Services on Demand
Journal
Article
Indicators
- Cited by SciELO
- Access statistics
Related links
- Similars in SciELO
Share
Revista Chapingo serie ciencias forestales y del ambiente
On-line version ISSN 2007-4018Print version ISSN 2007-3828
Rev. Chapingo ser. cienc. for. ambient vol.25 n.1 Chapingo Jan./Apr. 2019 Epub Feb 15, 2021
https://doi.org/10.5154/r.rchscfa.2018.06.047
Artículo científico
Parámetros globales-locales y fijos-aleatorios para modelar el crecimiento en altura dominante de Pinus pseudostrobus Lindley
1Universidad Autónoma de Nuevo León, Facultad de Ciencias Forestales. Carretera Nacional, km 145. C. P. 67700. Linares, Nuevo León, México.
2Instituto Nacional de Investigaciones Forestales, Agrícolas y Pecuarias, Centro de Investigación Regional Norte Centro, Campo Experimental Valle del Guadiana. Carretera Durango-Mezquital km 4.5. C. P. 43000. Durango, Durango, México.
3Universidad Michoacana de San Nicolás de Hidalgo, Facultad de Agrobiología “Presidente Juárez”. Paseo de la Revolución núm. 1, col. Emiliano Zapata. C. P. 60170. Uruapan, Michoacán, México.
Introducción:
Los modelos de altura dominante e índice de sitio (IS) consideran parámetros promedio para una muestra o población. El enfoque de modelación de variables indicadoras (VI) genera parámetros globales y locales, mientras que los modelos de efectos mixtos (MEM) generan fijos y aleatorios para cada árbol o parcela.
Objetivo:
Ajustar y comparar ecuaciones dinámicas de altura dominante con los enfoques de VI y MEM para Pinus pseudostrobus Lindley en plantaciones forestales comerciales de Nuevo San Juan Parangaricutiro, Michoacán, México.
Materiales y métodos:
Tres ecuaciones en diferencias algebraicas (ADA) y una generalizada (GADA), basadas en el modelo de Chapman-Richards, se ajustaron con el parámetro de IS asociado como local o aleatorio para cada árbol. La base de datos utilizada consideró análisis troncales de 41 árboles.
Resultados y discusión:
La precisión de las ecuaciones ajustadas con VI y MEM fue similar, de acuerdo con los estadísticos de ajuste y las trayectorias de las curvas de IS a la edad base de 20 años. En las ecuaciones ADA, la curva polimórfica presentó eficiencia estadística superior con los dos enfoques, cuando el parámetro de la tasa de crecimiento dependió del IS. No obstante, la ecuación GADA generó curvas que describieron mejor el patrón de crecimiento; la precisión mayor se obtuvo con el enfoque de VI.
Conclusiones:
El uso de la ecuación GADA con VI es una herramienta precisa para clasificar la productividad de las plantaciones forestales comerciales, lo cual permitirá la planeación del manejo forestal por calidad de estación.
Palabras clave: Calidad de estación; ecuaciones dinámicas; efectos mixtos; índice de sitio; variables indicadoras
Introduction:
Dominant height and site index (SI) models consider average parameters for a sample or population. The dummy variable (DV) modeling approach generates global and local parameters, while mixed-effects models (MEM) generate fixed and random ones for each tree or plot.
Objective:
To fit and compare dynamic dominant height equations with the DV and MEM approaches for Pinus pseudostrobus Lindley in commercial forest plantations in Nuevo San Juan Parangaricutiro, Michoacan, Mexico.
Materials and methods:
Three algebraic difference approach (ADA) equations and one generalized algebraic difference approach (GADA) equation, based on the Chapman-Richards model, were fitted with the SI parameter associated as local or random for each tree. The database used considered stem analysis of 41 trees.
Results and discussion:
The accuracy of the fitted equations with DV and MEM was similar, according to the fitting statistics and the trajectories of the SI curves at the base age of 20 years. In the ADA equations, the polymorphic curve showed greater statistical efficiency with both approaches when the growth rate parameter depended on the SI. However, the GADA equation generated curves that better described the growth pattern; the highest accuracy was obtained with the DV approach.
Conclusions:
The use of the GADA equation with DV is an accurate tool for classifying the productivity of commercial forest plantations, which will allow forest management planning based on site quality.
Keywords: Site quality; dynamic equations; mixed effects; site index; dummy variable
Introducción
La calidad de sitio se puede definir como la capacidad productiva de un lugar concreto para el crecimiento de los árboles de una especie determinada como respuesta a la totalidad de las condiciones ambientales existentes; comúnmente, se refiere al volumen de madera que un rodal produce en un turno de corta (Diéguez et al., 2009; Skovsgaard & Vanclay, 2008). Los métodos de evaluación de la calidad de sitio se dividen en directos e indirectos. Los métodos directos se basan en observaciones de altura dominante o codominante; esta variable no tiene afectación por la densidad del rodal y es un componente fundamental en los modelos de crecimiento y rendimiento (Pyo, 2017; Seki & Sakici, 2017). Por otro lado, los indirectos emplean las relaciones entre las especies del dosel, las características de la vegetación del sotobosque, los factores topográficos, climáticos y edáficos, y la composición química del follaje (Chen, Klinka, & Kabzems, 1998; Wang, 1998).
