text new page (beta)
Spanish (pdf)
Article in xml format
Article references
Automatic translation
Send this article by e-mail
Cited by SciELO 
Similars in
SciELO 
Permalink
Introducción
Las plantaciones forestales favorecen el uso social, ecológico, económico y garantizan la sostenibilidad de los recursos forestales de la sociedad actual y las generaciones futuras (Martínez, Azpiroz, Rodríguez de la O, Cetina y Gutiérrez, 2006; Pereira, Imaña-Encinas y Rezende, 2012). Empresas dedicadas a esta actividad requieren de datos confiables para hacer un óptimo aprovechamiento de los recursos a través de una buena planeación que ayude a determinar cuándo, dónde y cuánta madera cortar; además de conocer y controlar variables como el volumen del inventario, las tasas de crecimiento, el flujo de caja, el valor actual neto y el valor de retorno sobre la inversión (Chiari, Carrero, Jerez, Quintero y Stock, 2008). Las actividades de inventariar el recurso y de predecir el crecimiento e incremento del mismo, son parte esencial en la administración de una plantación. Por lo tanto, el contar con una herramienta eficiente de inventario que determine el incremento-productividad a través del tiempo implementado en un buen sistema de cómputo facilitarán la administración de las plantaciones comerciales (Santiago, de los Santos-Posadas, Ángeles-Pérez, Valdez-Lazande y Ramírez, 2013).
La estimación del inventario implica definir teóricamente las variables y estimadores que se van a medir, de manera que se facilite el trabajo en campo y proporcione información precisa y confiable (Rojo, Rodríguez, Sánchez, Castedo y Grandas, 2004). Para predecir el incremento y la productividad de una plantación, por lo general, se recurre al uso de modelos matemáticos; estos modelos expresan la realidad biológica a través de ecuaciones (Santiago et al., 2013), conocidas como sistema de crecimiento y rendimiento maderable, las cuales se utilizan para proyectar componentes como la altura dominante, el área basal, la supervivencia residual (mortalidad) y el volumen total, en función de la edad y sus interrelaciones con el rodal (Galán-Larrea, de los Santos-Posadas y Valdez-Hernández, 2008). Una vez definidos los modelos matemáticos, para facilitar su uso, se integran en un sistema de cómputo.
El desarrollo de este sistema requiere utilizar una metodología que cumpla con los requerimientos del usuario y de calidad. Para esto, el proceso unificado racional se ha convertido en un estándar industrial para procesos de software y se fundamenta en las mejores prácticas de desarrollo de software para minimizar las fallas y maximizar la productividad. A lo largo de los años se ha ido mejorando, aplicándose cada vez más en numerosos proyectos y organizaciones en dominios diferentes (Anwar, 2014). Por lo expuesto anteriormente, resulta importante utilizar dichas herramientas e incorporarlas a los procesos de toma de información que se realizan en las plantaciones forestales, ya que permiten la disminución de tiempos de cálculo y errores humanos, así como, analizar y hacer proyecciones de los datos facilitando la toma de decisiones.
Objetivo
Desarrollar un software de calidad aceptable que facilite y agilice el manejo de datos, el cálculo del inventario y la proyección del mismo, a través de tres métodos de muestreo y un sistema de crecimiento y rendimiento maderable para plantaciones comerciales de Eucalyptus.
Materiales y métodos
Área de studio
El trabajo se realizó para una empresa propietaria de plantaciones de eucalipto localizada en el municipio de Las Choapas, Veracruz, México, cuyas coordenadas aproximadas se ubican en los 17° 55’ de latitud norte y 94° 06’ de longitud oeste. El clima predominante en la zona es cálido, con una temperatura media de 27 °C; los ecosistemas coexistentes son las selvas baja perennifolia y baja caducifolia.
