texto en 
Español (pdf)
Artículo en XML
Referencias del artículo
Traducción automática
Enviar artículo por email
Citado por SciELO 
Similares en
SciELO 
Permalink
Introducción
La percepción remota aplicada al manejo forestal comprende, principalmente, cuatro categorías: clasificación de la cobertura forestal, estimación de atributos forestales, detección de cambios en el bosque y modelado espacial (Franklin, 2001). Dentro de estas, la estimación de atributos forestales mediante sensores remotos es de particular interés en el área de manejo forestal sustentable, ya que ofrece la posibilidad de obtener información consistente, coherente y transparente; además de, la de tipo espacial explícita en áreas de difícil acceso (Herold et al., 2011). Desde la década pasada, el cálculo de variables forestales ha evolucionado, de una actividad basada, sobre todo, en inventarios forestales en campo, a un esfuerzo asistido por sensores remotos (Miranda-Aragón et al., 2013; Asner y Mascaro, 2014).
El continuo avance en el mejoramiento de las capacidades de los diferentes tipos de sensores ofrece la oportunidad de desarrollar técnicas de análisis que maximicen las capacidades de las plataformas satelitales disponibles.
La estimación de parámetros biofísicos (medidos en los inventarios forestales) a partir de sensores remotos se divide principalmente en métodos estadísticos y físicos (Häme et al., 2013). Los primeros usan estimaciones bajo el supuesto de una buena correlación estadística entre datos satelitales y las variables de interés (Aguirre-Salado et al., 2012a; Song, 2013; Wulder et al., 2014). Los segundos consisten en realizar mediciones directas en campo, de manera tal que sirvan como variables auxiliares en las estimaciones (GOFC-GOLD, 2011).
La mejora de las plataformas y sensores, en términos de resolución espacial, temporal y radiométrica (Roy et al., 2014) así como, el acceso a bases de datos satelitales de forma gratuita (Woodcock et al., 2008) permitió que la investigación relacionada con la extracción de información biofísica de imágenes satelitales multiespectrales se haya incrementado exponencialmente en los últimos años (Wulder et al., 2008; 2012). El acceso a imágenes satelitales de alta resolución espacial (e.g. Quickbird ®, Geoeye ®) posibilita nuevas opciones para la estimación de características biofísicas del arbolado de manera indirecta, lo cual minimiza el costo de hacerlo mediante inventarios tradicionales (Valdez-Lazalde et al., 2006).
En México, la utilización de tecnología satelital se ha enfocado a la detección de cambios en la cobertura arbórea (Valdez- Lazalde et al., 2006; Aguirre-Salado et al., 2012; Gebhardt et al., 2014), y el monitoreo aplicado al manejo forestal se ha encaminado, básicamente, a variables tales como área basal, biomasa área (Aguirre-Salado et al., 2014), y en segundo plano, las estimaciones de volumen en pie y algunas variables dasométricas importantes para el manejo forestal: diámetro normal y altura total.
En este trabajo se evaluó la capacidad de dos plataformas satelitales: SPOT (Satellite Pour l’Observation de la Terre, por sus siglas en francés) y Quickbird ®, en la estimación de parámetros forestales de interés (i.e. biomasa aérea/carbono, diámetro normal, altura total). Los satélites utilizados presentan diferentes resoluciones, radiométrica y espacial, por lo que se comparó la precisión de las estimaciones contra datos de campo con el objetivo de validar el uso de imágenes satelitales de muy alta resolución (Quickbird) para la estimación de parámetros forestales, en comparación con otro sensor de menor resolución espacial (SPOT).
