text in 
English (pdf)
Article in xml format
Article references
Automatic translation
Send this article by e-mail
Cited by SciELO 
Similars in
SciELO 
Permalink
Introducción
Los bosques templados del estado de Durango, México son la principal fuente de producción de madera a nivel nacional (SRNyMA, 2016). De acuerdo con Segura y Trincado (2003), mantener en aprovechamiento y de manera sostenida a los bosques requiere de información actualizada y confiable de sus recursos naturales. Para lograr lo anterior, es necesario realizar un monitoreo periódico de estos ecosistemas (Tomppo et al., 2010). En ese sentido, el estudio de variables dasométricas para la investigación forestal permite dar seguimiento a la dinámica y estructura del ecosistema forestal (Gadow et al., 2012; Hernández-Ramos et al., 2020). Una forma de hacelo es por medio de los sitios permanentes que representan una base importante para obtener datos del efecto de la silvicultura en el crecimiento, producción y evolución de las masas forestales en lapsos cortos (Gadow et al., 1999). Sin embargo, dicha actividad generalmente conlleva a un tiempo largo de espera y altos costos para el establecimiento del arbolado y la colecta de información (Emborg, 1998; Toledo et al., 2011).
La aplicación de tecnologías geoespaciales es cada vez más relevante para estimar y monitorear parámetros forestales en periodos cortos (Foody et al., 2003; Hall et al., 2006; Fuchs et al., 2009; Verbesselt et al., 2010; Sobrino et al., 2019). De acuerdo con Herold et al. (2011) existe un particular interés en el manejo forestal del uso de sensores remotos para la estimación de atributos forestales, ya que favorecen la obtención de datos consistente, actualizada y espacialmente explícita en áreas de difícil acceso y con amplia cobertura. Al respecto, la estimación de parámetros forestales a partir de la combinación del uso de sensores remotos y de sitios de campo georreferenciados (sitios permanentes) se han convertido en técnicas útiles y confiables para estimar variables como el volumen forestal, el área basal y la biomasa forestal aérea (Hernández-Ramos et al., 2020; López-Serrano et al., 2020).
Con base en esas tecnologías, dicha actividad se realiza de manera indirecta con el uso de técnicas estadísticas robustas bajo el supuesto de una alta correlación entre datos satelitales y datos del inventario tradicional (Aguirre-Salado et al., 2011; Song, 2013; Wulder et al., 2014; Acosta et al., 2017; López-Serrano et al., 2020).
Por otro lado, la disponibilidad y el mejoramiento de las capacidades de los diferentes tipos de sensores ofrecen la oportunidad de desarrollar técnicas de análisis que maximicen las estimaciones de los parámetros forestales, con información veraz que proviene de sitios permanentes de investigación forestal y de suelo, ya que fortalecen el insumo mediante sensores remotos (Gibbons y Chakraborti, 2003; Barajas, 2007; Karjalainen et al., 2012; Miranda-Aragón et al., 2013; Asner y Mascaro, 2014).
En función de lo anterior, el objetivo del presente trabajo consistió en estimar el área basal (G), el volumen forestal (Vta) y la biomasa forestal aérea (W) mediante datos espectrales del satélite Sentinel 2A en la Comunidad Indígena San Bernardino de Milpillas Chico, Pueblo Nuevo, Durango.
Materiales y Métodos
Área de estudio
El área de estudio se ubica en la Comunidad Indígena de San Bernardino de Milpillas Chico, ubicada en el municipio Pueblo Nuevo, Durango, México (Figura 1). La Comunidad cuenta con una superficie de 156 618.33 ha. Presenta climas de tipo cálido subhúmedo (Cw), cálido semifrío [C(E)x]; la temperatura media del mes más frío es de 3 ºC a 18 ºC y del mes más caliente de 6.5 ºC a 22 ºC, con una precipitación media anual de 1 300 mm. Los tipos de suelo presentes en el ejido son Regosol, Fluvisol y Cambisol, someros y pedregosos. Su intervalo altitudinal comprende de los 2 500 a los 2 600 m (Inegi, 2017b). El tipo de vegetación corresponde a bosque de pino, en la que las especies arbóreas dominantes son Pinus durangensis Martínez, Pinus teocote Schltdl. & Cham., Pinus leiphylla Schltld. & Cham. y Pinus cooperi C.E. Blanco var. cooperi (Inegi, 2017a).