Software y hardware
En el análisis, diseño y modelado de datos se utilizó el software Edraw Max® (EdrawSoft, 2009), Microsoft Access® (Microsoft, 2010) y el lenguaje de estructurado de consulta SQL® (IBM, 2008); la base de datos se realizó con el gestor SQLite® (Hipp, 2013), con la ayuda de la interfaz gráfica de desarrollo Sqlitestudio® (Salawa, 2013). Para la codificación del software se recurrió al lenguaje de programación Java® (Sun Microsystems/Oracle Corporation, 2006), a través de la interfaz gráfica Netbeans IDE® (Sun Microsystems/Oracle Corporation, 2013).
Para el desarrollo del proyecto se utilizó una laptop con procesador Intel® Core™2 Duo CPU T6400 a 2.00 GHz, memoria RAM de 4.00 GB y sistema operativo de 32 bits.
Datos dasométricos
Se utilizaron datos tomados en el inventario de 2012 de las plantaciones, con un total de 120 predios, 143 contratos, 224 órdenes y 976 sitios temporales de dimensiones fijas de 500 m2 (de 20 m de ancho por 25 m de largo) distribuidos de forma sistemática con una separación entre ellos cada 200 m, en un área de 5896 ha; cada sitio tenía documentado el número de árboles, el diámetro normal (1.3 m sobre la base del árbol) y la altura total. De la totalidad de los sitios se cuantificaron 32 744 árboles del género Eucalyptus, 32 677 de E. urophylla y 67 de E. grandis, producidos por semilla y vegetativamente (clones).
Estimadores de muestreo y cubicación (estimación de volumen)
Los estimadores usados en el cálculo del inventario pertenecen a un muestreo simple aleatorio (Tabla 1), aleatorio estratificado (Tabla 2), de razón y regresión (Tabla 3) y (Tabla 4) razón bajo estratificación. El volumen de árboles en pie se estimó a través de dos ecuaciones de volumen total con corteza (Roldan, 2013) ajustados para la zona (Tabla 5).
Tabla 1 Estimadores para el Muestreo Simple Aleatorio
yi = volumen con corteza en m3 en el i-ésimo sitio de muestreo; N = número total de unidades de muestreo en la población; n = número de unidades incluidas en la muestra; B = tamaño aceptable del error de estimación o de muestreo; t = distribución t de Student.
Tabla 2 Estimadores para el muestreo aleatorio estratificado
Nh= Número total de unidades muéstrales en el estrato h; L= Número total de estratos en la población; nh = Número total de unidades muéstrales en el estrato h incluidas en la muestra; yh,i = Valor observado de la variable de interés y (volumen con corteza en m3) en la i-ésima unidad muestral en el h-ésimo estrato. Las demás variables son las mismas que en el muestreo aleatorio simple.
Tabla 3 Estimadores para el muestreo de razón (proporción) y regresión
µy = Media poblacional de la variable de interés (principal); µx = Media poblacional de la variable auxiliar; LȒ =Tamaño aceptable del error de estimación o de muestreo; LREG=Tamaño aceptable del error de estimación o de muestreo respecto a ŶREG Las demás variables son las mismas que en el muestreo aleatorio simple.
Tabla 4 Estimadores para el muestreo de razón bajo estratificación
Las variables son las mismas que el muestreo de razón simples, solo que expresadas por estrato.
Sistema de ecuaciones del modelo de crecimiento y rendimiento
El conjunto de ecuaciones utilizadas pertenecen a un modelo explícito hecho especialmente para estas plantaciones; este modelo se encarga de proyectar componentes de altura dominante, área basal, supervivencia residual (mortalidad) y volumen total de la plantación en función de la edad y de sus interrelaciones como componentes del rodal (Tabla 6).
Tabla 6 Ecuaciones del modelo de crecimiento y rendimiento maderable
A= altura dominante (m); AB= área basal (m2 ha-1); N2 =número de árboles sobrevivientes por ha a la Edad final (E2) a partir de la edad de referencia (E1); V= volumen total (m3 ha-1); E = edad (años); DQ = diámetro cuadrático obtenido de manera implícita (m2); E1 = edad inicial; E2 =edad final.