Materiales y Métodos
Ubicación del área de estudio
El área de estudio se localiza en el municipio San José del Rincón, al noroeste del Estado de México, en el predio La Sabaneta (Figura 1), cuyas coordenadas son 19°29’y 19°47’ latitud norte; meridianos 100°01’ y 100°16’ longitud oeste. Comprende una superficie de 16 826 ha. Predomina el tipo de clima semifrío, subhúmedo con lluvias en verano, de mayor humedad, con una temperatura media anual de 10 a 14 °C. La precipitación mínima anual es de 800 y la máxima de 1 000 mm. El predio está bajo bajo manejo forestal, se aprovechan comercialmente dos especies: Abies religiosa (Kunth) Schltdl. et Cham. y Pinus pseudostrobus Lindl. También se han registrado otras especies tales como Cupressus lindleyi Klotzsch ex Endl., Quercus rugosa Née y Prunus sp. (Probosque, 2010).
Datos de inventario
Se obtuvieron variables dasométricas en 64 sitios de muestreo de 1 000 m2 distribuidos sistemáticamente en 12 rodales (Figura 2). En cada unidad de muestreo se registraron las siguientes características: tipo de vegetación, condición, pendiente (%), cobertura (%), exposición, altitud (msnm), coordenada central, número de árboles por sitio, especie, diámetro normal (cm), altura total (m) y edad (años). El diseño utilizado se basó en una red de sitios de muestreo con equidistancias de 400 m2 (Figura 2).
En la estimación de biomasa/carbono por sitio de muestreo, se utilizaron ecuaciones alométricas de las especies presentes (Cuadro 1). Los valores individuales de carbono se sumaron para obtener valores totales por unidad de muestreo.
Imágenes satelitales y preprocesamiento
Se obtuvo una imagen SPOT 5 HRG de la estación de recepción México, a través del convenio de colaboración con el Instituto Nacional de Investigaciones Forestales Agrícolas y Pecuarias (INIFAP) y Estación de Recepción México (ERMEX). La imagen fue adquirida el 1 de abril de 2009 con nivel de procesamiento 2A. La imagen Quickbird fue donada por la empresa Merrick® México con fecha de toma 6 de marzo de 2009. Ambas imágenes se georreferenciaron al sistema UTM zona 14 N con Datum WGS84 (Figura 3).
Figura 3 Imágenes satelitales SPOT (izquierda) y Quickbird (derecha) en falso color; bandas infrarrojo cercano, rojo y verde.
Las imágenes de satélite recibieron un preprocesamiento antes de utilizarlas para la extracción de información espectral. La imagen SPOT fue corregistrada a la Quickbird para asegurar correspondencia espacial; las dos se transformaron a radianza (Krause, 2005; Soudani et al., 2006) y reflectancia exoatmosférica (Thenkabail et al., 2004). Además, se corrigieron atmosféricamente utilizando el modelo Cost propuesto por Chávez (1996) para obtener la reflectancia superficial.
Índices espectrales de vegetación y extracción de valores espectrales
Los índices de vegetación (IV) son combinaciones de mediciones de reflectancia, sensibles a los efectos combinados de la concentración de clorofila en el follaje, área foliar y arquitectura del dosel. Los IV están diseñados para proveer una medida del estado de la vegetación y, aunque poseen algunas limitaciones (Romero-Sánchez et al., 2009), han sido usados en muchas aplicaciones, incluso para la estimación de biomasa/carbón aéreo (Avitabile et al., 2012).
Después de una revisión de literatura, se seleccionaron índices de vegetación que han sido citados para estimar parámetros forestales (Cuadro 2), los cuales se aplicarán en este trabajo.
Se calcularon los índices de vegetación señalados en cada imagen para realzar rasgos de interés y, posteriormente, usarlos como variables dependientes en modelos de regresión.
Para ambas imágenes, los valores espectrales fueron extraídos de dos maneras: a) valores espectrales centrales de cada sitio, y b) valores espectrales promedio de cada sitio de muestreo. Adicionalmente, se extrajeron valores espectrales de 30 sitios sin cobertura para cada imagen y se agregaron a la base de datos.
