SciELO - Scientific Electronic Library Online

 
vol.24 número3Propiedades materiales e índices de rendimiento acústico de veintidós maderas mexicanas. Determinación por ultrasonidoCapital humano e innovación en el proceso de integración del aprovechamiento forestal maderable en el ejido Gómez Tepeteno, Tlatlauquitepec, Puebla 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


Madera y bosques

versión On-line ISSN 2448-7597versión impresa ISSN 1405-0471

Madera bosques vol.24 no.3 Xalapa dic. 2018  Epub 01-Nov-2018

https://doi.org/10.21829/myb.2018.2431529 

Artículos científicos

Disponibilidad de residuos forestales y su potencial para la generación de energía en los bosques templados de El Salto, Durango

Availability of forest residues and potential for energy production in temperate forests in El Salto, Durango

Juan Martín Villela-Suárez1 

Oscar Alberto Aguirre-Calderón2 

Eduardo Javier Treviño-Garza2 

Benedicto Vargas-Larreta3  * 

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

2Universidad Autónoma de Nuevo León. Facultad de Ciencias Forestales. Linares, Nuevo León, México.

3Instituto Tecnológico de El Salto. El Salto, P. N., Durango, México.


Resumen

Los residuos de la cosecha forestal son una fuente de energía renovable que no ha sido considerada todavía a gran escala en México y para su estimación se requiere de evaluaciones cada vez más precisas. En este estudio se desarrollaron ecuaciones para estimar el volumen de residuos forestales y se cuantificó la disponibilidad de biomasa y su potencial para generar energía eléctrica y reducir emisiones de CO2 en la región de El Salto, Durango. La metodología se dividió en tres fases: i) se obtuvo el volumen total autorizado de los programas de manejo forestal maderable de 20 ejidos de la región; ii) se derribaron y cubicaron 2156 árboles en las áreas de corta de los 20 ejidos para generar ecuaciones de volumen de residuos a escala de árbol individual; y iii) el volumen de residuos fue convertido a toneladas de biomasa empleando los valores de densidad de la madera para posteriormente transformar este valor a unidades de energía eléctrica. Dado que las especies estudiadas constituyen bosques mezclados, manejados con el mismo tratamiento silvícola y edad de rotación, se evaluaron las diferencias entre especies en las ecuaciones de volumen de residuos, utilizando el método de la suma adicional de cuadrados no lineales. Los parámetros de las ecuaciones de volumen de residuos fueron significativamente diferentes entre la mayoría de las especies. La cantidad de residuos a escala de árbol fue mayor en las especies del género Quercus, mientras que la cantidad de residuos forestales disponibles por ciclo de corta fue mayor en las especies del género Pinus. Alrededor de 31 000 Mg año-1 de residuos forestales pueden utilizarse en la región para generar aproximadamente 65.6 GW h año-1, considerando el uso de una tecnología con una eficiencia mínima de 40%.

Palabras clave: bioenergía; biomasa; ejido; kW h; programa de manejo

Abstract

Forest harvest residues are a source of renewable energyfor which their use has not yet been considered on a large scale in Mexico and for whose quantification, increasingly accurate assessments are required. In this study equations were developed to estimate the volume of forest residues in order to assess the regional availability of logging residues and their potential for electricity generation and CO2 emission displacement in the forest region El Salto, Durango. The methodology consisted of three steps: i) the forest management programs of 20 ejidos were revised to calculate the available total volume; (ii) 2156 trees from the harvest areas were felled and its volume estimated to develop tree-level residues equations; and (iii) the volume of waste was converted to tons of biomass using the wood density values each group species, and then this value was transformed to units of electrical energy. Due to these species often constitute mixed stands with the same silvicultural treatments and rotation age, differences among species in the volume residues equations were examined using the nonlinear extra sum of squares method. The model parameters were significantly different among species. The amount of forest residues at the tree scale was higher in the Quercus species, while the amount of forest residues was higher, per cut cycle, in Pinus species. Around 31 000 Mg year-1 of forest residues can be used to generate approximately 65.6 GW year-1, considering the use of a technology with a minimum efficiency of 40%.

Keywords: bioenergy; biomass; ejido; kW h; forest management program

Introducción

La utilización de biomasa forestal con fines bioenergéticos ha incrementado sustancialmente en los últimos años en muchas partes del mundo para convertirse en uno de los temas que reciben más atención de científicos, tomadores de decisiones y grupos de interés del sector energético en el contexto de las energías renovables (Ferranti, 2014). A pesar de sus bondades, la biomasa en general (no solo la forestal) no es considerada como la única alternativa para solucionar el problema de dependencia de los combustibles fósiles, por lo que su uso se ha combinado con otros tipos de tecnología limpia, como la hidroeléctrica, la solar o la geotérmica. De igual forma, la biomasa es la materia prima para otros tipos de energía renovable, como los biocombustibles (bioetanol, biodiesel) generados a partir de leña, residuos forestales, carbón vegetal, desechos agrícolas como la paja y el bagazo, así como algas y otros sólidos (Hamelinck, Van Hooijdonk y Faaij, 2005; Hammerschlag, 2006; Pérez-Verdin, Návar-Cháidez, Grebner y Soto-Álvarez, 2012). No obstante, la biomasa forestal, como fuente de energía renovable, es uno de los pilares de las políticas internacionales en la lucha por alcanzar los objetivos de reducción de gases de efecto invernadero (GEI). La idea de que la energía producida por la madera reduce las emisiones de GEI se basa en el supuesto de una neutralidad de carbono (Ferranti, 2014), que se asume real si se considera que la biomasa extraída del bosque y consumida en un proceso de generación de energía, es reemplazada en el largo plazo por nueva biomasa resultado del crecimiento del bosque, la cual reabsorbe el carbono emitido por el proceso de generación.

El watt (W) es una unidad de energía, por lo que un watthora es la energía necesaria para mantener una potencia constante de un watt durante una hora. Desde el punto de vista del consumo de energía, el kilowatthora (kW h) y megawatthora (MW h) son empleados más frecuentemente. El kilowatthora equivale a 1000 watthoras y se usa generalmente para la facturación del consumo eléctrico domiciliario, mientras que el MW h (1000 kW h), suele emplearse para medir el consumo de conglomerados urbanos. Por ejemplo, cuando se expresa el valor 100 W h se entiende indistintamente que se trata de la energía necesaria para mantener encendida una bombilla de 100 W durante una hora, o bien una pequeña luz de apenas 1 W durante 100 horas. Múltiplos aún más grandes como el gigawatt hora (GW h), el terawatthora (TW h) o el kilowatt-año (kW año-1), son utilizados para referirse a las energías producidas por las centrales eléctricas durante un cierto período (Wright, Boundy, Perlack, Davis y Saulsbury, 2006).

El uso de la biomasa vegetal para producir electricidad creció en promedio 13 TW h año-1 del año 2000 al 2008, por lo cual en la actualidad existen muchos países productores de electricidad a partir de biomasa, siendo Estados Unidos el de mayor participación (26%), seguido de Alemania (15%), Brasil y Japón (ambos con 7%) (Evans, Strezov y Evans, 2010). Se espera que la participación de la biomasa para la generación eléctrica mundial aumente 175% en el año 2030 (Organización de las Naciones Unidas para la Alimentación y la Agricultura [FAO], 2010).