Desarrollo de software
El software se construyó bajo el proceso unificado racional (rational unified process, “RUP”) y el lenguaje unificado de modelado (unified modeling language,”UML”). El proceso unificado de desarrollo de software es un conjunto de actividades usadas para transformar los requisitos de un usuario en un software; cuenta con tres características clave: dirigido a casos de uso, centrado en la arquitectura, iterativo e incremental (Pereira, 2011). Este proceso involucra cuatro fases (inicio, elaboración, construcción, transición) y nueve disciplinas, las cuales son repetibles en cada fase (modelado del negocio, requisitos, análisis y diseño, implementación, pruebas, despliegue, gestión del cambio y configuraciones, gestión del proyecto, entorno). A las seis primeras disciplinas se les conoce como flujos de trabajo del proceso y a las tres últimas como flujos de trabajo de soporte (Addetla, Gorde, Ghadge, Kusal y Bongale, 2014).
La reciprocidad que tiene RUP con UML es muy estrecha, ya que el primero establece las actividades y los criterios para construir un sistema desde el máximo nivel de abstracción (ideas), hasta el nivel más concreto (software); mientras que el segundo ofrece una perspectiva gráfica para representar y documentar los modelos en cada iteración (Pereira, 2011). Ambas metodologías se usaron de forma complementaria para desarrollar las fases y los diagramas del software.
Análisis del Sistema
El sistema usado por la empresa correspondía a una aplicación semiautomatizada de ambos procesos, los cuales eran tardados en la obtención, la captura y el procesamiento de la información (Fig. 1).
Modelado de datos
Las aplicaciones de software requieren de un proceso disciplinado en el diseño de la información almacenada, la base de datos. En la actualidad se comercializan productos que soportan el modelo relacional, gestores de objetos y sistemas de gestión relacionales (Hernández, 2004). El modelo relacional se crea a partir un conjunto de tablas (relaciones), a las cuales se les aplican operaciones de normalización con el objeto de construir un esquema óptimo que permita tener una visión clara de la información de un problema o negocio. Su construcción se fundamenta en la independencia física y lógica, flexibilidad, uniformidad y sencillez.; mientras que la estructura se establece a través de las tablas, hileras, columnas, grado, cardinalidad y dominio (Codd, 1970).
El diseño de la información almacenada para el software, consistió en restructurar un archivo Microsoft Excel con los datos del inventario 2012 y convertirlo a un modelo relacional. Este proceso requirió la separación de las columnas del archivo original en agrupaciones semejantes de datos para diseñar las afinidades. Posteriormente, la información de cada grupo se envió a una hoja de Excel, donde se hizo el filtrado de datos a través de tablas dinámicas; en el caso de filtrados más complejos se recurrió al uso de Microsoft Access y el lenguaje de consulta estructurado SQL (por sus siglas en inglés: structured query language). Después, se ordenó y se guardó la información en archivos delimitados por comas, los cuales se exportaron a cada una de las afinidades de la base de datos en SQLite, a través de la interfaz gráfica de desarrollo Sqlitestudio.
Descripción del Sistema
El sistema propuesto cuenta con dos módulos, el cálculo del inventario y el sistema de proyección maderable, ambos fueron rediseñados; el primero de ellos se adecuó para tener una mejor aproximación de las existencias en la plantación. Esto se hizo al agregar más tipos de muestreo para tener una mayor amplitud en la estimación y toma de decisiones en menor tiempo y sin tanta manipulación de datos (Fig. 2).
Presenta los pasos para estimar la cantidad total de madera en las plantaciones
Figura 2 Diagrama de actividad para el módulo del inventario del modelo automatizado objeto de este estudio.
El segundo módulo, hace la proyección maderable de la plantación, proporciona una estimación futura de los recursos y deja listos los datos para hacer una planeación adecuada de los mismos (Fig. 3). En ambos casos, el propósito inicial fue lograr la simplicidad, la eficiencia y la facilidad de uso de la información en el sistema.