Clasificación supervisada
Con la finalidad de determinar la cobertura forestal en la zona, se realizó una clasificación supervisada con la imagen Quickbird. Esta se clasificó en tres categorías: bosque, no bosque y sombras, para ello se empleó el programa ERDAS Imagine ® 2010, versión 10.1. En total se obtuvieron 30 firmas espectrales: 10 para bosque, 10 para no bosque y 10 para sombras. La clasificación de la parte boscosa, se hizo ajustándose al área que comprendieron los 64 sitios de muestreo.
Clasificación orientada a objetos
La misma imagen se procesó con una aplicación de segmentación de multirresolución, la cual se encarga de fragmentarla en regiones multipixel homogéneas basadas en varios parámetros definidos por el usuario. Lo anterior puede influenciar el resultado del proceso de segmentación, a través de la especificación y ponderación de los datos de entrada (Blaschke, 2010).
El algoritmo de segmentación se describe como una técnica de fusión de las regiones en la que los píxeles individuales se conglomeran en objetos pequeños (Figura 4), seguido por iteraciones sucesivas en que los objetos pequeños se fusionan gradualmente en objetos más grandes; de tal manera que, la heterogeneidad entre los objetos de la imagen resultante se minimiza (Chubey et al., 2006).
Los valores de cobertura obtenidos por sitio se adicionaron también a la base de datos. La validación de la precisión en las clasificaciones, en ambos casos, se llevó a cabo mediante el cálculo del índice Kappa y la matriz de exactitud promedio (Congalton y Kass, 2009), con datos de campo independientes al inventario forestal descrito anteriormente.
Relación de las variables forestales y espectrales
Pruebas de correlación. Inicialmente se realizó un análisis de correlación de Pearson (r; α=0.05) entre los parámetros forestales de densidad y la respuesta espectral captada en los píxeles de la imagen, a través de los índices de vegetación para determinar el grado de asociación entre las variables evaluadas.
Análisis de regresión (paramétrico). Mediante análisis de regresión se determinó el tipo de relación existente entre los datos espectrales provenientes de la imagen satelital y las variables respuesta de interés. Las variables dependientes incluyeron parámetros de densidad forestal: Carbono total (Mg/sitio); diámetro normal promedio (cm); y altura total (m). Las variables independientes fueron los valores espectrales por banda y sus transformaciones matemáticas (índices de vegetación) y la variable respuesta de acuerdo a lo sugerido por Zheng et al. (2004) y Aguirre-Salado et al. (2009).
Se utilizó el procedimiento de regresión stepwise para identificar a las variables que predicen mejor las variables de interés. El modelo utilizado fue de la forma:
y = β0 + β1X1 + β2X2 +... + βnXn+ε
Donde:
y = Parámetro forestal por estimar
Xn = Bandas espectrales, Índices de Vegetación, Cobertura de Copa
βn = Coeficientes de regresión
ε = Error aleatorio
La construcción de los modelos de regresión utilizó 85 % de la base de datos de inventario, mientras que 15 % restante se usó para la validación de los modelos. Como indicadores de ajuste se emplearon los coeficientes de determinación (R2). Además, para evaluar la capacidad predictiva de los modelos se calculó la raíz del error cuadrático medio (RECM) y la raíz del error cuadrático medio relativo (RECM %). Para todos los parámetros se estimaron límites de confianza a 95 % (Kutner et al., 2004).
La estimación de las variables forestales en el área de estudio se realizó multiplicando las ponderaciones o coeficientes obtenidos de las ecuaciones de cada banda espectral o IV, para obtener la estimación espacialmente explicita de la variable de interés.
Resultados y Discusión
Las imágenes satelitales clasificadas permitieron discriminar los distintos elementos en la imagen, agrupados principalmente en tres categorías: Bosque, No bosque y Sombra (Figura 5). De acuerdo al proceso de validación de las clasificaciones; el índice Kappa estuvo arriba de 0.96 en todos los casos, mientras que la exactitud promedio arrojó valores superiores a 95 %. A partir de la clasificación se aislaron pixeles de bosque para utilizarlos en el cálculo de los promedios de valores espectrales al interior de la parcela de muestreo.
