SciELO - Scientific Electronic Library Online

 
vol.7 número35Insectos barrenadores del xilema en especies forestales comerciales en Costa Rica 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.7 no.35 México may./jun. 2016

 

Artículos

Modelación de biomasa y carbono arbóreo aéreo en bosques del estado de Durango

René Alejandro Martínez Barrón1 

Oscar Alberto Aguirre Calderón1 

Benedicto Vargas Larreta2 

Javier Jiménez Pérez1 

Eduardo Javier Treviño Garza1 

José Israel Yamallel1 

1 Facultad de Ciencias Forestales, Universidad Autónoma de Nuevo León. Linares, Nuevo León, México.

2Instituto Tecnológico de El Salto, Durango, México.


Resumen

Los ecosistemas forestales son particularmente importantes como reservorio de carbono, porque los árboles retienen altas cantidades de ese elemento por unidad de área, en comparación con otros tipos de vegetación. En este contexto, se trabajó en bosques del estado de Durango con el propósito de cuantificar los almacenes de carbono en diferentes sistemas evaluados, de 5 a 60 años; modelar espacialmente la biomasa y carbono arbóreo aéreo, mediante el uso de imágenes de satélite; generar mapas de biomasa (Mg ha-1) y carbono arbóreo aéreo (Mg ha-1) de las áreas de seleccionadas. El estudio presenta las relaciones entre los datos espectrales obtenidos con el sensor Landsat TM (Thematic Mapper) y las variables de biomasa y carbono porque los datos obtenidos por medio de la percepción remota pueden ser útiles para la estimación indirecta del valor de la biomasa/carbono. Para las relaciones y estimaciones se utilizó el método de regresión lineal múltiple. Los resultados indican una buena correlación entre las variables forestales y los índices espectrales relacionados con la humedad de la vegetación. Los modelos generados para la estimación de biomasa y cuantificación de carbono arbóreo aéreo presentaron los mejores ajustes y menores errores; para la primera, la raíz del error medio cuadrático fue de RMSE = 54.74 Mg ha-1, B = 334.69 -12.83(B2) +107.13(B3) + 8 250.39(NDVI) - 8 265.91(NDVI41) + 6 548.72(NDVI43); y para carbono un RMSE = 26.87 Mg ha-1, C =164.71 - 55.23(B2) + 52.54(B3) + 4 052.05(NDVI) - 4 059.76(NDVI41) + 3 215.18(NDVI43). Se concluye que las imágenes Landsat TM proveen información valiosa para la estimación de biomasa y cuantificación de carbono arbóreo aéreo.

Palabras clave: Biomasa forestal; carbón arbóreo aéreo; datos espectrales; Landsat TM; reflectancias; satélite SPOT

Abstract

Forest ecosystems are particularly important as carbon reservoirs, since the trees retain large amounts of this element per surface area unit, compared to other types of vegetation. Within this context, the carbon reservoirs in various evaluated systems in the state of Durango, aged 5 to 60 years, were quantified; the biomass and aboveground arboreal carbon were spatially modeled using satellite imagery, and biomass (Mg ha-1) and aboveground arboreal carbon (Mg ha-1) maps of the selected area were generated. This study presents the relationships between biomass and carbon in forests obtained from the spectral data analysis by the Landsat TM (Thematic Mapper), in the State of Durango, Mexico. The multiple linear regression method was utilized to determine relationships and estimations. The results showed a good correlation between forest variables and spectral indices related to vegetation moisture. The generated models used for quantifying the biomass and aboveground carbon were those with the best fit and fewest errors. For the biomass, the root mean square error was RMSE = 54.74 Mg ha-1, B = 334.69 - 12.83(B2) +107.13(B3) + 8 250.39(NDVI) - 8 265.91(NDVI41) + 6 548.72(NDVI43), and for carbon, RMSE = 26.87 Mg ha-1, C = 164.71 - 55.23(B2) + 52.54(B3) + 4 052.05(NDVI) - 4 059.76(NDVI41) + 3 215.18(NDVI43). Landsat TM images provide valuable information to estimate the biomass and quantify the aboveground arboreal carbon.