Codificación
La codificación de los módulos se hizo a través del lenguaje java. En total se codificaron quince clases, diez de ellas para el procesamiento de datos y cálculos y cinco para hacer funcionar el sistema. La interfaz es fácil de usar, con opciones para navegar entre pantallas y presentar resultados en forma sencilla y entendible.
Pruebas
Validación numérica
La validación de los módulos se realizó al comparar los resultados obtenidos con el proceso tradicionalmente empleado por la empresa, con los resultados obtenidos en el software.
Calidad del software
Para la evaluación del software se aplicó la metodología propuesta por Gómez-Reynoso, Muñoz-Andrade y Macías-Díaz (2010), la cual se centra en el concepto de calidad orientada al uso y satisfacción del usuario, sugerida por Ramani (2007). Esta técnica integra los atributos de los modelos de calidad (McCall e ISO 9126) y establece qué factores deben evaluarse, cómo deben medirse y en qué términos (Fig. 4). Para aplicar la prueba se crearon 22 preguntas y una escala de respuestas posibles (de 1 “Excelente” a 5 “Mala”).
Figura 4 Unificación de la calidad por medio de los modelos (McCall e ISO 9126) considerando cinco atributos y once factores, destinados al usuario, para evaluar la calidad de software.
El cuestionario se aplicó a 12 usuarios finales quienes estaban capacitados en la realización de los cálculos y el análisis de resultados. Los resultados obtenidos de los cuestionarios se analizaron mediante estadística descriptiva con base en los factores y escalas definidos; los valores de las medias se calificaron de acuerdo con las siguientes categorías de calidad, para valores entre 1.000 y 1.500 como “Excelente”, de 1.501 a 2.500 como “Buena”, de 2.501 a 3.500 como “Aceptable” y cualquier valor superior a 3.500 fue considerado como “No aceptable”.
Resultados y discusión
La base de datos del sistema fue diseñada bajo el esquema del modelo relacional y, como resultado de aplicarle el proceso de normalización, se evitó la duplicidad de datos y se garantizó la integridad de la información obteniéndose el siguiente modelo (Fig. 5).
Figura 5 Modelo relacional de base de datos. Incluye siete afinidades (Árboles, Sitio, Predios, Contratos, Orden, Inventario y Usuarios) y cinco relaciones (uno a muchos).
La presentación de los cálculos del inventario y el simulador maderable se realizó a través de pantallas gráficas de acceso cómodo, visualización simple y de fácil uso. La pantalla del inventario contiene las opciones para registrar información (predios, contratos, órdenes, sitios y árboles) y para calcular los totales, estimadores e inventario de las variables evaluadas para los cuatro tipos de muestreo (Fig. 6).
Figura 6 Pantalla del módulo de estimación del inventario indicando los estimadores del muestreo aleatorio simple.
La pantalla del simulador muestra en una tabla los valores iniciales y proyectados de las variables (índice de sitio, edad, área basal, mortalidad y volumen) en un periodo de tiempo elegido, el cual se puede establecer en años o meses (Fig. 7).
Figura 7 Pantalla del módulo de proyección del crecimiento y rendimiento maderable; en ella se observan los valores (iniciales y finales) de las variables, después de hacer la proyección.
Validación experimental
Los valores obtenidos a través del proceso aplicado por la empresa corresponden a los mismos valores obtenidos en el software. En un estudio semejante entre un proceso semiautomatizado y un software, Zavala, Saucedo y Fuentes (2014) encontraron que en ambos casos no hubo diferencias significativas entre los resultados numéricos de los procesos. Esto se debe a que en la transición de un proceso a otro las conversiones de métodos y datos se hicieron de forma correcta (Tabla 7).
Calidad del software
Lo resultados de la prueba de la calidad demostraron que el valor máximo del promedio correspondió al factor de conformidad, 2.883 y el valor mínimo 2.167, para el factor de adaptabilidad; el factor “mejor calificado” es aquel que tiene el valor más pequeño (Tabla 8).