Pruebas de correlación
En los Cuadros 3 y 4 se resumen los valores estimados de las correlaciones para las imágenes SPOT y Quickbird, respectivamente. Se observa, en el caso de la imagen SPOT, que los índices espectrales asociados a la región del infrarrojo (B3) mostraron correlaciones relativamente altas (>0.50, α=0.05) con los valores de carbono aéreo, lo cual es congruente con registros hechos para bosques templados (Aguirre-Salado et al., 2009). Sin embargo, en el caso de SPOT, algunas de las correlaciones más altas se presentaron en la región del verde (B1). El diámetro normal y altura tuvieron correlaciones altas en la mayoría de los valores extraídos de la imagen, tanto para valor central como valor promedio de la parcela.
Cuadro 3 Coeficientes de correlación imagen SPOT.
C = Carbono total; DN = Diámetro normal; ALT = Altura total; Bn = Reflectancias de cada banda; NDVI, GARI, TVI, NDVI23, NDVI41, NDVI42; IKR, IKIRC = Índices de vegetación; CC = Cobertura de copa.
En la imagen Quickbird (Cuadro 4), los parámetros que registraron coeficientes de correlación altos (> 0.6), fueron las bandas azul, verde, roja y la mayoría de los índices espectrales asociados a la región infrarroja del espectro electromagnético.
Cuadro 4 Coeficientes de correlación imagen Quickbird.
C = Carbono total; DN = Diámetro normal; ALT = Altura total; Bn = Reflectancias de cada banda; NDVI, GARI, TVI, NDVI23, NDVI41, NDVI42; IKR, IKIRC = Índices de vegetación; CC = Cobertura de copa.
La correlación negativa obtenida para los parámetros forestales contra las reflectancias y algunos índices de vegetación de este trabajo concuerdan con lo indicado por Hall et al. (2006) y Aguirre-Salado et al. (2009), quienes explican que dicha correlación por la disminución del albedo en zonas con vegetación densa y cerrada. Esta correlación negativa se acentuó en la banda 4 (Infrarroja) de la imagen SPOT 5 HRG (-0.60 a -0.75), y en la banda 3 (Roja) de la imagen Quickbird (-0.58 a -0.80).
Análisis de regresión
En el Cuadro 5 se muestran los diferentes modelos de regresión obtenidos mediante el análisis de regresión stepwise, a partir de los valores espectrales de la imagen SPOT 5 HRG y las coberturas.
Cuadro 5 Modelos de regresión obtenidos mediante la regresión stepwise, para la imagen SPOT 5 HRG.
C = Carbono total; DN = Diámetro normal; ALT = Altura total; Bn = Reflectancias.
Se aprecia que las variables predictivas más comunes, para la mayoría de los parámetros forestales, fueron la cobertura de copa, algunos NDVI y los índices K. Los modelos con el coeficiente de determinación más alto correspondieron a los de diámetro normal y altura, tanto para los valores centrales como para los valores promedio de la parcela.
En el Cuadro 6 se observan los modelos de regresión obtenidos para la imagen Quickbird, en los que, de manera similar, las variables predictivas más comunes fueron: la clasificación orientada a objetos, las reflectancias, algunos NDV y los índices K. Los modelos de diámetro normal y altura total resultaron con los coeficientes de determinación más altos.
Cuadro 6 Modelos de regresión obtenidos mediante la regresión Stepwise, para la imagen Quickbird.
C = Carbono total; DN = Diámetro normal; ALT = Altura total.
En el Cuadro 7 se consignan las estimaciones de carbono aéreo, diámetro normal y altura total para cada una de las imágenes, en las que se usaron los valores promedio de la parcela. Se evidencia que los valores en ambas imágenes son consistentes para las variables carbono aéreo y altura total.