Key words: Forest biomass; aboveground arboreal carbon; spectral data; Landsat TM; reflectances; SPOT satellite

Introducción

Uno de los depósitos más importantes del carbono en la biosfera se concentra en los ecosistemas terrestres: en la materia orgánica vegetal viva, en la necromasa y en la materia orgánica del suelo (Ruiz et al., 2014). Entre los ecosistemas terrestres, los forestales son, especialmente, notables como reservorio de carbono, porque los árboles retienen grandes cantidades de este elemento por unidad de área en comparación con otros tipos de vegetación (IPCC, 2001).

Así, el nivel de biomasa es un indicador del potencial de carbono, y ha recibido mucha atención desde los acuerdos obtenidos en el Protocolo de Kyoto. Sin embargo, existe incertidumbre acerca de las estimaciones de los bosques como depósitos del mismo (Houghton, 2005); por lo que el uso de técnicas de percepción remota se ha identificado como una herramienta valiosa de apoyo para las estimaciones sobre el particular, y en la cuantificación de las existencias de biomasa aérea y de los cambios asociados (Rosenqvist et al., 2003; Tomppo et al., 2002). Por lo tanto, los datos así obtenidos pueden ser útiles para la estimación indirecta del valor de la biomasa/carbono, información que debe ser complementada con datos de campo, con mediciones de las variables dasométricas que se utilizan en ecuaciones empíricas de biomasa (Zianis y Mencuccini, 2004).

El empleo de datos por percepción remota tiene ventajas, debido a que cubren un área grande y proporcionan formas de observación sistemática (Rosenqvist et al., 2003). Con la realización de los análisis multitemporales correctos es posible establecer labores de predicción, prevención, determinación de escenarios futuros, monitoreo de ciertos elementos del medio natural, así como la estimación del cambio producido en las diferentes clases de uso y de ocupación de la tierra (Bedón y Pinto, 2007). Las técnicas basadas en la percepción remota adquieren un elevado potencial para este tipo de tareas, dada la periodicidad en la obtención de los datos y la variedad creciente en la resolución espacial de las imágenes disponibles, lo cual permite la identificación de los cambios desde diferentes escalas de trabajo.

El presente estudio trata sobre la modelación de biomasa y carbono arbóreo aéreo forestal en bosques del estado de Durango, mediante la utilización de imágenes de satélite Landsat TM y parámetros dasométricos forestales. Los objetivos del estudio consistieron en cuantificar los almacenes de carbono en diferentes sistemas forestales evaluados, de 5 a 60 años; modelar espacialmente la biomasa y carbono arbóreo aéreo con el uso de imágenes de satélite; además de generar mapas de biomasa (Mg ha-1) y carbono arbóreo aéreo (Mg ha-1) de las áreas de estudio.

Materiales y Métodos

Área de estudio

El área de estudio comprende bosques de clima templado del municipio Pueblo Nuevo, específicamente, en los ejidos El Brillante, La Ciudad, La Victoria y La Campana del estado de Durango, México (Figura 1). Pertenece a la provincia fisiográfica de la Sierra Madre Occidental y a la subprovincia denominada Gran Meseta y Cañones Duranguenses. Sus elevaciones varían de los 1 400 a los 2 600 msnm. El clima es semihúmedo templado o semifrío, que se torna templado o semiseco en el lado oriental de la Sierra. La temperatura media anual oscila entre 20 y 22 °C, mientras que la precipitación media anual de 800 mm a 1 200 mm. Por su situación geográfica, reúne diversas condiciones de vegetación, desde masas puras de encino hasta bosques mezclados de pino-encino (Ucodefo 6, 1997).

Figura 1 Ubicación geográfica. 