En los bosques de la región forestal de El Salto, Durango, una parte significativa de la biomasa forestal (ramas y puntas de los árboles), por lo general no se recupera durante el proceso de cosecha, ya que no se puede convertir fácilmente en productos utilizables como la madera aserrada, y son triturados y esparcidos o acomodados formando líneas sobre el terreno en la misma área de corta. Parte de estos residuos, principalmente de encino, son utilizados por los pobladores locales como leña para combustible en sus hogares. Al convertir los residuos en trozos pequeños, es posible su utilización como combustible y cuando se añaden los residuos de los aserraderos, el volumen de combustible disponible puede ser suficiente para crear una valiosa fuente de materia prima para su transformación en energía renovable (Kennedy, 2008). Estudios realizados a escala global (Smeets y Faaij, 2007) y en países como Rumania (Scarlat, Blujdea y Dallemand, 2011), Estados Unidos (Gan y Smith, 2006), Finlandia (Peltola, Kilpelainen y Asikainen, 2011) y Noruega (Hauglin, Gobakken, Lien, Bollandsas y Naesset, 2012) son muestra del actual interés en el aprovechamiento de los residuos forestales como una fuente importante de bioenergía.

El dióxido de carbono equivalente (CO2e) es una unidad universal de medición utilizada para indicar la posibilidad de calentamiento global de cada uno de los gases con efecto invernadero. En ese sentido, el “potencial de calentamiento global” de los tres gases con efecto invernadero asociados con la silvicultura es el siguiente: dióxido de carbono, que persiste en la atmósfera entre 200 años y 450 años, es definido como un potencial 1 del calentamiento mundial; el metano, que persiste en la atmósfera entre 9 años y 15 años, tiene un potencial de calentamiento global 22 (22 veces la capacidad de calentamiento del dióxido de carbono); y el óxido nitroso, que persiste por unos 120 años, tiene un potencial de calentamiento global 310 (Kennedy, 2008).

Estudios recientes presentan escenarios en los que se examina a detalle el papel futuro de la bioenergía en México. El primero de ellos (Islas, Manzini y Masera, 2007), establece que la bioenergía podría representar 16% del total de la energía consumida en el país para el 2030, y podría mitigar 18% de las emisiones de CO2 para ese año. Los detalles de este estudio se presentan en Masera et al. (2006). El segundo estudio evaluó el potencial para reducir emisiones de GEI en México en el período 2008-2030 (Johnson, Alatorre, Romo y Liu, 2009), en el cual se estimó que las emisiones del escenario base alcanzarán 1137 megatoneladas de CO2 equivalente (MtCO2e) en 2030, partiendo de 659 MtCO2e en 2008. En contraste, se reducirán las emisiones en 477 MtCO2e para 2030 con respecto a la línea base. En otras palabras, según este escenario, México podría estabilizar sus emisiones de GEI en el año 2030 con estas opciones, pero las aumentaría 72% si no lo hace.

Pese a su importancia, en México aún existe poca información respecto a la cuantificación y disponibilidad de residuos derivados de la cosecha forestal, así como de su potencial para la generación de bioenergía.

Objetivos

Desarrollar ecuaciones de volumen de residuos forestales en la región de El Salto, Durango, así como cuantificar la disponibilidad de biomasa y evaluar su potencial de generación de energía eléctrica y de reducción de emisiones de carbono.

Materiales y métodos

Área de estudio

El área de estudio abarca una superficie bajo manejo de 123 822 ha y se ubica en el suroeste del estado de Durango, en la región forestal de Pueblo Nuevo (Fig. 1). Se localiza dentro de la cadena de montañas de la Sierra Madre Occidental, la cual se considera una de las regiones con mayor biodiversidad de América del Norte y contiene aproximadamente dos terceras partes de las existencias volumétricas de México, 23 especies de pino y cerca de 200 especies de encino (World Wildlife Found y Hogan, 2013).

Figura 1 Ubicación del área de estudio en el contexto nacional y estatal (en negro los puntos de muestreo). 

Muestra

Para estimar la proporción que representa el volumen de las puntas y ramas respecto al volumen total del árbol, se derribaron y seccionaron 2156 árboles de especies comerciales (Tabla 1). La cubicación de los árboles se realizó por secciones usando la fórmula de Smalian; la punta se cubicó como un cono. El volumen de las ramas se calculó siguiendo el mismo procedimiento (por secciones).

Tabla 1 Distribución de la muestra por especie. 

Código Especie Intervalo diamétrico (cm) No. de árboles
1 Pinus cooperi 10.0-61.6 167
2 Pinus durangensis 9.2-68.6 194
3 Pinus engelmannii 9.5-52.5 166
4 Pinus leiophylla 9.5-58.5 174
5 Pinus herrerae 9.8-59.5 148
6 Pinus teocote 8.6-63.3 177
7 Pinus lumholtzii 8.5-45.7 107
8 Pinus ayacahuite 8.3-54.8 106
9 Pinus oocarpa 9.0-46.6 160
10 Pinus douglasiana 9.5-43.2 217
11 Pinus michoacana 9.1-60.3 141
12 Pinus maximinoi 10.0-45.3 87
170 Quercus spp 8.2-57.5 164
172 Quercus durifolia 9.5-56.5 148
Total 2156

El volumen total del árbol se estimó sumando el volumen total del fuste (secciones + punta) y de las ramas. Debido al pequeño tamaño de muestra obtenido para Q. rugosa, Q. fulva, Q. sideroxyla y Q. crassifolia, estas especies se clasifi-caron como el grupo Quercus spp; para Quercus durifolia sí se tuvo el tamaño de muestra suficiente para ser considerada de manera independiente en el análisis. Los árboles fueron seleccionados mediante un muestreo dirigido para asegu-rarse de que estuvieran representadas todas las calidades de estación de la región, así como también la distribución de los árboles en términos de clases de diámetro y altura. A cada árbol se le midió el diámetro normal con corteza (D, en centímetros), la altura total (H, en metros), el diámetro de copa (C, en metros), el diámetro con corteza de cada troza (d, en centímetros), la longitud de cada troza (l, en metros) y el diámetro con corteza para todas las ramas de más de 5 cm de diámetro en la base. Una vez seccionados los árboles, se desramaron y se procedió a la separación en sus diferentes fracciones de biomasa (fuste, puntas y ramas). Todos los componentes fueron pesados en campo con una báscula con resolución de ± 0.98 N (0.1 kg), marca Torrey®, modelo EQM 200-400 con capacidad de 9807 N (1 t); además, los discos de madera (rodajas) obtenidos de cada sección, así como una muestra de ramas (19.6 N; 2 kg) obtenidas al azar de la copa del árbol, fueron pesados en verde y llevados a laboratorio para ser secados en una estufa marca Yamato, modelo DNE910, a una temperatura de 70 °C hasta peso constante. Esta información permitió calcular la relación volumen verde-peso seco.