Datos de campo
Los datos dasométricos se obtuvieron de 22 Sitios Permanentes de Investigación Forestal y Suelos (SPIFyS) establecidos durante el invierno del año 2009 mediante la metodología desarrollada por Corral-Rivas et al. (2009); y posteriormente remedidos en intervalos de 5 años (2014 y 2019). Los SPIFyS miden 50 × 50 m y se ubicaron mediante un muestreo sistemático, con una distancia promedio de 3 a 5 km entre ellos. Para el cálculo del área basal (G), se utilizaron las técnicas de modelización forestal descritas por Diéguez-Aranda et al. (2005). El volumen (Vta) y la biomasa (W) se calcularon con las ecuaciones específicas por especie desarrolladas por Simental-Cano et al. (2017) y Vargas-Larreta et al. (2017), respectivamente.
Adquisición y procesamiento de las imágenes de satélite
Se adquirieron y procesaron tres escenas de satélite del sensor Sentinel-2A (Cuadro 1) del servidor del Servicio Geológico de Estados Unidos (USGS-https://glovis.usgs.gov). Dichas imágenes tienen un procesamiento de nivel 1 (Level 1C), de las cuales solo se utilizaron las bandas del sector visible e infrarrojo, con la misma resolución espacial (Cuadro 2). A fin de eliminar los efectos de la atmósfera, se procesaron las imágenes para obtener valores de reflectancia de la superficie (SR-Level 2A), mediante la herramienta Sen2Cor (Casella et al., 2018) en Software de la Plataforma de Aplicación Sentinel 2A (SNAP) (Louis et al., 2016). Posteriormente, se calculó el Índice de Vegetación de Diferencia Normalizada (NDVI), con el propósito de contribuir con la estimación de los parámetros forestales.
Donde:
NIR = Banda espectral en la región del infrarrojo cercano
R = Banda en la región rojo
Cuadro 1 Características de las imágenes del sensor Sentinel 2A, utilizadas en este estudio.
| Identificador | Fecha de adquisición | Cobertura de nubes (%) | Agencia |
|---|---|---|---|
| T13QDF | 22/11/2019 | 0.02 | ESA |
| T13QEF | 22/11/2019 | 0 | ESA |
| T13QDG | 22/11/2019 | 4.2 | ESA |
ESA = Agencia Espacial Europea.
Análisis estadístico
Se realizó un análisis de correlación para determinar la relación entre variables espectrales y parámetros forestales. Posteriormente, se ajustaron modelos de regresión lineal múltiple para identificar a las variables que predicen mejor los parámetros forestales mediante el procedimiento stepwise (selección por pasos), bajo la estrategia mixta; es decir, se usó una combinación de la selección forward y backward, con la librería MASS (Ripley, 2020), en el programa R Core Team (2020).
El modelo utilizado fue de la forma:
Donde:
y = Parámetro forestal por estimar
X n = Bandas espectrales e índice de vegetación
β n = Coeficientes de regresión
ε i = Error aleatorio
G, Vta y W = Variables dependientes
Bandas B1, B2, B3 e ICR y NDVI <0 = Variables independientes
Para evaluar la capacidad de ajuste del modelo se calcularon los coeficientes de bondad del ajuste, coeficiente de determinación ajustado (R 2 Adj ) y la raíz del cuadrado medio del error (RCME).
Donde:
n= Número de observaciones totales
p= Número de parámetros del modelo
Una vez evaluado el mejor modelo, se le utilizó para generar los mapas de cada parámetro forestal; para ello, se consideró solo el área de bosque templado para el área de estudio, con base en el uso de suelo y vegetación (Inegi, 2017a); este proceso se llevó a cabo mediante la librería raster (Hijmans, 2020). Enseguida, se generó la distribución espacial del error del modelo (residuos) de cada parámetro con una interpolación de Distancia Inversa Ponderada (IDW), por medio de la librería gstat (Pebesma, 2004). Dichos procesos se hicieron en el programa R (R Core Team, 2020). En la Figura 2 se muestra el diagrama de flujo de trabajo del presente estudio.