Para caracterizar la productividad forestal de los rodales se utiliza la altura dominante esperada a cierta edad y se le denomina índice de sitio (IS) (Martín-Benito, Gea-Izquierdo, Del Río, & Cañellas, 2008). La modelación de la altura dominante y el IS constituye una herramienta importante para clasificar la productividad de los terrenos forestales y definir estrategias de manejo en la aplicación de tratamientos silvícolas (López-Sánchez, Álvarez-González, Diéguez-Aranda, & Rodríguez-Soalleiro, 2015; Quiñonez-Barraza et al., 2015). Uno de los métodos más empleados para generar curvas de IS es la curva guía, la cual caracteriza el estado de la altura para determinar la condición promedio actual; en contraste, las ecuaciones dinámicas estiman la altura dominante en función de la edad y altura actuales y futuras (Tamarit-Urias et al., 2014). Las ecuaciones dinámicas se basan en la diferencia algebraica (ADA) y diferencia algebraica generalizada (GADA). En el método ADA, un parámetro de la ecuación se considera específico del sitio. En función del parámetro dependiente del sitio, se obtienen curvas anamórficas o polimórficas (Bailey & Clutter, 1974). En las ecuaciones GADA, dos parámetros son específicos del sitio y generan familias de curvas polimórficas con asíntotas múltiples (Cieszewski & Bailey, 2000).
Los enfoques de variables indicadoras (VI) y de modelos de efectos mixtos (MEM) se han aplicado en ecuaciones ADA y GADA para modelar la altura dominante e IS (De los Santos-Posadas, Montero-Mata, & Kanninen, 2006; Nigh, 2015; Tamarit-Urias et al., 2014; Wang, Borders, & Zhao, 2007); los resultados han mostrado capacidad de predicción y proyección de la altura en función de la edad. En el enfoque de VI se generan parámetros globales y locales, y en el enfoque de MEM, los parámetros son fijos y aleatorios para cada árbol o parcela. Estos enfoques ajustan simultáneamente los parámetros globales (comunes) y específicos (locales), pero difieren en la forma de estimación (Wang, Borders, & Zhao, 2008). El primero se caracteriza por la adición de variables indicadoras al parámetro que explica el efecto del árbol o la parcela, considera los parámetros locales como fijos, pero diferentes para cada árbol o parcela. Por otro lado, el enfoque MEM proporciona una respuesta media si solo se consideran los parámetros fijos y una respuesta específica por unidad de muestreo, que en conjunto forman los parámetros de efectos mixtos. Estos se estiman mediante la definición de una matriz de varianza-covarianza en la estructura del modelo (Calama & Montero, 2004; Fang & Bailey, 2001).
En el estado de Michoacán, México, Pinus pseudostrobus Lindley es la especie forestal más importante en términos económicos, por lo cual se han establecido plantaciones forestales comerciales que representan un componente en la producción maderable (López-Upton, 2002; Sáenz-Romero et al., 2012). Por lo anterior, es necesario desarrollar técnicas silvícolas precisas para la planeación y ejecución de actividades de manejo forestal sustentable. En este contexto, el objetivo de la investigación fue ajustar y comparar ecuaciones dinámicas de altura dominante e IS con los enfoques de VI y MEM para P. pseudostrobus en plantaciones forestales comerciales de Nuevo San Juan Parangaricutiro, Michoacán, México.
Materiales y métodos
Área de estudio
El estudio se realizó en plantaciones forestales comerciales de P. pseudostrobus en Nuevo San Juan Parangaricutiro, Michoacán, localizadas entre los 19° 34’ - 19° 25’ LN y 102° 17’ - 102° 00’ LO. La superficie total de las plantaciones es de 12 ha, distribuidas en las localidades de Pario, Huerekutini, Tejamanil I y Tejamanil II. El clima es templado húmedo, la temperatura media anual es 18 °C y la precipitación media anual de 1 600 mm (García, 1988). El grupo de suelos más abundante se constituye por Andosoles, Regosoles y Feozems. La vegetación es propia de clima templado; en el componente arbóreo destacan Pinus devoniana Lindl., P. montezumae Lamb., P. douglasiana Martínez, P. leiophylla Schiede ex Schltdl. & Cham., P. pseudostrobus Lindl., Quercus laurina Bonpl., Q. castanea Muhl., Q. rugosa Neé, Abies religiosa Kunth Schltdl. et Cham., Arbutus xalapensis Kunth, Cornus disciflora Sessé & Moc., Tilia mexicana Schltdl., Alnus acuminata H. B. K. y Alnus jorullensis Kunth (García-Espinoza et al., 2016).