Cuantificación del volumen de residuos forestales

El volumen de las trozas, así como el de las secciones de las ramas, se calculó mediante la fórmula de Smalian, mientras que el volumen de las puntas de los fustes y ramas fue calculado con la fórmula del cono; el diámetro en la base de las puntas osciló entre 5 cm y 10 cm. Las ramas menores de 5 cm de diámetro en la base, las hojas o acículas y las raíces no se incluyeron en la evaluación, ya que fueron consideradas como criterio de restricción ecológica para garantizar la incorporación de nutrientes al suelo (Borjesson, 2000). Los tocones tampoco fueron incluidos, ya que en la región estos no se consideran residuo recuperable de la cosecha. Para calcular el volumen de residuos disponible a escala de árbol, el volumen de la punta (v punta, m3) se restó del volumen del fuste (v f, m3); una vez conocido el volumen de ramas (v ramas, m3) se calculó el factor que estima los residuos, es decir, el volumen de las ramas más el de la punta (v rp, m3) respecto al volumen total (v total = v f + v ramas) mediante la relación:

vrp=vramas+vpunta/vtotal (1)

Modelación del volumen de residuos

Para el ajuste de las ecuaciones del volumen de residuos a escala de árbol individual, se emplearon tres enfoques: 1) ajustar la ecuación de forma independiente a cada una de las especies objeto de estudio, para lo cual el volumen de residuos disponible (v r = v ramas + v punta) a escala de árbol individual fue modelado utilizando la ecuación 2, que relaciona el volumen de residuos con el diámetro a la altura de pecho y el diámetro de la copa del árbol.

vr=a0Da1Ca2+e (2)

donde:

v r =

volumen de residuos (m3)

D =

diámetro normal (cm)

C =

diámetro de copa (m)

a i =

parámetros del modelo

e =

error con distribución normal

2) agrupar por pares aquellas especies cuyos modelos no resultaron significativamente mejores en el ajuste individual y ajustar un modelo único que agrupara ambas especies, donde la hipótesis a probar fue que no existe ganancia en la disminución de los errores al utilizar el modelo único o los modelos individuales por especie; y 3) agrupar las especies por género y ajustar una única ecuación para cada grupo. El tercer enfoque tiene la ventaja de que no se requiere distinguir una especie de otra en campo para aplicar una ecuación determinada, aunque podría tener el inconve-niente de que los errores pueden ser mayores, en algunos casos, que los obtenidos con una ecuación específica para cada especie (primer enfoque) o par de especies (segundo enfoque). El tercer enfoque se considera una solución intermedia entre los dos primeros, puesto que, en el caso de poder agrupar especies, se reduce el número de ecuaciones y evita la diferenciación de especies en campo, sin que la pérdida de bondad de ajuste de las ecuaciones sea estadísticamente significativa.

Para evaluar si la ecuación de volumen de residuos (ec. 2) difiere entre especies de un mismo género, se ajustaron dos modelos diferentes: un modelo denominado reducido, en el que los datos del par de especies agrupadas (especies i,j) se unen y se ajusta la ecuación 2 a todo el conjunto de datos; y un modelo denominado completo en el que cada parámetro de la ecuación 2 se expande empleando una variable dicotómica dummy para diferenciar entre especies; de esta manera se obtuvo la ecuación 3:

vr= (a0i+a0jIj)D(a1i+a1jIj)C(a2i+a2jIj) (3)

donde a ij son parámetros del modelo e I j es una variable dicotómica que toma el valor 1 para la especie de referencia i (que será la primera en cada combinación de pares de especies) y el valor 0 para la especie j (la segunda en cada par de especies). El modelo reducido correspondió al mismo conjunto de parámetros para cada par de especies comparadas, mientras que el modelo completo correspondió a diferentes conjuntos de parámetros para cada especie. La comparación entre el modelo reducido y el modelo completo para cada par de especies analizado se realizó mediante el método de la suma adicional de cuadrados no lineales (Bates y Watts, 1988) cuya prueba estadística F* se define como:

F*=SSER-SSEC/[dfR-dfC][SSEC/ dfC] (4)

donde F* sigue una distribución F de Snedecor; SSE(R) es la suma de cuadrados del error del modelo reducido; SSE (C) es la suma de cuadrados del error del modelo completo y df R y df C son los grados de libertad del error en el modelo reducido y en el modelo completo, respectivamente.

El valor de la prueba de F* obtenido con la ecuación 4 se comparó con el valor tabulado de F con α = 0.05; si F* > F tabulada (1 - α; df R - df C, df C) o si la probabilidad asociada (P > F tabulada) < α, se rechaza la hipótesis nula (H0: no existe diferencia entre especies), lo cual implica que los parámetros del modelo de regresión difieren entre especies por lo que se requiere el uso de una ecuación específica para la predicción del volumen de residuos de las especies comparadas (Weisberg, 1980; Draper y Smith, 1981; Montgomery y Peck, 1982). En caso contrario, se aceptaría el uso del modelo reducido (mismo conjunto de parámetros) para las especies agrupadas. El modelo completo (ec. 4) de cada una de las posibles combinaciones de pares de especies de pino se comparó con su correspondiente modelo reducido usando la prueba de F*. Solamente en los casos en que se obtuvo un valor de F (P > 0.05) se consideró que la ecuación de volumen de residuos para esas dos especies era similar y, por lo tanto, dichas especies se combinaron.

Análisis preliminares de los residuos mostraron un problema de heterocedasticidad asociado al uso de modelos alométricos para estimar el volumen de residuos, lo que supone una violación de las hipótesis de partida del ajuste por mínimos cuadrados. Para corregirlo, el ajuste de los modelos se llevó a cabo mediante regresión ponderada, de modo que a cada observación se le asignó un peso igual a la inversa de su varianza σi2 . Aunque esta varianza es desconocida, se considera que la varianza del error de la i-ésima observación puede ser modelizada como una función potencial de las variables independientes del modelo empleado, en este caso D y C, por tanto, σi2(D2C) (Harvey, 1976). El valor del término potencial k se optimizó para obtener el gráfico de distribución de residuos estudentizados más homogéneo. Los parámetros fueron estimados con el procedimiento PROC MODEL del paquete estadístico SAS/ETSTM (Statistical Analysis System [SAS], 2011).

Análisis estadístico

La bondad de ajuste de los modelos se midió a través del análisis de los residuales y mediante el empleo de dos estadísticos: el coeficiente de determinación ajustado ( Radj2 ) (ec. 5) y la raíz del error medio cuadrático (REMC) (ec. 6), así como la significancia de los parámetros a través del error estándar (EStd) y el valor de t (pr > |t|).

Radj2=1-(n-1)i-1n(yi-y^i)2(n-p)i-1n(yi-y-)2 (5)

REMC=i-1n(yi-y^i)2n-p (6)

Donde yi, y^i e y- son los valores observados, predichos y promedio de la variable dependiente, n es el número de observaciones y p es el número de parámetros del modelo.

Cuantificación del volumen de residuos disponibles a escala regional

Con las ecuaciones desarrolladas se estimó el volumen de residuos disponibles a escala árbol y por especie, así como para el conjunto de árboles a escala subrodal, rodal y predio, calculando el volumen de residuos para el árbol tipo de cada categoría diamétrica y especie y multiplicando este valor por el número de árboles de dicha categoría. Las ecuaciones de volumen de residuos desarrolladas se aplicaron a los datos de los inventarios de los programas de manejo de los 20 ejidos de la región y se cuantificaron los residuos forestales disponibles en el área de estudio. Los bosques de la región se manejan con un sistema silvícola que se basa en los principios del manejo regular e irregular, bajo los lineamientos del Método de Desarrollo Silvícola (MDS), el cual consta de una corta de establecimiento, tres o cuatro cortas intermedias y una corta final, y del Método Mexicano de Ordenación de Bosques Irregulares (MMOBI), que se caracteriza por la aplicación de cortas selectivas a lo largo de la vida de la masa (Pro Floresta, 2008).