De los once factores de calidad se encontró que 55% de los mismos presenta un nivel de calidad buena y que 45% cumple con una calidad aceptable (Figura 8). Gómez-Reynoso et al (2010) encontraron que al integrar al usuario en la evaluación, se incrementó la calidad del software significativamente, en 10 de los 11 factores analizados.
Figura 8 Categorías de calidad por factor. Los valores por encima de las barras representan la media de cada factor de calidad, se puede apreciar que seis de ellos se encuentran en un nivel de calidad buena y los otros cinco tienen una calidad aceptable.
En tanto, la evaluación hecha por los usuarios finales al software, con los mismos factores de calidad, determinaron que 67% el sistema es de buena calidad y 33% que tiene una calidad aceptable (Tabla 9).
El uso de la metodología RUP por los desarrolladores, principalmente, se basa en dos razones: 1) proporciona una buena documentación de sus actividades y, 2) tiene un enfoque iterativo; ambas dan consistencia al desarrollo de aplicaciones, pero para tener un proceso de certificación adecuado se debería evaluar la calidad al final de cada iteración, esto aumentaría en gran medida la calidad del software y garantizaría cero defectos (Ahmad et al., 2011). Además, permite a los desarrolladores seleccionar y desplegar solamente los componentes de procesos que sean necesarios y el uso de iteraciones aumenta, en gran medida, la calidad del software producido (Anwar, 2014). La mayoría de estos procesos se centran, principalmente, en el cumplimiento de las especificaciones técnicas y de procesos, haciendo a un lado la usabilidad del producto y desechando los beneficios significativos, como el aumento de la eficiencia, la mejora de la productividad, la reducción de errores, el entrenamiento reducido y una mejor aceptación (Ramani, 2007). Por lo tanto, el éxito funcional y económico está directamente relacionado con la calidad de los requisitos, si estos se adicionan, se suprimen o modifican, impactan directamente en el costo, el tiempo y la calidad del producto final.
Nirpal y Kale (2011) señalan que una métrica es la piedra angular en la evaluación y la mejora de un software y que el nivel de satisfacción del cliente es el indicador preferencial de calidad. Por tanto, deben utilizarse en la fase temprana del ciclo de vida de desarrollo, de modo que ayuden a detectar y corregir errores de requisitos y evitar errores que puedan surgir en las fases posteriores (Dhawan, 2012). Las métricas pueden identificar problemas potenciales de errores y disminuir costes de desarrollo, siempre y cuando estén bien diseñadas, con objetivos documentados (Yadav, Singh y Yadav, 2011) y encaminadas hacia el uso de prototipos y de los usuarios (García-Mireles, Moraga, García y Piattini, 2013). Finalmente, es importante considerar los factores de calidad, como la integridad, la corrección, la adaptabilidad y la comprensibilidad. (Halem, Rizwan y Ahmad, 2013; Nazir, Khan y Mustafa, 2010), para la definición adecuada en el nivel de calidad del software.
Conclusiones
Los módulos del inventario y el simulador son confiables en sus estimaciones de volumen maderable. En el inventario la implementación de más estimadores permitió al usuario visualizar diferentes escenarios y tomar la mejor decisión probable, mientras que el simulador ofreció una proyección del volumen proporcionando a los usuarios una mejor perspectiva del comportamiento de la plantación. Se comprobó que al tomar en cuenta al usuario en la evaluación del software, este representa un factor significativo en la obtención de la calidad del mismo. Además, la calidad del software se estableció en un nivel entre bueno y aceptable de entre todos los factores analizados resultando mayoritariamente bueno, es decir, satisface las necesidades esenciales requeridas por el usuario final. Esto sugiere que los usuarios ponen especial énfasis en ciertos aspectos que en ocasiones los desarrolladores de software tienden a omitir. Finalmente el proceso implícito que tiene el software para capturar, almacenar y procesar la información, mejoró al proceso anterior en tiempo y administración de datos.