La base de datos proviene de 41 árboles dominantes y codominantes con edades de 26 y 28 años. Los árboles se derribaron para la obtención de cortes transversales a 0.3 m, 0.6 m y 1.3 m de longitud y secciones entre 2.5 m y 3.3 m hasta llegar a la altura total. Los datos de altura-edad se obtuvieron con la metodología de análisis troncales. La muestra se obtuvo en diferentes altitudes y exposiciones para cubrir las localidades de estudio.
Ecuaciones de altura dominante e índice de sitio
La ecuación base fue la desarrollada por Chapman-Richards (Richards, 1959), la cual es flexible y ha sido utilizada para generar curvas de IS e incremento de altura en relación con la edad (Cañadas-L et al., 2018; Pyo, 2017; Quiñonez-Barraza et al., 2015; Rodríguez-Carrillo, Cruz-Cobos, Vargas-Larreta, & Hernández, 2015). La ecuación se representa como:
donde
|
altura |
|
edad |
|
parámetro que representa la asíntota horizontal |
|
tasa de crecimiento |
|
tasa de cambio |
|
constante matemática de Euler |
De manera preliminar, la ecuación ADA1 con parámetros globales y locales se ajustó, para que la base de datos fuera simétrica en las trayectorias de crecimiento, lo que permitió estimar la altura de cada árbol hasta la edad de 28 años. Los parámetros ajustados fueron diferentes de cero (P < 0.00001) y el coeficiente de determinación fue 99.61 %. La base de datos simétrica en edad se utilizó para el ajuste de las ecuaciones dinámicas. Las estadísticas descriptivas que incluyen los valores promedio, mínimos y máximos y desviación estándar para la altura-edad, en las cuatro localidades, se muestran en el Cuadro 1.
Localidad | Variable | Mínimo | Máximo | Media |
---|---|---|---|---|
Pario | E | 1.00 | 28.00 | 11.98 ± 8.59 |
A | 0.30 | 31.20 | 13.42 ± 9.39 | |
Huerekutini | E | 1.00 | 28.00 | 11.21 ± 8.56 |
A | 0.30 | 29.38 | 12.42 ± 9.38 | |
Tejamanil I | E | 1.00 | 28.00 | 11.22 ± 8.39 |
A | 0.30 | 34.76 | 14.33 ± 10.41 | |
Tejamanil II | E | 1.00 | 28.00 | 10.78 ± 8.51 |
A | 0.30 | 34.39 | 13.56 ± 10.12 |
E = edad (años); A = altura (m); ± desviación estándar de la media.
La ecuación ADA1 representó curvas de IS anamórficas con el parámetro de la
asíntota (
Enfoques de modelación
El parámetro local de cada ecuación se ajustó con el enfoque de VI para obtener un estimador para cada árbol; por ejemplo, la ecuación 1, de acuerdo con Wang et al. (2008) fue representada como:
donde el parámetro local (
En el enfoque MEM se utilizó una formulación con efecto aleatorio en cada árbol, la cual asumió efectos fijos y aleatorios. La estructura general de los modelos de acuerdo con Fang y Bailey (2001) fue la siguiente:
donde
|
función dinámica |
|
matriz de diseño de tamaño de |
|
vector del tamaño |
|
matriz de diseño de tamaño |
|
vector del tamaño |
|
edad en años j del árbol |
|
edad de referencia en años |
|
dimensión igual al número de parámetros con efectos fijos (globales) |
|
vector del término del error, el cual se asumió con la propiedad: |
El parámetro local con efecto aleatorio fue
En los MEM, el parámetro aleatorio se puede obtener a través de un proceso de
calibración para una muestra independiente; una respuesta calibrada requiere
mediciones de altura para k árboles. El parámetro aleatorio (
donde
|
matriz escalar de la varianza del efecto aleatorio |
|
matriz de derivadas parciales con respecto a los parámetros mixtos |
T |
matriz transpuesta |
|
matriz escalar de varianza dentro de cada árbol |
|
diferencia entre la altura observada y la predicha, usando los parámetros de la ecuación con efectos fijos (Ercanli, Kahriman, & Yavuz, 2014; Jiang & Li, 2010) |
Ajuste y evaluación de las ecuaciones
Las ecuaciones formuladas con VI se ajustaron por máxima verosimilitud (ml) con el paquete optimx, bajo el método nlminb del programa estadístico R (R Core Team, 2017). Para el enfoque MEM, las ecuaciones se ajustaron por máxima verosimilitud del paquete nlme (Pinheiro, Bates, DebRoy, & Sarkar, 2013) en R, excepto la ecuación 4 que fue ajustada por ml con el procedimiento NLMIXED de SAS (SAS Institute Inc., 2014) para lograr la convergencia de los parámetros fijos y aleatorios. En el programa SAS se probaron todos los algoritmos que permitieron buscar los parámetros más eficientes para la ecuación GADA con MEM; el método de optimización local de Gauss proporcionó el valor más alto en la verosimilitud y el más bajo de la media del parámetro aleatorio.