Generación de electricidad y desplazamiento de carbono

El siguiente paso fue transformar el volumen de residuos recuperables a electricidad potencialmente generable. Dicha conversión involucró, primero, la trasformación del volumen de residuos a peso de biomasa, para lo cual se empleó la ecuación W r = d m·vr, donde W r es la cantidad de residuos secos (biomasa, en Mg), d m es la densidad promedio de la madera y vr es el volumen de residuos (m3). Debido a la coexistencia de múltiples especies en los bosques del área de estudio, la densidad básica utilizada fue la señalada por Kennedy (2008), quien obtuvo un valor promedio ponderado de las especies más comunes (0.46 para el grupo de especies de Pinus y 0.64 para las especies de Quercus). La suma de la biomasa disponible por especie y por ejido fue luego convertida a cantidad de energía eléctrica generable, para lo cual se utilizó el valor mencionado por Gan y Smith (2006), quienes señalan que 1 tonelada de biomasa contiene una energía de 19.19 GJ, equivalente a 0.0053 GW h.

Con base en las estimaciones de electricidad generada, se calculó la cantidad de emisiones de CO2 que sería posible desplazar al sustituir el proceso de generación de energía eléctrica actual por una tecnología de generación a partir de residuos de biomasa forestal. Para esto se utilizó el factor 0.54 publicado por Kennedy (2008), el cual indica que 1 tonelada de biomasa quemada en un sistema de generación equivale a 0.54 toneladas de CO2 equivalente (tCO2e) de reducción de emisiones. Se consideró que las emisiones netas de una planta de generación a partir de biomasa son iguales a cero (Evans et al., 2010).

Resultados

Modelo predictivo de residuos a escala de árbol individual

El intervalo de valores de residuos disponibles (biomasa) a escala de árbol individual osciló entre 0.003 m3 (1.39 kg) para Pinus teocote y 0.44 m3 (202.21 kg) para P. herrerae, en el grupo Pinus, y entre 0.025 m3 (1.52 kg) y 0.485 m3 (310.3 kg) para Quercus durifolia dentro del grupo Quercus. En todos los casos, la cantidad de residuos incrementó marcadamente con el diámetro normal (Fig. 2). En la tabla 2 se muestran los estimadores de los parámetros, su error estándar y la significancia, así como los estadísticos de bondad de ajuste del modelo individual para cada especie (ec. 2).

Figura 2 Volumen total de residuos (m3) observado (círculos grises) y estimado (círculos negros) para cada especie. 

Tabla 2 Parámetros estimados y estadísticos de bondad de ajuste del modelo individual 

Sp Parm Estimador EStd REMC (m 3 ) R 2 adj
1 a0 0.000009 0.000005 0.043 0.780
a1 2.136932 0.2803
a2 0.688671 0.2671
2 a0 0.00001 0.000005 0.030 0.836
a1 2.261934 0.2032
a2 0.340109 0.1771
3 a0 0.00001 0.000004 0.026 0.879
a1 2.303995 0.1966
a2 0.511378 0.1647
4 a0 0.000013 0.000009 0.031 0.729
a1 1.87904 0.1892
5 a0 0.000011 0.000009 0.031 0.773
a1 1.974993 0.2998
a2 0.832715 0.2316
6 a0 0.00004 0.000016 0.025 0.770
a1 1.57377 0.1164
7 a0 0.000007 0.000003 0.026 0.845
a1 2.57172 0.1850
a2 0.310612 0.1920
8 a0 0.000027 0.000011 0.012 0.859
a1 1.857894 0.1825
a2 0.544918 0.2174
9 a0 0.000047 0.000025 0.035 0.645
a1 1.570357 0.1486
10 a0 0.000009 0.000003 0.018 0.833
a1 2.332987 0.1451
a2 0.41663 0.1161
11 a0 0.000011 0.000005 0.024 0.849
a1 2.308282 0.1666
a2 0.368689 0.1539
12 a0 0.000053 0.000042 0.016 0.730
a1 1.731934 0.3564
a2 0.529313 0.2683
170 a0 0.000008 0.000003 0.026 0.870
a1 2.358227 0.1976
a2 0.539605 0.2360
172 a0 0.000069 0.000029 0.033 0.788
a1 1.724895 0.1900
a2 0.715981 0.1761

Sp = Código de identificación de la especie, Parm = Parámetros del modelo, EStd = Error estándar; 1 = Pinus cooperi, 2 = P. durangensis, 3 = P. engelmannii, 4 = P. leiophylla, 5 = P. herrerae, 6 = P. teocote, 7 = P. lumholtzii, 8 = P. ayacahuite, 9 = P. oocarpa, 10 = P. douglasiana, 11 = P. michoacana, 12 = P. maximinoi, 170 = Quercus spp, 172 = Q. durifolia.

Los parámetros fueron altamente significativos (α = 5%), excepto el parámetro a 0 para las especies 1, 2, 4, 5, 9 y 12. En todo caso, puesto que el modelo no tiene sentido sin este parámetro, se decidió mantenerlo. Se obtuvieron valores de Radj2 relativamente bajos (por ejemplo 0.645 para la especie 9), lo cual se debe en parte a la gran dispersión que presenta el volumen de residuos para una misma categoría diamétrica por especie (Fig. 2). La ecuación de residuos propuesta requiere de información del diámetro de copa (C), una variable que es poco común medir en los inventarios forestales, y su inclusión en el modelo mejoró significativamente el ajuste, comparado con el modelo que solamente considera el diámetro normal, excepto en el caso de las especies 4, 6 y 9, en el que el parámetro asociado con el diámetro de copa no resultó significativo (α = 5%) y fue descartado.

La cantidad del volumen total de residuos estimado varió considerablemente entre especies (Fig. 3), pero todas las estimaciones estuvieron dentro de los intervalos de valores observados de volumen de residuos.

Figura 3 Curvas de volumen de residuos forestales por categoría diamétrica por especie, sobrepuestas a los valores observados de residuos (vr_obs). 

Comparación del volumen de residuos entre especies

Los resultados del método de la suma adicional de cuadrados no lineales obtenidos en el ajuste de los modelos reducido y completo se muestran en la tabla 3. Se compararon 67 combinaciones de pares de especies, y en la mayoría de los casos (59), el modelo completo fue mejor que el modelo reducido, ya que los valores de F* resultaron altamente significativos (P ≤ 0.05); por lo tanto, para estas 59 comparaciones pareadas se rechazó la hipótesis nula de que un modelo único es adecuado para el par de especies analizado.

