dominant height growth and site index model for P. pseudostrobus Lindl. in Northeastern Mexico. Agrociencia 47: 91-106. https://agrociencia-colpos.mx/index.php/agrociencia/article/view/1004/1004 (15 de septiembre de 2020). [ Links ]

Zimmerman, D. L., V. Núñez A., T. G. Gregoire, O. Schabenberger, J. D. Hart, M. G. Kenward, G. Molenberghs, G. Verbeke, M. Pourahmadi and P. Vieu. 2001. Parametric modelling of growth curve data: An overview. Test 10(1): 1-73. Doi:10.1007/BF02595823. [ Links ]

Recibido: 08 de Octubre de 2020; Aprobado: 18 de Agosto de 2021

*Autor para correspondencia: correo-e: fcojhernan@yahoo.com.mx

Conflicto de intereses

Los autores declaran no tener ningún conflicto de interés.

Contribución por autor

Francisco Javier Hernández, Brenda Mireya Bretado Medrano y Ezequiel Márquez Bernal: diseño del estudio, preparación y análisis cuantitativo de los datos y redacción preliminar y final del manuscrito; Juan Abel Nájera Luna y Benedicto Vargas Larreta: revisión de los análisis cuantitativos, así como redacción final del manuscrito.

Creative Commons License Este es un artículo publicado en acceso abierto bajo una licencia Creative Commons