Trabajo de campo

La cuantificación de los almacenes de carbono se derivó de datos dasométricos de 39 sitios cuadrangulares de 50 x 50 m de la Red de Sitios Permanentes de Investigación Forestal, establecidos por la Universidad Juárez del Estado de Durango y el Instituto Tecnológico de El Salto (Corral et al., 2009). La estimación de biomasa en cada sitio de muestreo se realizó por medio de ecuaciones alométricas previamente generadas para las especies más importantes (producción de biomasa) del estado de Durango, y se aplicaron a los datos dasométricos obtenidos en los sitios de muestreo. Los resultados de biomasa se convirtieron a cantidad de carbono almacenado, mediante la multiplicación de biomasa por el factor de carbono total específico para cada especie. Dichos porcentajes se distribuyen entre valores de 0.43 y 0.51. Los modelos fueron validados a partir de los datos de 10 sitios permanentes de muestreo establecidos en el ejido La Campana, debido a que esta área tiene condiciones ecológicas y silvícolas similares a los ejidos El Brillante, La Ciudad y La Victoria.

La determinación de biomasa y contenido de carbono total en cada sitio de muestreo se hizo con la sumatoria de la cantidad de ambos por árbol. Asimismo, los resultados de dichas variables procedentes de los 39 sitios fueron extrapolados a toneladas por hectárea, con la finalidad de facilitar la generación y construcción de los modelos para predecir su estimación, a través de la percepción remota.

Datos espectrales Landsat TM (Thematic Mapper)

La imagen de satélite se basó en la página del Servicio Geológico de los Estados Unidos (USGS, 2013), y se tomó el 19 de junio de 201, con una resolución espacial de 30 m. Está ortorrectificada; es decir, representa los objetos del terreno en sus verdaderas coordenadas. Este sensor opera con siete bandas espectrales, que fueron elegidas especialmente para el monitoreo de la vegetación a excepción de la banda 7, que se agregó para aplicaciones geológicas (Cuadro 1).

Cuadro 1 Características de las bandas y principales aplicaciones que componen el satélite Landsat TM. 

Bi = Bandas espectrales; IRC = Infrarrojo cercano; IRM = Infrarrojo medio; IRT = Infrarrojo termal; μm = Micras.

Los datos espectrales fueron extraídos de las coordenadas UTM centrales de los sitios de muestreo, los cuales fueron identificados por los pixeles de las imágenes. Los datos espectrales consistieron en las reflectancias obtenidas de cuatro bandas individuales de la imagen y de cuatro transformaciones matemáticas aplicadas a la reflectancia: 1) Índice de vegetación de diferencia normalizada (NDVI), compuesto por las bandas espectrales infrarrojo cercano (IRC) y rojo (R), calculado como NDVI = (IRC-R)/(IRC+R) (Rouse et al., 1974); 2) NDVI41, compuesto por las bandas espectrales infrarrojo medio (IRM) y verde (V), calculado como NDVI41 = (IRM-V)/(IRM+V); 3) NDVI42, calculado como NDVI42 = (IRM-R)/(IRM+R), se compone por las bandas espectrales infrarrojo medio y rojo; 4) NDVI43, calculado como NDVI43 = (IRM-IRC)/(IRM+IRC), el índice es conocido como de estrés hídrico (Rock et al., 1986), y se integra por las bandas espectrales infrarrojo medio e infrarrojo cercano. Los índices se construyeron con el fin de resaltar algunas características de la vegetación, la cual está en función, principalmente, de la clorofila, de la estructura celular y del contenido de agua de la vegetación (Chuvieco, 1998; Soria y Granados, 2005; Aguirre et al., 2009); y son más sensibles en alguna parte del espectro electromagnético, además se detectan mejor en bandas específicas (Cohen y Goward, 2004).

Relación entre datos de campo y datos espectrales

Se aplicó un análisis de correlación entre las variables forestales de interés y los datos espectrales con el fin de averiguar el comportamiento y relación entre ellos. Se empleó el procedimiento estadístico de regresión por pasos (Stepwise), con el objetivo de seleccionar un modelo de regresión lineal múltiple que estime la biomasa (Mg ha-1) y el carbono (Mg ha-1) con un mínimo de variables. Como indicadores estadísticos de bondad de ajuste se consideraron el coeficiente de determinación (R2), la raíz del cuadrado medio del error (RMSE) y un nivel de significancia menor a 0.05 para cada variable. Una vez desarrollados los mejores modelos de regresión, se estimó la biomasa y el carbono para los sitios de muestreo que corresponden a los datos espectrales, a partir de lo cual se generaron mapas de biomasa y carbono arbóreo aéreo para las localidades de estudio.