La precisión de las ecuaciones ajustadas por VI y MEM se evaluó con los estadísticos de logaritmo de verosimilitud (LL) y criterio de información de Akaike (AIC); los modelos con los valores mayores de LL y los menores de AIC fueron considerados los más eficientes (Akaike, 1979; Schwarz, 1978; Wang et al., 2008). Además, se incluyeron el coeficiente de determinación (R2), la raíz del cuadrado medio del error (RCME) y sesgo promedio absoluto, estimados con los valores residuales de las ecuaciones ajustadas.
El análisis visual es una de las formas más eficientes para comparar modelos y detectar posibles discrepancias sistemáticas (Rojo-Alboreca, Cabanillas-Saldaña, Barrio-Anta, Notivol-Paíno, & Gorgoso-Varela, 2017), por ello, se graficaron las curvas de IS, las cuales fueron sobrepuestas a los datos observados. Del mismo modo, la evolución del sesgo se analizó por categorías de edad para las ecuaciones dinámicas ajustadas.
El problema potencial de autocorrelación asociado a las mediciones de alturas en cada árbol no fue corregido debido a que la estructura de las ecuaciones con efectos aleatorios permite representar la matriz de varianzas-covarianzas apropiadamente, y es posible controlar la variación específica a nivel árbol, lo que contrarresta el efecto de autocorrelación (De los Santos Posadas et al., 2006; Jerez-Rico, Moret-Barillas, Carrero-Gámez, Macchiavelli, & Quevedo-Rojas, 2011). En otros estudios se ha demostrado que el uso de una estructura para corregir la autocorrelación genera poca ganancia en el ajuste; además, los parámetros estimados de la estructura no se utilizan en la práctica (Nord-Larsen, 2006; Wang et al., 2007, 2008).
Resultados y discusión
El Cuadro 2 presenta los estimadores y errores estándar de los parámetros globales para el enfoque de VI y los fijos para MEM. Todos los parámetros fueron diferentes de cero (P < 0.0001). Las medias de los parámetros locales y mixtos fueron similares en cada ecuación ajustada; los valores variaron de 21.71 a 23.76 y la varianza de 4.21 a 9.59, respectivamente (Cuadro 3).
Ecuación | EM | Parámetro | Estimador | EE | t | Pr > |t| |
---|---|---|---|---|---|---|
ADA1 | VI |
|
0.0846 | 0.0026 | 32.3987 | <0.00001 |
|
1.4660 | 0.0294 | 49.9292 | <0.00001 | ||
MEM |
|
23.6931 | 0.4860 | 48.7556 | <0.00001 | |
|
0.0845 | 0.0035 | 23.8595 | <0.00001 | ||
|
1.4646 | 0.0407 | 36.0047 | <0.00001 | ||
|
1.7913 | 0.0975 | 18.3702 | <0.00001 | ||
|
9.4095 | 1.7237 | 5.4586 | <0.00001 | ||
ADA2 | VI |
|
33.3855 | 0.3637 | 91.7950 | <0.00001 |
|
1.4776 | 0.0279 | 53.0446 | <0.00001 | ||
MEM |
|
23.7308 | 0.4428 | 53.5917 | <0.00001 | |
|
33.2124 | 0.4101 | 80.9942 | <0.00001 | ||
|
1.4857 | 0.0336 | 44.2634 | <0.00001 | ||
|
1.3869 | 0.0719 | 19.2725 | <0.00001 | ||
|
7.7919 | 2.1989 | 3.5434 | <0.00001 | ||
ADA3 | VI |
|
36.3964 | 0.5833 | 62.3996 | <0.00001 |
|
0.0672 | 0.0025 | 26.8284 | <0.00001 | ||
MEM |
|
23.7666 | 0.3365 | 70.6316 | <0.00001 | |
|
35.6968 | 0.6906 | 51.6920 | <0.00001 | ||
|
0.0700 | 0.0032 | 21.7437 | <0.00001 | ||
|
1.8990 | 0.2253 | 8.4320 | <0.00001 | ||
|
4.3609 | 0.8992 | 4.9256 | <0.00001 | ||
GADA | VI |
|
4.1259 | 0.0704 | 58.5697 | <0.00001 |
|
-0.4242 | 0.0477 | 8.8958 | <0.00001 | ||
|
0.0868 | 0.0026 | 33.2023 | <0.00001 | ||
MEM |
|
21.7156 | 3.8264 | 5.6800 | <0.00001 | |
|
4.1242 | 0.0835 | 49.3900 | <0.00001 | ||
|
-0.4234 | 0.0565 | 7.4900 | <0.00001 | ||
|
0.0868 | 0.0031 | 28.1600 | <0.00001 | ||
|
1.3877 | 0.0797 | 17.4100 | <0.00001 | ||
|
7.6689 | 1.7419 | 4.4000 | <0.00001 |
EM = enfoque de modelación; EE = error estándar del parámetro;
Ecuación | EM | LL | AIC | R2 | RCME |
|
|
|
---|---|---|---|---|---|---|---|---|
ADA1 | VI | -1 134.84 | 2 355.69 | 0.9817 | 1.3376 | 0.1046 | 23.6918 | 9.5933 |
MEM | -1 181.24 | 2 454.48 | 0.9816 | 1.3420 | 0.1051 | 23.6930 | 9.1331 | |
ADA2 | VI | -1 014.74 | 2 115.47 | 0.9858 | 1.1796 | 0.0823 | 23.7273 | 7.9792 |
MEM | -1 106.50 | 2 305.00 | 0.9857 | 1.1833 | 0.0813 | 23.7307 | 7.6480 | |
ADA3 | VI | -1 169.47 | 2 424.94 | 0.9806 | 1.3797 | 0.0929 | 23.7496 | 4.6453 |
MEM | -1 200.11 | 2 492.23 | 0.9804 | 1.3855 | 0.0890 | 23.7665 | 4.2102 | |