Resultados y Discusión
Las principales estadísticas descriptivas para las variables dasométricas por hectárea en los sitios de estudio se resumen en el Cuadro 3. Los resultados muestran que en la Comunidad de San Bernardino de Milpillas Chico el área basal por hectárea (G) se distribuye en un intervalo de 11.23 a 34.98 m2 ha-1, con un valor medio de 19.82 m2 ha-1. Vta y W tuvieron valores de 97.38 a 418.62 m3 ha-1, y de 54.271 a 289.418 Mg ha-1, con promedios de 198.037 m3 ha-1 y 121.683 Mg ha-1, respectivamente. Estos resultados fueron similares a los obtenidos por Graciano-Ávila (2019) y López-Serrano (2020) para este tipo de bosques en la región del mismo municipio, Pueblo Nuevo, Durango, México.
Cuadro 3 Estadísticas descriptivas de los parámetros forestales estimados en los 22 SPIFyS evaluados.
| Variable | Mínimo | Máximo | Media | StD |
|---|---|---|---|---|
| G | 11.23 | 34.98 | 19.82 | 6.63 |
| Vta | 97.38 | 418.62 | 198.04 | 97.22 |
| W | 54.271 | 289.42 | 121.68 | 65.52 |
G = Área basal (m2 ha-1); Vta = Volumen forestal (m3 ha-1); W = Biomasa forestal aérea (Mg ha-1); StD = Desviación estándar.
La correlación entre G, Vta y W de cada SPIFyS con las diferentes bandas espectrales y NDVI se presentan en la Figura 3. El coeficiente de correlación de Pearson (r) varió de -0.26 a 0.77. El análisis registró una asociación negativa en las reflectancias de las bandas espectrales B1, B2 y B3 con los parámetros forestales; mientras que el IRC y el NDVI tuvieron tendencias positivas. El valor de r más alto se registró en el NDVI de 0.68, 0.77 y 0.76 para G, Vta y W, respectivamente; comportamiento que resulta similar al publicado por diversos autores bajo el mismo objetivo de estimación de variables dasométricas, con distintos tipos de sensores en diferentes masas forestales (López-Serrano et al., 2016; Acosta et al., 2017; Dos et al., 2018; Hernández-Ramos et al., 2020).
Figura 3 Coeficientes de correlación de Pearson entre variables espectrales y parámetros forestales.
La correlación alta observada en el NDVI (r = >0.60) con cada una de las variables dependientes, se debe a que el NDVI tiene la capacidad de explicar la variación de la vegetación fotosintéticamente activa dada la combinación de reflectancia en el espectro verde e infrarrojo del sector electromagnético (Chuvieco, 2002; Lu et al., 2004). Esto lo convierte en el índice de vegetación más utilizado como predictor en la estimación de parámetros biofísicos forestales, dada la creciente accesibilidad a la información espectral con resoluciones espaciales cada vez más finas (Assmann et al., 2020; Myers-Smith et al., 2020).
Los valores de los coeficientes de determinación ajustados (R 2 Adj ) y errores de los mejores modelos (RCME) para estimar los parámetros forestales en el área de estudio se resumen en el Cuadro 4. En la Figura 4, se ilustra la distribución de los residuales de los modelos. El estadístico R 2 Adj de los modelos de regresión estimados varió de 0.51 a 0.59. En la estimación de Vta, el valor de R 2 Adj fue ligeramente mayor, ya que el modelo logró explicar 59 % de la varianza total observada en ese atributo (RCME = 57.60 m3 ha-1). Sin embargo, su valor es liger/amente inferior al obtenido por Chrysafis et al. (2017), quienes estimaron el volumen forestal en ecosistemas forestales del mediterráneo, y se basaron en imágenes Sentinel-2, aunque en su caso calcularon un error superior al estimado en este trabajo (R 2 = 0.63; RCME = 63.11 m3 ha-1) y Landsat 8 OLI (R 2 = 0.62; RCME = 64.40 m3 ha−1) y RCME mayor.