Validación

Con apoyo en la metodología antes descrita, se procesaron datos dasométricos y coordenadas UTM centrales de 10 sitios de muestreo, distintos a los 39 empleados para la construcción de los modelos, los cuales se ubicaron dentro del ejido La Campana; los resultados obtenidos de la aplicación de los modelos de regresión, predichos, fueron comparados con los datos de campo, observados, estimados por medio de ecuaciones alométricas y factores de carbono.

Resultados y Discusión

Relación entre las variables forestales y los datos espectrales

Las variables forestales biomasa y carbono mostraron una correlación negativa con los datos espectrales (Cuadro 2). De acuerdo con Hall et al. (2006) y Aguirre et al. (2009), lo anterior se explica por la disminución del albedo en zonas con vegetación densa y cerrada. Aunque se presentó poca correlación entre la biomasa y el carbono con las reflectancias de las bandas 1, 2, 4 y el índice de vegetación NDVI42; el índice de vegetación NDVI43 tuvo la correlación más alta, con un valor de -0.62 para biomasa y -0.63 para carbono. Aguirre et al. (2009) registraron un valor de correlación de -0.80 entre el NDVI43 y el carbono arbóreo aéreo. Los resultados obtenidos corroboraron lo señalado por Gong et al. (2003) y Aguirre et al. (2009), respecto a que la densidad de los bosques de coníferas (hoja acicular) tienen una mejor explicación por índices que son sensibles a la humedad, que por aquéllos que son sensibles a la clorofila. El signo negativo indica que la densidad forestal es inversamente proporcional al estrés hídrico de la vegetación (NDVI43). Por lo tanto, el NDVI presenta buenas correlaciones con las variables forestales de interés, debido a la reflectividad ocasionada por la clorofila de la vegetación. En concordancia con Chuvieco (1998) y Soria y Granados (2005), cuando la vegetación es sometida a un tipo de estrés (plagas, sequía, etcétera.), su reflectancia en NDVI será inferior y, por lo tanto, un área con vegetación sana presentará un mayor contraste entre las bandas que componen este índice (infrarrojo cercano y rojo).

Cuadro 2 Coeficientes de correlación entre las variables forestales y los datos espectrales. 

B = Biomasa (Mg ha-1); C = Carbono (Mg ha-1); Bi = Reflectancia por banda espectral; NDVI = Índice de vegetación de diferencia normalizada.

Modelos seleccionados

Los índices de vegetación basados en la reflectancia de las bandas verde, rojo, infrarrojo cercano y medio, fueron las que describieron de manera satisfactoria el comportamiento de la biomasa y el carbono, debido a la fuerte absorción de energía causada por la presencia del vigor de la vegetación sana, la absorción de la clorofila y la humedad presente en la vegetación (Soria y Granados, 2005). Los modelos seleccionados, mediante el procedimiento de regresión (Stepwise) para estimar biomasa y carbono a partir de datos espectrales se presentan en el Cuadro 3.

Cuadro 3 Modelos de regresión seleccionados. 

B= Biomasa (Mg ha-1); C= Carbono (Mg ha-1); B2 = Reflectancia en banda verde; B3 = Reflectancia en banda rojo; NDVI = Índice de vegetación de diferencia normalizada.

En diversos estudios se han utilizado datos espectrales para la estimación de variables forestales, que han presentado niveles de precisión (RMSE) y coeficientes de determinación (R2) muy variados. Aguirre et al. (2009) calcularon 22.24 Mg ha-1 de RMSE para carbono en un bosque de Pinus patula Schiede ex Schltdl. & Cham. en la región central de México con datos del sensor SPOT 5 HRG; realizaron estimaciones con regresión lineal múltiple y el procedimiento no paramétrico del vecino más cercano (k-nn), cuyo valor de R2 fue 0.70 para el modelo de regresión seleccionado para cuantificar carbono con un nivel de confiabilidad de 99 %.