GADA | VI | -1 015.04 | 2 118.07 | 0.9858 | 1.1809 | 0.0705 | 23.7680 | 7.8159 |
MEM | -1 106.55 | 2 225.10 | 0.9866 | 1.1470 | 0.0715 | 21.7124 | 7.5299 |
EM = enfoque de modelación; LL = logaritmo de la verosimilitud; AIC = criterio de información de Akaike; R2 = coeficiente de determinación ajustado; RCME = raíz del cuadrado medio del error,
De acuerdo con la comparación de los ajustes de los enfoques de modelación con ecuaciones ADA, la ecuación ADA2 (ecuación 2) con VI obtuvo el valor máximo en el LL (-1 014.74) y el menor en AIC (2 115.47). Por su parte, la ecuación GADA (ecuación 4) con VI presentó valores de -1 015.04 y 2 118.07, en el LL y AIC, respectivamente, los cuales fueron similares a los obtenidos para ADA2 (Cuadro 3). En las ecuaciones con VI, los parámetros locales fueron totalmente independientes en comparación de MEM, donde los parámetros aleatorios se sumaron al parámetro fijo. Esto explicó los resultados favorables para VI en términos de LL y AIC, que puede considerarse como una versión modificada de LL para tomar en cuenta el efecto del número de parámetros del modelo, aun cuando se obtengan los mismos resultados en términos de bondad de ajuste (Wang et al., 2008).
En general, las ecuaciones ADA con VI fueron relativamente superiores a las ajustadas con MEM. En las ecuaciones ADA, el valor de R2 fue mayor (98.58 %) y el de la RCME menor (1.17 m) en la ecuación ADA2 (ecuación 2) con VI, aunque con MEM presentó el menor sesgo. Por otro lado, la ecuación GADA (ecuación 4) ajustada con MEM presentó el valor más alto de R2 (98.66 %) y el menor en la RCME (1.14 m); no obstante, el sesgo fue menor con el enfoque de VI (Cuadro 3).
La Figura 1 muestra que la distribución de los parámetros locales y mixtos se asemeja a una normal y que fue similar para VI y MEM. Los parámetros aleatorios de los MEM para el grupo ADA mostraron una distribución normal con diferente grado de curtosis, y los valores de la media fueron cercanos a 0 (−7.32×10−11, −9.09×10−16, 7.31×10−11 para ADA1, ADA2 y ADA3, respectivamente), mientras que GADA presentó un valor de −0.0030 con el método de optimización de Gauss (Figura 2). La condición de obtener una distribución normal de los parámetros aleatorios con media cero y varianza conocida es un aspecto que se debe considerar; si esto no sucede, podría ser una razón para usar VI, ya que en este enfoque no existen consideraciones sobre los parámetros locales, pues son independientes entre sí y no hay restricciones sobre los valores que pueden tomar (Nigh, 2015; Verbeke & Molenberghs, 2000; Wang et al., 2008).
La Figura 3 muestra las familias de curvas de crecimiento de la altura dominante con los enfoques de modelación y las ecuaciones ADA y GADA. Las categorías de IS fueron simétricas: 18, 22, 26 y 30 m a una edad de referencia de 20 años.
En edades de uno a 10 años se observó una subestimación en la altura dominante con las curvas obtenidas de la ecuación ADA1 (ecuación 1), mientras que para ADA3 (ecuación 3) se observó sobrestimación. Las ecuaciones ADA2 (ecuación 2) y ADA3 generan curvas polimórficas, y GADA (ecuación 4), polimórficas con asíntotas diferentes. El uso de modelos polimórficos se ha sugerido en la literatura para representar adecuadamente la relación edad-altura (Álvarez, Ruiz, Rodríguez, & Barrio, 2005; Kahriman, Sönmez, & Gadow, 2018; Tewari, Álvarez-González, & García, 2014); sin embargo, ADA3 en la curva de IS de 30 m mostró una desarticulación conforme a la tendencia de los datos. Las trayectorias de las familias de curvas generadas con GADA describieron mejor el comportamiento del crecimiento en altura dominante para los IS, a la edad base de 20 años. Los valores de IS estimados con GADA con VI para las localidades de Pario, Huerekutini, Tejamanil I y Tejamanil II fueron de 34, 32, 37 y 36 m, respectivamente. Las plantaciones forestales comerciales de Pario y Huerekutini se localizan en el noreste de Nuevo San Juan Parangaricutiro y presentan características topográficas similares con pendientes de 11 a 20 %, mientras que Tejamanil I y Tejamanil II se localizan en el suroeste y la pendiente varía de 12 a 23 %.