Tabla 3 Prueba de F generalizada 

Sp SSE (R) df R SSE (C) df C F* Pr> | F |
1 - 2 0.4814 358 0.4577 357 18.48 0.0001
1 - 3 0.5164 330 0.4062 329 89.25 0.0001
1 - 4 0.4324 338 0.4213 335 2.94 0.0331
1 - 5 0.4332 312 0.4247 309 2.06 0.1053
1 - 6 0.3965 341 0.3908 340 4.95 0.02
1 - 7 0.4292 271 0.3731 270 40.59 0.0001
1 - 8 0.3196 270 0.3113 269 7.12 0.007
1 - 9 0.4900 324 0.4624 323 19.27 0.0001
1 - 10 0.3702 381 0.3580 380 12.94 0.0003
1 - 11 0.4003 305 0.3821 304 14.47 0.0001
1 - 12 0.3170 251 0.3148 248 0.57 0.6301
2 - 3 0.4681 357 0.2681 356 265.57 0.0001
2 - 4 0.3076 365 0.2863 364 27.08 0.0001
2 - 5 0.3017 339 0.2888 337 7.52 0.0006
2 - 6 0.2522 368 0.2414 366 8.18 0.0003
2 - 7 0.4009 298 0.2288 297 223.39 0.0001
2 - 8 0.1766 297 0.1734 294 1.80 0.1456
2 - 9 0.3877 351 0.3210 350 72.72 0.0001
2 - 10 0.2589 408 0.2198 407 72.40 0.0001
2 - 11 0.3010 332 0.2410 331 82.40 0.0001
2 - 12 0.1862 278 0.1802 277 9.22 0.0026
3 - 4 0.3356 337 0.2392 336 135.41 0.0001
3 - 5 0.3978 311 0.2396 309 102.01 0.0001
3 - 6 0.3099 340 0.1970 339 194.27 0.0001
3 - 7 0.2083 270 0.1806 269 41.25 0.0001
3 - 8 0.2194 269 0.1244 268 204.66 0.0001
3 - 9 0.2742 323 0.2638 322 12.69 0.0004
3 - 10 0.1838 380 0.1715 379 27.18 0.0001
3 - 11 0.2140 304 0.1882 303 41.53 0.0001
3 - 12 0.1434 250 0.1295 249 26.72 0.0001
4 - 5 0.2784 319 0.2574 317 12.93 0.0001
4 - 6 0.2251 348 0.2205 347 13.50 0.0001
4 - 7 0.3280 278 0.1979 277 7.239 0.0074
4 - 8 0.1572 277 0.1418 274 9.91 0.0001
4 - 9 0.3118 331 0.2851 330 30.90 0.0001
4 - 10 0.2074 388 0.1902 387 34.99 0.0001
4 - 11 0.2262 312 0.2104 311 23.35 0.0001
4 - 12 0.1506 258 0.1472 255 1.96 0.1199
5 - 6 0.2371 322 0.2256 320 8.15 0.0001
5 - 7 0.3608 252 0.2153 251 169.62 0.0001
5 - 8 0.1507 251 0.1452 248 3.13 0.0262
5 - 9 0.3582 305 0.2828 303 40.39 0.0001
5 - 10 0.2248 362 0.1915 360 31.30 0.0001
5 - 11 0.2649 286 0.2268 285 47.87 0.0001
5 - 12 0.1596 232 0.1550 231 6.85 0.0094
6 - 7 0.2774 281 0.1540 280 224.36 0.0001
6 - 8 0.1030 280 0.0971 279 16.95 0.0001
6 - 9 0.2700 334 0.2260 333 64.83 0.0001
6 - 10 0.1654 391 0.1480 389 22.86 0.0001
6 - 11 0.1921 315 0.1609 314 60.88 0.0001
6 - 12 0.1036 261 0.1023 258 1.09 0.3526
7 - 8 0.2162 210 0.0856 209 318.87 0.0001
7 - 9 0.2691 264 0.2193 261 19.75 0.0001
7 - 10 0.1951 321 0.1309 319 78.22 0.0001
7 - 11 0.2120 245 0.1485 244 104.33 0.0001
7 - 12 0.1399 191 0.0908 190 102.74 0.0001
8 - 9 0.2162 263 0.1657 262 79.84 0.0001
8 - 10 0.1035 320 0.0793 319 97.34 0.0001
8 - 11 0.1327 244 0.0937 243 101.14 0.0001
8 - 13 0.0392 190 0.0353 189 20.88 0.0001
9 - 10 0.2202 374 0.2140 372 5.38 0.0049
9 - 11 0.2308 298 0.2280 295 1.20 0.3071
9 - 12 0.1784 244 0.1701 241 3.91 0.0092
10 - 11 0.1435 355 0.1405 353 3.76 0.0240
10 - 12 0.0846 301 0.0830 300 5.78 0.0167
11 - 12 0.1021 225 0.0992 224 6.54 0.0111
170 - 172 05.0006 309 4.9293 306 1.475 0.2212

Un valor de P < 0.05 indica que los modelos son diferentes. Sp = especies comparadas (códigos definidos en tabla 2), SSE (R) = suma de cuadrados del error del modelo reducido, dfR = grados de libertad del modelo reducido, SSE (C) = suma de cuadrados del error del modelo completo, dfC = grados de libertad del modelo completo, F* = valor calculado de F y Pr | F | = probabilidad calculada.

Como se mencionó, la hipótesis de partida es válida solamente para las especies de Quercus y los pares de especies de Pinus señalados anteriormente (resaltados en negrita en la tabla 3), por lo que se puede utilizar una ecuación única para estimar su volumen de residuos. En la tabla 4 se presentan los estimadores de los parámetros, sus errores estándar y los estadísticos de ajuste para el volumen de residuos forestales del modelo reducido para los casos en que se puede utilizar una misma ecuación para un par de especies.

Tabla 4 Parámetros estimados y estadísticos de bondad de ajuste del modelo reducido. 

Sp Parm Estimador EStd Valor-t P > | t | REMC
Radj2
1-5 a0 0.000002 0.000001 1.95 0.05 0.0373 0.79
a1 2.350397 0.1685 13.95 <.0001
a2 0.891439 0.1323 6.74 <.0001
1-12 a0 0.000005 0.000003 2.00 0.0466 0.0355 0.80
a1 2.227561 0.1663 13.39 <.0001
a2 0.763729 0.1373 5.56 <.0001
2-8 a0 0.000002 0.000010 2.67 0.0080 0.0244 0.86
a1 2.610795 0.1364 19.15 <.0001
a2 0.362278 0.1191 3.04 0.0026
4-12 a0 0.000002 0.000009 2.30 0.0221 0.0242 0.80
a1 2.798942 0.1520 18.42 <.0001
a2 0.190213 0.1171 1.62 0.1056
5-8 a0 0.000003 0.000002 2.00 0.0462 0.0245 0.81
a1 -0.20324 0.1841 11.39 <.0001
a2 0.559941 0.1609 7.24 <.0001
6-12 a0 0.000019 0.000005 3.45 <.0007 0.0199 0.81
a1 2.207211 0.0993 22.22 <.0001
a2 0.179616 0.0982 1.83 <.0686
9-11 a0 0.000012 0.000005 2.58 0.0104 0.0278 0.79
a1 2.420499 0.1257 19.25 <.0001
a2 0.161674 0.0903 1.79 0.0743
170-172 a0 0.000023 0.000007 3.42 0.0007 0.0311 0.82
a1 1.922 0.1021 18.83 <.0001
a2 0.872872 0.1055 8.27 <.0001

Sp = especies comparadas (códigos definidos en tabla 2), Parm = parámetros del modelo, EStd = error estándar, P > | t | = probabilidad calculada

Estimación de residuos por grupo de especies

El ajuste de una ecuación a escala de género (grupo Pinus y grupo Quercus), arrojó los resultados que se presentan en la tabla 5. En ambos casos los parámetros fueron altamente significativos y los estadísticos de bondad de ajuste satisfactorios; incluso el ajuste fue mejor que el obtenido al ajustar una ecuación individual para algunas especies de pino, como P. leiophylla (4), P. oocarpa (9) y P. maximinoi (12), que presentaron valores de 0.72, 0.64 y 0.73 de Radj2 , respectivamente (Tabla 2), menores al obtenido para el grupo Pinus (0.75) (Tabla 5). En el caso del grupo Quercus los resultados fueron similares.