Por su parte, Labrecque et al. (2006) determinaron valores de RMSE de 59, 59 y 58 (Mg ha-1) para bosques de coníferas, caducifolios y mixtos, respectivamente, para mapear biomasa forestal en una región piloto situada al oeste de Canadá, a través de imágenes Landsat TM. Escandón et al. (1999) usaron el mismo sensor, pero con un enfoque diferente, y evaluaron dos métodos para estimar biomasa arbórea. El primer método consistió en una clasificación supervisada multiespectral con seis bandas; utilizaron tipos de vegetación identificados a partir de la composición de la biomasa de los géneros dominantes y de la altura promedio estimada del dosel. En el segundo método trabajaron con índices de vegetación de diferencia normalizada (NDVI) de las bandas TM4/TM3; TM4/TM5 y TM4/TM7; posteriormente, aplicaron un modelo de regresión que relaciona la biomasa promedio con los valores o niveles digitales (ND) con los NDVI. Resultó que el modelo exponencial fue el de mejor ajuste para los tres NDVI; sus valores para los NDVI fueron TM4/TM3 (R2= 0.61), TM4/TM5 (R2= 0.67) y TM4/TM7 (R2= 0.68). Comparativamente, los citados por Aguirre et al. (2009) son más similares a los del presente estudio y se consideran como aceptables para este tipo de investigaciones.

Las diferencias identificadas respecto a las experiencias previamente citadas pueden deberse a los satélites, por efecto de la resolución espacial que ofrecen el LANDSAT y el SPOT (Aguirre et al., 2009) y a la resolución espectral (Soria y Granados, 2005).

Comparación de las estimaciones biomasa-carbono con los modelos seleccionados

En la Figura 2 se muestra la relación de los valores de biomasa y de carbono observados en campo y los predichos con los modelos de regresión desarrollados, como una forma viable de ser utilizados para un bosque. La variable empleada fue el índice de estrés hídrico (NDVI43) debido a que fue el que resultó altamente significativo (p≤0.0001) y presentó mayor correlación con las variables de interés. Se advierte una relación proporcional inversa, ya que al disminuir el valor del índice de estrés hídrico (NDVI43), aumentan los de biomasa y carbono, lo que refleja el potencial de captura de carbono que hay en este tipo de vegetación.

Figura 2 Valores de biomasa (Mg ha-1 ) y carbono (Mg ha-1 ) observados y predichos construido con el NDVI43. 

Aplicación y validación de los modelos

Los modelos seleccionados fueron aplicados a las reflectancias de las bandas e índices de vegetación correspondientes. Al extrapolarlos al área de estudio, se obtuvo la cantidad de biomasa y el contenido de carbono arbóreo aéreo.

En el Cuadro 4 se consigna la comparación de las estimaciones de biomasa y carbono arbóreo aéreo total en campo y las derivadas de los modelos de regresión generados.

Cuadro 4 Biomasa (Mg ha-1) y contenido de carbono (Mg ha1), estimados en campo vs. modelos generados. 

Las valoraciones anteriores se pueden mejorar, si se cuenta con datos de sensores remotos con una resolución espectral mejorada (Thenkabail et al., 2004). Al respecto, los resultados obtenidos coinciden con las conclusiones de Fernández et al. (2005), quienes afirman que, a pesar de ciertas limitaciones, las imágenes de esta procedencia son válidas para la estimación de parámetros forestales a una escala regional.

Generación de mapas de biomasa y carbono arbóreo aéreo

Con base en el análisis del valor máximo de biomasa y carbono de los sitios de muestreo, se determinaron cifras para los pixeles de las imágenes de 400 Mg ha-1 para la biomasa y de 200 Mg ha-1 para el contenido de carbono. Para facilitar la interpretación de ambos mapas, los datos se agruparon en clases e intervalos (Cuadro 5).

Cuadro 5 Clases e intervalos de valores utilizados para la generación de los mapas. 

Las figuras 3 y 4 exhiben los mapas generados de la biomasa para los ejidos El Brillante y La Campana y contenido de carbono total para los predios de los ejidos La Ciudad y La Victoria.