Las ecuaciones dinámicas basadas en el modelo de Chapman-Richards presentaron resultados similares a los reportados por Pacheco, Santiago, Martínez, y Ortiz (2016), quienes indicaron que la ecuación ADA2 y una GADA fueron más precisas; no obstante, esta última describió mejor los datos y cubrió la altura dominante de P. montezumae con mayor amplitud; Quiñonez-Barraza et al. (2015) generaron familias de curvas con la ecuación GADA utilizada en este estudio, las cuales describieron adecuadamente el crecimiento de la altura dominante de especies de Pinus en rodales mezclados de Durango. Del mismo modo, González, Cruz, Quiñonez, Vargas, y Nájera (2016) seleccionaron una ecuación GADA, ya que presentó bondad de ajuste mejor para predecir el crecimiento en altura de P. pseudostrobus.
La Figura 4 muestra que la tendencia del sesgo promedio por categoría de edad para las ecuaciones fue similar entre enfoques de modelación y que los valores más altos se presentaron en la categoría de dos años. La distribución del sesgo fue mayor en las categorías de seis a 14 años con ADA3 (ecuación 3), mientras que los valores fueron homogéneos para ADA1 (ecuación 1), ADA2 (ecuación 2) y GADA (ecuación 4).
La ecuación GADA con VI y MEM describió mejor el crecimiento en altura dominante; además, presentó la mayor eficiencia en los estadísticos de ajuste. En modelación forestal, estos enfoques han permitido desarrollar ecuaciones precisas con parámetros exclusivos de un árbol o parcela (Jerez-Rico et al., 2011; Pyo, 2017; Sharma, Subedi, Ter-Mikaelian, & Parton, 2015; Tamarit-Urias et al., 2014), lo que coincide con los resultados de este estudio. Aunque los resultados de los enfoques de modelación fueron similares, la ecuación GADA con enfoque de VI tuvo la mayor precisión, por ello, se considera que puede ser utilizada en la descripción del crecimiento en altura dominante de P. pseudostrobus para las plantaciones forestales comerciales estudiadas. Los resultados fueron similares a los encontrados por Wang et al. (2007, 2008), quienes concluyeron que VI y MEM presentaron un rendimiento casi equivalente para la altura dominante e IS de Pinus tadea L. De acuerdo con Nigh (2015), un modelo GADA presentó resultados mejores cuando se ajustó con el enfoque de VI para Picea engelmannii Parry ex Engelm. Por otra parte, en estudios de biomasa para Pinus massoniana Lamb., ambos enfoques tuvieron precisión estadística; no obstante, el uso de MEM resultó más eficiente (Fu, Zeng, Tang, Sharma, & Li, 2012).
Conclusiones
Los enfoques de modelación de variables indicadoras y modelos de efectos mixtos resultaron estadísticamente precisos para las ecuaciones en diferencia algebraica (ADA) y diferencia algebraica generalizada (GADA) y permitieron modelar el crecimiento en altura dominante y generar familias de índice de sitio para P. pseudostrobus. Los resultados sugieren que la ecuación polimórfica ADA2 describe adecuadamente el patrón de crecimiento y proyecta un crecimiento máximo en altura en el turno de corta; sin embargo, la ecuación GADA cubrió satisfactoriamente las trayectorias de crecimiento de la altura dominante y tuvo la precisión mayor con el enfoque de variables indicadoras. Por tanto, el uso de la ecuación GADA con variables indicadoras permite clasificar el potencial productivo de las plantaciones forestales comerciales en Nuevo San Juan Parangaricutiro, Michoacán, las cuales presentan índice de sitio mayor en las localidades Tejamanil I y Tejamanil II, y menor en las localidades Pario y Huerekutini.
Agradecimientos
El autor principal agradece al Consejo Nacional de Ciencia y Tecnología (CONACYT) por la beca otorgada y al programa de Doctorado de la Facultad de Ciencias Forestales de la Universidad Autónoma de Nuevo León. A la comunidad indígena de Nuevo San Juan Parangaricutiro, Michoacán, por las facilidades brindadas para la colecta de la información de campo.