Tabla 5 Parámetros estimados y estadísticos de bondad de ajuste por grupo de especies. 

Grupo Parm Estimador EStd Valor-t P > | t | REMC
Radj2
Pinus a0 0.000012 0.000002 6.17 <0.0001 0.0322 0.749
a1 2.512722 0.0411 61.11 <0.0001
a2 -0.07478 0.0242 -3.09 <0.0020
Quercus a0 0.000023 0.000007 3.42 0.0007 0.0311 0.822
a1 1.922 0.1021 18.83 <0.0001
a2 0.872872 0.1055 8.27 <0.0001

Grupo = Grupo de especies, Parm = Parámetros del modelo, EStd = Error estándar, P > | t | = Probabilidad calculada

Estimación de residuos forestales a escala regional

Los modelos de residuos desarrollados se aplicaron a los datos de inventario de los ejidos para determinar la cantidad de biomasa disponible a escala regional. La cantidad de residuos recuperables en la región asciende a 60 000 m3 año-1, que equivalen a 30 940 Mg año-1 de biomasa disponible para generación de energía eléctrica (Tablas 6 y 7). El volumen promedio de biomasa disponible por año fue mayor en las especies de Pinus, con 19 067 Mg año-1 (Tabla 6), mientras que para las especies de Quercus el valor promedio fue 11 872 Mg año-1 (Tabla 7).

Tabla 6 Conversión del volumen de residuos de pino a energía eléctrica. 

Año Superficie (ha) Vr (m 3 ) Biomasa (Mg) Energía (MW h) Dióxido de carbono equivalente (tCO 2 e)
1 9357 50150 23069 48.9 12457
2 8802 41634 19152 40.6 10342
3 8663 41865 19258 40.8 10399
4 8846 41052 18884 40.0 10197
5 8105 39895 18352 38.9 9910
6 8553 39911 18359 38.9 9914
7 8216 40232 18507 39.2 9994
8 8565 40209 18496 39.2 9988
9 8037 39511 18175 38.5 9815
10 8281 40048 18422 39.1 9948
Total 85 425 414 507 190 673 404 102 964

v r = v ramas + v punta

Tabla 7 Conversión del volumen de residuos de encino a energía eléctrica. 

Año Superficie (ha) Vr (m 3 ) Biomasa (Mg) Energía (MW h) Dióxido de carbono equivalente (tCO 2 e)
1 2900 15545 9949 21.1 5372
2 3608 17067 10923 23.2 5898
3 3187 15400 9856 20.9 5322
4 3684 17097 10942 23.2 5909
5 3432 16893 10811 22.9 5838
6 4618 21546 13789 29.2 7446
7 4317 21140 13530 28.7 7306
8 4709 22105 14147 30.0 7639
9 3717 18276 11696 24.8 6316
10 4225 20432 13076 27.7 7061
Total 38 397 185 500 118 720 252 64 109

Generación de electricidad y desplazamiento de carbono

En las tablas 6 y 7 se presentan los valores de energía eléctrica (GW h) que se puede producir a partir de los residuos de pino y encino, considerando una eficiencia en la generación de energía de 40%. La capacidad promedio de generación de electricidad considerando los residuos de pino (Tabla 6) y de encino (Tabla 7) fue de 65.6 GW h año-1 para un ciclo de corta de 10 años.

Discusión

Modelo predictivo de residuos a escala de árbol individual

En este estudio se consideró como residuo el volumen proveniente de puntas y ramas de los árboles (sin considerar el tocón), clasificación de residuos que ha sido utilizada en otros estudios (Gan y Smith, 2006). Las ecuaciones generadas para estimar el volumen de residuos se basan en un modelo general de tipo alométrico que considera como variables explicativas al diámetro normal y el diámetro de copa (ec. 2). El hecho de que se hayan obtenido buenos ajustes con este modelo se debe, en gran medida, a la inclusión de la dimensión de la copa, en la cual se concentra la mayor cantidad de residuos. Peltola et al. (2011) utilizaron un modelo de tres variables que incluye la longitud de la copa del árbol, cuya inclusión también significó una ganancia en los ajustes del modelo y mejoró las estimaciones de la cantidad de residuos de la copa. De acuerdo con Fassola et al. (2008), incorporar otras variables además del diámetro normal en un modelo de este tipo, permite tener criterios de selección con fundamentos biológicos, de tal forma que los modelos permiten incorporar información sobre la acumulación de tejidos en los árboles, la arquitectura de la copa y consecuentemente la estructura de las ramas, principal fuente de residuos forestales.

Los resultados obtenidos ajustando una ecuación por especie son considerablemente buenos (Tabla 2), con valores de REMC que oscilaron entre 0.012 m3 (P. ayacahuite) y 0.0427 m3 (P. cooperi), es decir, entre 5.52 kg y 19.64 kg de biomasa, respectivamente, valores de REMC cercanos, e incluso más bajos, a los encontrados por Bouriaud et al. (2013) (17.8 kg de biomasa para Picea abies y 19 kg para Fagus sylvatica), obtenidos del ajuste de un modelo que incluye el diámetro normal y la altura total como variables independientes. Por otra parte, los valores de ( Radj2 fueron aceptables (desde 0.645 para P. oocarpa, hasta 0.878 para P. engelmannii). Los valores más bajos de ( Radj2 se deben, en parte, a la gran dispersión que presenta el volumen de residuos para una misma categoría diamétrica por especie (Fig. 2); además, la arquitectura y forma de la copa está altamente influenciada por la densidad de la masa, variable que no fue considerada en este estudio.

En Oaxaca, Rodríguez-Ortiz et al. (2012) ajustaron varios modelos para estimar la biomasa aérea en plantaciones de pino (Pinus patula Schiede ex Schltdl. & Cham. y P. taeda), siendo el de mejor ajuste el mismo que se empleó en este trabajo, obteniendo valores de Radj2 para la estimación de biomasa en ramas sin acículas de 0.92, considerando como variables dependientes el diámetro medido al inicio de la copa viva y el área de copa. Esto coincide también con lo señalado por Jonckheere, Muys y Copping (2005) para P. sylvestris ( Radj2 = 0.9).

Comparación del volumen de residuos entre especies

La comparación entre pares de especies de un mismo género arrojó resultados similares a los obtenidos en otros estudios. Simental-Cano et al. (2016) compararon 36 combinaciones pareadas de especies de pino y tres pares de especies de encino, y en todos los casos, excepto para el par Q. sideroxyla-Q. rugosa, se rechazó la hipótesis nula, por lo que recomiendan emplear una ecuación diferente para cada especie. Corral-Rivas, Diéguez-Aranda, Corral-Rivas y Castedo (2007) compararon el ajuste de la función compatible de ahusamiento-volumen de Fang et al. (2000) para todos las posibles combinaciones pareadas de P. cooperi, P. durangensis, P. engelmannii, P. leiophylla y P. teocote, y encontraron diferencias para todos los casos entre el modelo completo y el modelo reducido. Finalmente, Corral-Rivas, Álvarez-González, Ruíz y von Gadow (2004) también hallaron diferencias significativas en el crecimiento en altura dominante al comparar todas las posibles combinaciones pareadas de cinco de las especies del género Pinus analizadas en este estudio.