Los diferentes colores representan los valores de biomasa y contenido de carbono arbóreo aéreo en toneladas por hectárea para los ejidos evaluados en los mapas generados para las regiones forestales. Por ejemplo, al tomar como parámetro el mapa de carbono para el ejido La Victoria, cada color se refiere al contenido de carbono en las áreas boscosas con un valor máximo de 200 toneladas.

Asimismo, este tipo de mapas puede ser usado para la atención de las causas de la pérdida de bosques y del carbono forestal, al fortalecer el manejo de los bosques y la conservación de su biodiversidad.

Figura 3 Mapas de biomasa total (Mg ha-1 ). 

Figura 4 Mapas de carbono arbóreo aéreo total (Mg ha-1 ). 

Conclusiones

Las variables extraídas de las bandas espectrales seleccionadas del sensor Landsat TM mostraron las correlaciones más altas con los parámetros forestales de interés, al haber alcanzado el valor máximo del índice de estrés hídrico (NDVI43), lo que confirma la importancia de los índices espectrales relacionados con la humedad para predecir componentes forestales. Los modelos de regresión generados permiten realizar estimaciones confiables, aunque el éxito de los resultados dependerá de la incidencia de la resolución tanto espectral como espacial, así como de la calidad de los datos de campo. En este caso, el sensor Landsat TM cuenta con una resolución espacial de 30 m, en comparación con otro tipo de satélites que tienen una resolución espacial menor de 10 m como el satélite SPOT; por lo tanto, la selección del satélite y la obtención de mejores resultados estarán en función del nivel de detalle y de los objetivos planteados.

Las imágenes procedentes de sensores remotos proveen información valiosa que puede ser relacionada con datos de campo para desarrollar nuevas metodologías para la estimación de variables forestales a escalas regionales, concretamente, biomasa y carbono arbóreo aéreo: con base en el papel de los bosques en el secuestro y emisiones de carbono.

Conflicto de intereses

Los autores declaran no tener conflicto de intereses.

Contribución por autor

René Alejandro Martínez Barrón: encargado de la redacción, estructura y diseño del manuscrito; Oscar Alberto Aguirre Calderón: revisión y corrección del artículo para su publicación; Benedicto Vargas Larreta: revisión y corrección del artículo para su publicación; Javier Jiménez Pérez: revisión y corrección del artículo para su publicación; Eduardo Javier Treviño Garza: interpretación de los resultados y corrección del artículo; José Israel Yerena Yamallel: interpretación de los resultados y corrección del artículo.

Agradecimientos

Se agradece al Fondo Mixto Conacyt-Gobierno del estado de Durango por el apoyo financiero otorgado para la realización de este trabajo, a través del proyecto: “Estimación del potencial de los bosques de Durango para la mitigación del cambio climático” clave DGO-201-C01-165681.

Referencias

Aguirre S., C. A., J. R. Valdez L., G. Ángeles P., H. M. de los Santos P., R. Haapanen y A. I. Aguirre S. 2009. Mapeo de carbono arbóreo aéreo en bosques manejados de Pinus patula en Hidalgo, México. Agrociencia 43: 209-220. [ Links ]

Bedón F., P. P. y S. Pinto A. 2007. Evaluación de técnicas de detección de cambios del uso de la tierra a través del análisis multitemporal de imágenes satelitales en el Cantón Daule. www.repositorio.espe.edu.ec/bitstream/21000/514/2/T-ESPE033066-A.pdf (2 de junio de 2014). [ Links ]

Chuvieco, E. 1998. El factor de temporalidad en teledetección: evolución fenomenológica y análisis de cambios. Revista de Teledetección 10: 1-9. [ Links ]

Cohen, W. B. and S. Goward. 2004. Landsat’s role in ecological applications of remote sensing. Bioscience 54 (6): 535-545. [ Links ]

Corral R., J. J., L. B. Vargas, C. Wehenkel, O. Aguirre C., J. Álvarez G. y A. Rojo A. 2009. Guía para el establecimiento de sitios de investigación forestal y de suelos en bosques del estado de Durango. Editorial UJED. Durango, Dgo., México. 81p. [ Links ]

Escandón C., J., B. H J. de Jong, S. Ochoa G. , I. March M. y M. A. Castillo. 1999. Evaluación de dos métodos para la estimación de biomasa arbórea a través de datos Landsat TM en Jusnajab La Laguna, Chiapas, México: estudio de caso. Investigaciones Geográficas 40: 71-84. [ Links ]