REFERENCIAS
Akaike, H. (1979). A Bayesian extension of the minimum AIC procedure of autoregressive model fitting. Biometrika, 66(2), 237-242. doi: 10.2307/2335654 [ Links ]
Álvarez, G. J., Ruiz, A., Rodríguez, R., & Barrio, M. (2005). Development of ecoregion-based site index models for even-aged stands of Pinus pinaster Ait. Galicia (northwestern Spain). Annals of Forest Science, 62, 115-127. doi: 10.1051/forest:2005003 [ Links ]
Bailey, R. L., & Clutter, J. L. (1974). Base-age invariant polymorphic site curves. Forest Science, 20(2), 155-159. Retrieved from https://www.researchgate.net/publication/233492107_Base-Age_Invariant_Polymorphic_Site_Curves [ Links ]
Calama, R., & Montero, G. (2004). Interregional nonlinear height diameter model with random coefficients for stone pine in Spain. Canadian Journal of Forest Research, 34(1), 150-163. doi: 10.1139/x03-199 [ Links ]
Cañadas-L, Á., Andrade-Candell, J., Domínguez-A, J. M., Molina-H, C., Schnabel-D, O., Vargas-Hernández, J. J., & Wehenkel, C. (2018). Growth and yield models for teak planted as living fences in coastal Ecuador. Forests, 9(2), 55. doi: 10.3390/f9020055 [ Links ]
Chen, H. Y., Klinka, K., & Kabzems, R. D. (1998). Site index, site quality, and foliar nutrients of trembling aspen: relationships and predictions. Canadian Journal of Forest Research, 28(12), 1743-1755. doi: 10.1139/x98-154 [ Links ]
Cieszewski, C. J., & Bailey, R. (2000). Generalized algebraic difference approach: Theory based derivation of dynamic site equations with polymorphism and variable asymptotes. Forest Science, 46(1), 116-126. [ Links ]
De los Santos-Posadas, H. M., Montero-Mata, M., & Kanninen, M. (2006). Curvas dinámicas de crecimiento en altura dominante para Terminalia amazonia (Gmel.) Excell en Costa Rica. Agrociencia, 40(4), 521-534 Retrieved from http://www.redalyc.org/html/302/30240411/ [ Links ]
Diéguez-Aranda, U., Rojo, A. A., Castedo-Dorado, F., Álvarez, G. J. G., Barrio-Anta, M., Crecente-Campo, F., ... & Balboa-Murias, M. A. (2009). Herramientas selvícolas para la gestión forestal sostenible en Galicia. Lugo, España: Xunta de Galicia. [ Links ]
Ercanli, I., Kahriman, A., & Yavuz, H. (2014). Dynamic base-age invariant site index models based on generalized algebraic difference approach for mixed Scots pine (Pinus sylvestris L.) and Oriental beech (Fagus orientalis Lipsky) stands. Turkish Journal of Agriculture and Forestry, 38(1), 134-147. doi: 10.3906/tar-1212-67 [ 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 ]
Fu, L., Zeng, W., Tang, S., Sharma, R., & Li, H. (2012). Using linear mixed model and dummy variable model approaches to construct compatible single-tree biomass equations at different scales-A case study for Masson pine in Southern China. Journal of Forest Science, 58(3), 101-115. Retrieved from https://www.researchgate.net/publication/221704433_Using_linear_mixed_model_and_dummy_variable_model_approaches_to_construct_compatible_single-tree_biomass_equations_at_different_scales_-_A_case_study_for_Masson_pine_in_Southern_China [ Links ]
García, E. (1988). Modificaciones al sistema de clasificación climática de Köppen. México: UNAM, Instituto de Geografía. [ Links ]
García-Espinoza, G. G., Garcia-Magaña, J. J., Hernández-Ramos, J., Muñoz-Flores, H. J., García-Cuevas, X., & Hernández-Ramos, A. (2016). Precisión de los coeficientes y cocientes de forma en la estimación del volumen de Pinus montezumae Lamb. Revista Mexicana de Ciencias Forestales, 7(35), 19-36. Retrieved from http://www.scielo.org.mx/scielo.php?script=sci_arttext&pid=S2007-11322016000300019&lng=es&tlng=es [ Links ]
González, M. M., Cruz, C. F., Quiñonez, B. G., Vargas, L. B., & Nájera, L. J. A. (2016). Modelo de crecimiento en altura dominante para Pinus pseudostrobus Lindl. en el estado de Guerrero. Revista Mexicana de Ciencias Forestales, 7(37), 7-20. Retrieved from http://www.scielo.org.mx/pdf/remcf/v7n37/2007-1132-remcf-7-37-00007.pdf [ Links ]
Jerez-Rico, M., Moret-Barillas, A. Y., Carrero-Gámez, O. E., Macchiavelli, R. E., & Quevedo-Rojas, A. M. (2011). Curvas de índice de sitio basadas en modelos mixtos para plantaciones de teca (Tectona grandis LF) en los llanos de Venezuela. Agrociencia, 45(1), 135-145. Retrieved from http://www.scielo.org.mx/scielo.php?script=sci_arttext&pid=S1405-31952011000100012&lng=es&tlng=es [ Links ]