Desde el punto de vista de la reducción del error, en la mayoría de los casos no hay ganancia significativa al utilizar una misma ecuación para dos especies, por lo que no se justifica agruparlas, excepto los pares de especies de Pinus 1-5, 1-12, 2-8, 4-12, 5-8, 6-12 y 9-11. El mismo caso se presentó para Quercus durifolia (172) y el grupo Quercus spp (Q. rugosa, Q. fulva, Q. sideroxila y Q. crassifolia) donde los mejores resultados de REMC y Radj2 se obtuvieron ajustando un modelo individual (Tabla 1); sin embargo, al realizar el ajuste con variables dummy (modelo completo) y ajustes globales combinando las especies (modelo reducido) no se encontró ganancia estadística al emplear uno u otro modelo (Pr|F| = 0.2212) (Tabla 3), motivo por el cual el volumen de residuos podría estimarse con una misma ecuación para todas las especies de Quercus. De igual forma, al ajustar un único modelo a escala de género, es decir, para todas las especies de Pinus juntas, así como para todas las de Quercus, se obtuvieron estadísticos de bondad de ajuste aceptables. Por lo tanto, cuando los objetivos de la cuantificación de residuos no requieran de información a escala de especie, se puede utilizar una única ecuación a escala de género.

Estimación de residuos forestales a escala regional

Los valores obtenidos de cantidad residuos forestales provenientes de las actividades de manejo son consistentes con los publicados para el área de estudio y para otras partes del mundo. La cantidad de biomasa recuperable estimada en este estudio asciende a 30 940 Mg año-1, cifra similar a los 28 579 Mg año-1 de biomasa obtenida por Pérez-Verdin et al. (2012) para los bosques de la región de El Salto, Durango. Los valores promedio de disponibilidad de biomasa fueron 2.23 Mg ha-1 y 3.1 Mg ha-1 para Pinus y Quercus, respectivamente, superiores a los obtenidos por Peltola et al. (2011), quienes a partir de ecuaciones de residuos y datos de inventario forestal, estimaron una disponibilidad de residuos de 1.2 Mg ha-1 y 0.6 Mg ha-1 para Picea abies en el este y en el centro de Finlandia, respectivamente.

Existen pocos trabajos que han evaluado la cantidad óptima que debe permanecer en el suelo para mitigar la pérdida de nutrientes al realizar la cosecha forestal. En este estudio se consideró como cantidad mínima para recuperación de nutrientes 10% del volumen total disponible de residuos, que equivale a 0.47 Mg ha-1, lo cual es congruente a lo estimado por Borjesson (2000), quien sugiere que la cantidad mínima de residuos que se requiere para mantener la fertilidad del suelo puede variar entre 0.8 Mg ha-1 y 2.2 Mg ha-1 por periodo rotacional, dependiendo de las condiciones particulares de la zona.

Generación de electricidad y desplazamiento de carbono

En la región de El Salto, Durango, existen 19 200 usuarios registrados (casa habitación, comercial e industrial) cuyo consumo asciende a 9.04 GW h por bimestre, es decir, la demanda de energía eléctrica asciende a 54.2 GW h año-1, la cual se podría cubrir con los 66.5 GW h año-1 que potencialmente se podrían producir con un sistema de generación a base de biomasa. Estos resultados son congruentes con los mencionados por Gan y Smith (2006) para algunas regiones de Estados Unidos; por ejemplo, para la región del estado de Iowa señalan una disponibilidad de 29 000 Mg de residuos forestales secos con una capacidad de generación de electricidad de 55 MW h (con una eficiencia de 35%), lo que equivale a 61.5 MW h para una eficiencia de 40%, similar a lo obtenido en este estudio. Por otra parte, los resultados encontrados por Simangunson et al. (2017) para la misma cantidad de residuos disponibles estimados en este estudio (30 940 Mg año-1) equivaldría a 63.11 GW h, lo cual demuestra la robustez de la metodología utilizada. Si los residuos forestales recuperables se usaran para la generación de energía eléctrica, la reducción de emisiones promedio en un ciclo de corta de 10 años sería 16 707 tCO2e año-1 (Tablas 6 y 7), resultado similar al obtenido por Gan y Smith (2006), quienes señalan que la utilización de 29 000 t de residuos para generar electricidad significa una reducción de emisiones de 15 660 tCO2e año-1.

Conclusiones

Este estudio evaluó la disponibilidad de residuos de la cosecha forestal a escala de árbol individual y a escala regional en Pueblo Nuevo, Durango. El uso de un modelo individual para cada especie proporcionó los mejores ajustes para la mayoría de las especies; solo en 9 de los 67 pares de especies analizados para evaluar diferencias en el volumen de residuos no fue posible rechazar la hipótesis de un modelo único. Sin embargo, cuando los objetivos de la cuantificación de residuos no requieran de información a escala de especie, se puede utilizar una única ecuación a escala de género. La cantidad estimada de residuos recuperables asciende a casi 31 000 Mg de biomasa por año. Si estos residuos son usados para generación de electricidad se pueden producir hasta 65.6 GW h año-1, lo que equivaldría a una reducción de emisiones de 16 707 tCO2e por año. Se recomienda complementar los resultados de este estudio con análisis adicionales sobre los costos de transporte de los residuos considerando distintas opciones de acopio de la materia prima, es decir, considerar la distribución espacial de los residuos y la accesibilidad a los mismos, así como distintas tecnologías de generación de electricidad a partir de biomasa forestal y sus respectivos costos de producción.

Reconocimientos

Este estudio fue financiado por el Consejo de Ciencia y Tecnología del Estado de Durango (Cocyted), a través del proyecto: “Estimación del potencial de los bosques de Durango para la mitigación del cambio climático” (clave: FOMIX-DGO-2011-C01-165681).

Referencias

Bates, D. M., & Watts, D. G. (1988). Nonlinear Regression Analysis and Its Applications. New York: John Wiley and Sons. [ Links ]

Borjesson, P. (2000). Economic valuation of the environmental impact of logging residue recovery and nutrient compensation. Biomass and Bioenergy, 19(3), 137-152. doi:10.1016/S0961-9534(00)00028-3 [ Links ]

Bouriaud, O., Stefan, G., & Flocea, M. (2013). Predictive models of forest logging residues in Romanian spruce and beech forests. Biomass and Bioenergy , 54, 59-66. doi:10.1016/j.biombioe.2013.03.022 [ Links ]

Corral-Rivas, J. J., Álvarez-González, J. G., Ruíz, A. D., & v. Gadow, K. (2004). Compatible height and site index models for five pine species in El Salto, Durango (Mexico). Forest Ecology and Management, 201(2-3), 145-160. doi:10.1016/j.foreco.2004.05.060 [ Links ]

Corral-Rivas, J. J., Diéguez-Aranda, U., Corral-Rivas, S., & Castedo, D. F. (2007). A merchantable volume system for major pine species in El Salto, Durango (Mexico). Forest Ecology and Management , 238(1-3), 118-129. doi:10.1016/j.foreco.2006.09.074 [ Links ]

Draper, N., & Smith, H. (1981). Applied Regression Analysis (2a ed.) USA: John Wiley & Sons. [ Links ]

Evans, A., Strezov, V., & Evans, T. J. (2010). Sustainability considerations for electricity generation from biomass. Renewable and Sustainable Energy Reviews, 14(5), 1419-1427. doi:10.1016/j.rser.2010.01.010 [ Links ]

Fang, Z., & Bailey, R. L. (2001). Nonlinear mixed effects modeling for slash pine dominant height growth following intensive silvicultural treatments. Forest Science, 47(3), 287-300. doi:10.1093/forestscience/47.3.287 [ Links ]