Estimación de error y validación
En el Cuadro 8 se presenta el valor de la raíz del error cuadrático medio que se estimó para cada uno de los modelos utilizados. En el caso del para carbono aéreo, tanto absoluto (Mg) como relativo (%) fue menor a 0.79 y 26 %, respectivamente, para ambas imágenes. Los resultados de este estudio mostraron que es posible estimar parámetros forestales (altura total, diámetro normal, carbono aéreo) con modelos de regresión lineal múltiple. De acuerdo con la generación de las distintas ecuaciones, mediante el procedimiento stepwise se observó, para ambas imágenes y tratamientos, (valor central y valor promedio de la parcela) que los coeficientes de determinación resultaron aceptables (R2 > 0.55).
El error asociado a las estimaciones de carbono aéreo se ubicó dentro del intervalo documentado por otros autores. Por ejemplo, Aguirre-Salado et al. (2012b) citan para estimaciones de biomasa aérea un RECM % de 36.81, en modelos lineales en bosques del estado de San Luis Potosí. En otro caso, en el cual se utiliza información derivada de imágenes SPOT para estimar carbono aéreo en bosques de pino se registra un RECM % de 30.16 % (Aguirre-Salado et al., 2009).
Las fuertes relaciones que presentaron los índices de vegetación con los parámetros forestales evaluados, concuerda con lo señalado por otros autores (Franklin, 2001; Mora et al., 2013; Ji et al., 2015;); en especial el NDVI, y por consiguiente, de las bandas espectrales (R e IR). El NDVI es considerado un indicador del estado de la vegetación, debido a que se caracteriza por representar un claro contraste entre las regiones correspondientes al rojo visible y al infrarrojo cercano (Franklin, 2001).
Otra de las variables que fue común para la mayoría de los modelos fue el índice K (Luévano et al., 2006). El valor de K se define como el valor espectral de la densidad de los componentes en el pixel, además de tomar en cuenta el valor digital de los pixeles, el número total de especies presentes y el número total de individuos en un área específica que para el interés de este estudio fue de 1 000 m2.
Los modelos para estimar diámetro normal y altura total tuvieron coeficientes de determinación altos, para diámetros (R2=0.86 y 0.84) y alturas (R2=0.93 y 0.86) (p<0.01) para los sensores SPOT y Quickbird, respectivamente. Los resultados sugieren que, al tener estimaciones confiables de diámetros y alturas, estas se podrían utilizar para aplicarlos en las ecuaciones alométricas, lo cual simplificaría, sustantivamente, las evaluaciones de carbono o volumen en bosques templados. Es importante señalar que las condiciones del sitio (edad, diversidad, etcétera) fueron clave para la obtención de los modelos y resultados arriba descritos, por lo que es necesario evaluar la viabilidad de este tipo de estudios en condiciones diferentes a las que se presentaron en el presente trabajo.
Aunque en términos de resolución espacial Quickbird es mejor que SPOT 5 HRG, los resultados demuestran que, contrario a lo que se esperaba, SPOT 5 HRG tuvo los mejores modelos de ajuste en la mayoría de los parámetros forestales evaluados; en especial diámetros y alturas. Los parámetros forestales evaluados, principalmente carbono, estuvieron ligados a la respuesta espectral de la imagen (valores promedio principalmente), sin que el tipo de sensor jugara un papel demasiado importante en los resultados.
Conclusiones
Los resultados sugieren que es posible estimar parámetros forestales (altura total, diámetro normal, carbono aéreo) a partir de datos espectrales de imágenes satelitales. Se corroboró la validez del uso de índices espectrales de vegetación en la estimación de parámetros forestales. Los sensores utilizados mostraron consistencia en las relaciones entre los valores espectrales y el carbono, lo que demuestra la utilidad y practicidad del uso de sensores remotos en la estimación de carbono almacenado. El análisis comparativo entre los sensores empleados demostró que la alta resolución espacial no mejora, sustancialmente, las estimaciones de parámetros forestales basadas en sensores remotos.