Fernández M., A., C. Quintano, O. Fernández M., J. R. Dos Santos and F. D. Maldonado. 2005. Spectral Mixture Modeling to estimate wood volume in the north of Spain from optical satellite data. Ambiência 1 (2): 213-222. [ Links ]

Gong, P., R. Pu, G. S. Biging and M. R. Larrieu. 2003. Estimation of forest leaf area index using vegetation indexes derived from Hyperion hyperspectral data. IEEE Transactions on Geoscience and Remote Sensing 41:1355-1362. [ Links ]

Intergovernmental Panel on Climate Change (IPCC). 2001. Climate Change 2001: Synthesis Report. A Contribution of Working Groups I, II, and III to the Third Assessment Report. Cambridge University Press. Cambridge, UK. 398p. [ Links ]

Hall, R. J., R. S. Skakun, E. J. Arsenault and B. S. Case. 2006. Modeling forest stand structure attributes using Landsat ETM+ data. Application to mapping of aboveground biomass and stand volume. Forest Ecology and Management 225: 378-390. [ Links ]

Houghton R., A. 2005. Aboveground forest biomass and the global carbon balance. Global Change Biology 1: 945-958. [ Links ]

Labrecque, S., R. Fournier,J. Luther and D. Piercey, 2006. A comparison of four methods to map biomass from Landsat-TM and inventory data in western Newfoundland. Forest Ecology and Management 226:129-144. [ Links ]

Rock, B. N., J. E. Vogelmann, D. L. Williams, A. F. Vogelmann and T. Hoshizaki. 1986. Remote detection of forest damage. Bioscience 36: 439-445. [ Links ]

Rosenqvist, A., A. Milne,A. Lucas, M. Imhoff and C. Dobson. 2003. A review of remote sensing technologies in support of the Kyoto Protocol.Environmental Science and Policy 6: 441-455. [ Links ]

Rouse, J. W., R. H. Haas, J. A. Schell, D. W. Deerino and J. C. Harlan. 1974.Monitoring the vernal advancement of retrogradation of natural vegetation. NASA/OSFC. Type III. Final Report. Oreenbello, MD, USA. 371p. [ Links ]

Ruiz D. , C., G. Rodríguez O. y J. R. Enríquez del V. 2014. Metodologías para estimar biomasa y carbono en especies forestales de México. Naturaleza y Desarrollo 12(1): 28-45. [ Links ]

United States Geological Survey (USGS). 2013. Landsat 7 Enhanced Thematic Mapper (ETM) . http://glovis.usgs.gov/ (5 de junio de 2013). [ Links ]

Soria R., J. y R. Granados R. 2005. Relación entre los índices de vegetación obtenidos de los sensores AVHRR del satélite NOAA Y TM del Landsat. Ciencia Ergo Sum 12 (2): 167-174. [ Links ]

Thenkabail, P. S., E. A. Enclona, M. S. Ashton, C. Legg, and M. J. De Dieu. 2004. Hyperion, IKONOS, ALI and ETM+ sensors in the study of African rainforests. Remote Sensing of Environment 90: 23-43. [ Links ]

Tomppo, E., M. Nilsson, M. Rosengren, P. Aalto and P. Kennedy. 2002. Simultaneous use of Landsat-TM and IRS-1C WiFS data in estimating large area tree stem volume and aboveground biomass. Remote Sensing of Environment 82: 156-171. [ Links ]

Unidad de Conservación y Desarrollo Forestal 6 (UCODEFO 6). 1997. Memoria general de predios del programa de manejo forestal 1997-2007. El Salto, Dgo., México. 207p. [ Links ]

Zianis, D. and M. Mencuccini, 2004. On simplifying allometric analyses of forest biomass. Forest Ecology and Management 187: 31-332. [ Links ]

Recibido: 15 de Diciembre de 2015; Aprobado: 10 de Abril de 2016

Autor por correspondencia: René Alejandro Martínez Barrón, email: mtzbar09@gmail.com

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