Fassola, H., Crechi, E., Barth, S., Keller, A., Pinazo, M., Martiarena, R., Von Wallis, A., & Figueredo, I. (2008). Relación entre la biomasa aérea y la sección transversal en la base de copa viva de Pinus taeda L. en el norte de la provincia de Misiones, Argentina. XIII Jornadas Técnicas Forestales y Ambientales. Facultad de Ciencias Forestales, UNAM-EEA Montecarlo, INTA. doi:10.13140/2.1.4631.8889 [ Links ]

Ferranti, F. (2014). Energy wood: A challenge for European forests potentials, environmental implications, policy integration and related conflicts. European Forest Institute. Recuperado de http://www.efi.int/files/attachments/publications/efi_tr_95_ferranti_2014.pdfLinks ]

Gan, J., & Smith, C. T. (2006). A comparative analysis of woody biomass and coal for electricity generation under various CO2 emission reductions and taxes. Biomass and Bioenergy , 30(4), 296-303. doi:10.1016/j.biombioe.2005.07.006 [ Links ]

Hamelinck, C. N., Van Hooijdonk, G., & Faaij, A. P. (2005). Ethanol from lignocellulosic biomass: techno-economic performance in short-, middle- and long-term. Biomass and Bioenergy , 28(4), 384-410. doi:10.1016/j.biombioe.2004.09.002 [ Links ]

Hammerschlag, R. (2006). Ethanol’s energy return on investment: a survey of the literature 1990-present. Environmental Science and Technology, 40(6), 1744-50. doi:10.1021/es052024h [ Links ]

Harvey, A. C. (1976). Estimating regression models with multiplicative heteroscedasticity. Econometrica, 44(3), 461-465. doi:10.2307/1913974 [ Links ]

Hauglin, M., Gobakken, T., Lien, V., Bollandsas, O. M., & Naesset, E. (2012). Estimating potential logging residues in a boreal forest by airborne laser scanning. Biomass and Bioenergy , 36, 356-365. doi:10.1016/j.biombioe.2011.11.004 [ Links ]

Islas, J., Manzini, F., & Masera, O. (2007). A prospective study of bioenergy use in México. Energy, 32(12), 2306-2320. doi:10.1016/j.energy.2007.07.012 [ Links ]

Johnson, T. M., Alatorre, C., Romo, Z., & Liu, F. (2009). México: estudio sobre la disminución de emisiones de carbón (MEEDEC). México: Mayol Ediciones S.A. Recuperado de http://awsassets.panda.org/downloads/estudio_sobre_la_disminucion_de_emisiones_de_carbono.pdfLinks ]

Jonckheere, I., Muys, B., & Copping, P. (2005). Allometry and evaluation of in situ optical LAI determination in Scots pine: a case study in Belgium. Tree Physiology, 25(6), 723-732. doi:10.1093/treephys/25.6.723 [ Links ]

Kennedy, M. (2008). Assessment of Potential for Emission Reduction Credits in Durango, Mexico. The Pembina Institute. p 30. [ Links ]

Masera, O., Aguillón, J., Arvizu, J., Fuentes, A., Ghilardi, A., Riegelhaupt, E., Saldaña, R., Best, G., Gómez, I., Díaz, R., Gamiño, R., Berrueta, V., Islas, J., Manzini, F., & Rodríguez, O. (2006). La bioenergía en México un catalizador del desarrollo sustentable. Comisión Nacional Forestal. 80 p. Recuperado de http://rembio.org.mx/wp-content/uploads/2014/10/libro-blanco-bioenergia-2006.pdfLinks ]

Montgomery, D., & Peck, E. (1982). Introduction to linear regression analysis. New York: John Wiley & Sons. [ Links ]

Organización de las Naciones Unidas para la Alimentación y la Agricultura [FAO] (2010). What woodfuels can do to mitigate climate change? Roma. Recuperado de http://www.fao.org/docrep/013/i1756e/i1756e00.htmLinks ]

Peltola, S., Kilpelainen, H. & Asikainen, A. (2011). Recovery rates of logging residue harvesting in Norway spruce (Picea abies (L.) Karsten) dominated stands. Biomass and Bioenergy , 35(4), 1545-1551. doi:10.1016/j.biombioe.2010.12.032 [ Links ]

Pérez-Verdín, G., Navar-Chaidez, J., Grebner, D., & Soto-Álvarez, C. (2012). Disponibilidad y costos de producción de biomasa forestal como materia prima para la producción de bioetanol. Forest systems, 21(3), 526-537. doi:10.5424/fs/2012213-02636 [ Links ]

Pro Floresta, S. C. (2008). Estudio Regional Forestal UMAFOR 1008, Pueblo Nuevo, Durango. 397 p. [ Links ]

Rodríguez-Ortiz, G., De Los Santos-Posadas, H. M., González-Hernández, V., Aldrete, A., Gómez-Guerrero, A., & Fierros-González, A. (2012). Modelos de biomasa aérea y foliar en una plantación de pino de rápido crecimiento en Oaxaca. Madera y Bosques, 18(1), 25-41. doi: 10.21829/myb.2012.1811116 [ Links ]

Statistical Analysis System [SAS] (2011). SAS/ETS® 9.3 User’s Guide. Cary, NC: SAS Institute Inc. [ Links ]

Scarlat, N., Blujdea, V., & Dallemand, J. F. (2011). Assessment of the availability of agricultural and forest residues for bioenergy production in Romania. Biomass and Bioenergy , 35(5), 1995-2005. doi:10.1016/j.biombioe.2011.01.057 [ Links ]

Simangusong, B. C. H., Sitanggang, V. J., Manurung, E. G. T., Rahmadi, A., Moore, G. A., Aye, L., & Tambunan, A. H. (2017). Potential forest biomass resource as feedstock for bioenergy and its economic value in Indonesia. Forest Policy and Economics, 81, 10-17. doi.org/10.1016/j.forpol.2017.03.022 [ Links ]

Simental-Cano, B., López-Sánchez, C. A., Wehenkel, C., Vargas-Larreta, B., Álvarez-González, J. G., & Corral-Rivas, J. J. (2016). Modelos de volumen específicos y regionales para 12 especies forestales en el estado de Durango, México. Revista Chapingo. Serie Ciencias Forestales y del Ambiente, 23(2), 155-171. doi.org/10.5154/r.rchscfa.2016.01.004 [ Links ]

Smeets, E. M., & Faaij, A. P. (2007). Bioenergy potentials from forestry in 2050. Climatic Change, 81(3-4), 353-390. doi:10.1007/s10584-006-9163-x [ Links ]

Weisberg, S. (1980). Applied Linear Regression (3a ed.), New York: John Wiley & Sons . [ Links ]

World Wildlife Fund, & Hogan, M. (2013). Sierra Madre Occidental pine-oak forests. Encyclopedia of Earth, National Council for Science and the Environment. Washington DC: Rodney L. H. Recuperado de http://eol.org/data_objects/27361823. [ Links ]

Wright, L., Boundy, B., Perlack, B., Davis, S., & Saulsbury, B. (2006). Biomass energy data book (Vol. 1). US Department of Energy Publications. University of Nebraska. Publication No. 4. [ Links ]

Recibido: 02 de Marzo de 2017; Aprobado: 22 de Febrero de 2018

*Autor de correspondencia. bvargas@itelsalto.edu.mx

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