Cuadro 4 Modelos de regresión utilizados en este estudio con sus respectivos estadísticos de ajuste.
| Modelo | β | Valor | R 2 Adj | RCME |
|---|---|---|---|---|
|
|
β 0 | -33.096 | 0.51 | 4.4 |
| β 1 | 0.03543 | |||
| β 2 | 65.5993 | |||
|
|
β 0 | -1 478.4 | 0.59 | 57.6 |
| β 1 | 1.4387 | |||
| β 2 | -0.3673 | |||
| β 3 | 2 801.5 | |||
|
|
β 0 | -1 021.2 | 0.58 | 39.29 |
| β 1 | 0.9901 | |||
| β 2 | -0.2546 | |||
| β 3 | 1 915.4 |
G = Área basal (m2 ha-1); Vta = Volumen forestal (m3 ha-1); W = Biomasa forestal (Mg ha-1); β = Parámetros del modelo; R 2 Adj = Coeficiente de determinación ajustado; RCME = Raíz del cuadrado medio del error.
Figura 4 Valores predichos frente a valores observados de los modelos seleccionados para la estimación de los parámetros forestales estudiados.
Hu et al. (2020) estimaron el volumen forestal mediante un análisis de regresión lineal múltiple (R 2 = 0.49; RCME = 70.22 m3 ha-1), basado en las variables derivadas de Sentinel-2, en los bosques de la provincia de Hunan, China.
En el caso particular de México, estos resultados fueron superiores a los de Hernández-Ramos et al. (2020), quienes calcularon el volumen (R 2 Adj = 0.32; RCME = 68.39 m3 ha-1), el área basal (R 2 Adj = 0.28; RCME = 7.64 m2 ha-1) y la biomasa (R 2 Adj = 0.32; RCME = 35.65 Mg ha-1), bajo una técnica estadística de regresión lineal múltiple, en diferentes ecosistemas de selvas mediante la combinación de información espectral de media resolución (Landsat) e información derivada del Inventario Nacional Forestal y de Suelos (INFyS) de Quintana Roo.
Por otra parte, Torres-Vivar et al. (2017) calcularon el Vta (R 2 Adj = 0.66; RCME = 62.3 m3 ha-1), G (R 2 Adj = 0.66; RCME = 5.82 m2 ha-1) y W (R2 Adj = 0.66; RCME = 32 Mg ha-1) en bosques de coníferas en el estado de Hidalgo, a partir de un análisis de regresión múltiple y datos del sensor de alta resolución SPOT 6. Bajo el mismo esquema, en ecosistemas de selva baja caducifolia y con datos de media resolución (Landsat) en el Estado de México, Acosta et al. (2017) determinaron valores del RCME para Vta de 13.18 m3 ha-1(R 2 Adj = 0.66), mientras que para G un valor de 3.30 m2 ha-1 (R 2 Adj = 0.52) y para W 5.91 Mg ha-1 (R 2 Adj = 0.60); cifras que fueron superiores a las del presente trabajo.
Dicha variación en los resultados del RCME y R 2 Adj en la estimación y monitoreo de la vegetación con sensores remotos podrían atribuirse a la resolución espacial de las imágenes, a las condiciones ambientales prevalecientes durante su toma, e incluso al tipo de vegetación en cada estudio de caso (López-Serrano et al., 2016; Torres-Rojas et al.,2016; Hawryło et al., 2018; Pham et al., 2019; Hernández-Ramos et al., 2020; López-Serrano et al., 2020.
Finalmente, una vez seleccionado el mejor modelo se generaron los mapas para cada parámetro forestal estudiado y se graficó la distribución espacial del error de dicho modelo (Figura 5). Para el caso del G la distribución espacial en el área de estudio varió de 0 a 40 m2 ha-1, para el Vta de 0 a 500 m3 ha-1 y W de 0 a 300 Mg ha-1. Estos mapas representan un esquema de la distribución del recurso forestal que se pueden integrar al plan de manejo forestal para mejorar su gestión.
Conclusiones
La generación de modelos de regresión permitió estimar de manera indirecta el G, el Vta y la W mediante información espectral derivada del sensor Sentinel 2A e información dasométrica derivada de SPIFyS. El índice de vegetación NDVI es la variable espectral que presenta mayor correlación con los parámetros forestales estudiados (0.68-0.77). Las imágenes de alta resolución del sensor Sentinel 2A son una herramienta útil para el mapeo de parámetros forestales en bosques templados a nivel regional.