Jiang, L., & Li, Y. (2010). Application of nonlinear mixed-effects modeling approach in tree height prediction. Journal of Computers, 5(10), 1575-1581. doi: 10.4304/jcp.5.10.1575-1581 [ Links ]
Kahriman, A., Sönmez, T., & Gadow, K. v. (2018). Site index models for Calabrian pine in the central Mediterranean region of Turkey. Journal of Sustainable Forestry, 37(5), 1-16. doi: 10.1080/10549811.2017.1421086 [ Links ]
López-Sánchez, C. A., Álvarez-González, J. G., Diéguez-Aranda, U., & Rodríguez-Soalleiro, R. (2015). Modelling dominant height growth in plantations of Pseudotsuga menziesii (Mirb.) Franco in Spain. Southern Forests: a Journal of Forest Science, 77(4), 315-319. doi: 10.2989/20702620.2015.1077417 [ Links ]
López-Upton, J. (2002). Pinus pseudostrobus Lindl. In J. A. Vozzo (Ed.), Tropical Tree Seed Manual (636-638).USA: USDA Forest Service. [ Links ]
Martín-Benito, D., Gea-Izquierdo, G., Del Río, M., & Cañellas, I. (2008). Long-term trends in dominant-height growth of black pine using dynamic models. Forest Ecology and Management, 256(5), 1230-1238. doi: 10.1016/j.foreco.2008.06.024 [ Links ]
Nigh, G. (2015). Engelmann spruce site index models: A comparison of model functions and parameterizations. PLoS ONE, 10(4), e0124079. doi: 10.1371/journal.pone.0124079 [ Links ]
Nord-Larsen, T. (2006). Developing dynamic site index curves for European beech (Fagus sylvatica L.) in Denmark. Forest Science, 52(2), 173-181. doi: 10.1093/forestscience/52.2.173 [ Links ]
Pacheco, A. G., Santiago, J. W., Martínez, S. D., & Ortiz, B. R. (2016). Análisis del crecimiento e incremento y estimación de índice de sitio para Pinus montezumae Lamb. en Santiago Textitlán, Sola de Vega, Oaxaca. Foresta Veracruzana, 18(2), 21-28. Retrieved from http://www.redalyc.org/articulo.oa?id=49748829003 [ Links ]
Pinheiro, J., Bates, D., DebRoy, S., & Sarkar, D. (2013). R package version 3.1-108. The R development core team nlme: linear and nonlinear mixed effect models. USA: R Development Core Team. [ Links ]
Pyo, J. (2017). Developing the site index equation using a generalized algebraic difference approach for Pinus densiflora in central region, Korea. Forest Science and Technology, 13(2), 87-91. doi: 10.1080/21580103.2017.1308889 [ Links ]
Quiñonez-Barraza, G., De los Santos-Posadas, H. M., Cruz-Cobos, F., Velázquez-Martínez, A., Ángeles-Pérez, G., & Ramírez-Valverde, G. (2015). Site index with complex polymorphism of forest stands in Durango, Mexico. Agrociencia, 49(4), 439-454. Retrieved from http://www.redalyc.org/articulo.oa?id=30239403007 [ Links ]
R Core Team. (2017). R: A language and environment for statistical computing. Vienna, Austria: R Foundation for Statistical Computing. [ Links ]
Richards, F. (1959). A flexible growth function for empirical use. Journal of Experimental Botany, 10(29), 290-301. [ Links ]
Rodríguez-Carrillo, A., Cruz-Cobos, F., Vargas-Larreta, B., & Hernández, F. J. (2015). Compatible dominant height-site index model for juniper (Juniperus deppeana Steud.). Revista Chapingo Serie Ciencias Forestales y del Ambiente, 21(1), 97-108. doi: 10.5154/r.rchscfa.2014.09.041 [ Links ]
Rojo-Alboreca, A., Cabanillas-Saldaña, A. M., Barrio-Anta, M., Notivol-Paíno, E., & Gorgoso-Varela, J. J. (2017). Site index curves for natural Aleppo pine forests in the central Ebro valley (Spain). Madera y Bosques, 23(1), 143-159. doi: 10.21829/myb.2017.231495 [ Links ]
Sáenz-Romero, C., Rehfeldt, G. E., Soto-Correa, J. C., Aguilar-Aguilar, S., Zamarripa-Morales, V., & López-Upton, J. (2012). Altitudinal genetic variation among Pinus pseudostrobus populations from Michoacán, México. Two location shadehouse test results. Revista Fitotecnia Mexicana, 35(2), 111-120. Retrieved from http://www.redalyc.org/html/610/61023300003/ [ Links ]
SAS Institute Inc. (2014). Base SAS 9.4® procedures guide: Statistical procedure (3rd. ed.). Cary, NC, USA: Author. [ Links ]
Schwarz, G. (1978). Estimating the dimension of a model. The Annals of Statistics, 6(2), 461-464. Retrieved from https://projecteuclid.org/download/pdf_1/euclid.aos/1176344136 [ Links ]
Seki, M., & Sakici, O. E. (2017). Dominant height growth and dynamic site index models for Crimean pine in the Kastamonu-Taşköprü region of Turkey. Canadian Journal of Forest Research, 47(11), 1441-1449. doi: 10.1139/cjfr-2017-0131 [ Links ]
Sharma, M., Subedi, N., Ter-Mikaelian, M., & Parton, J. (2015). Modeling climatic effects on stand height/site index of plantation-grown jack pine and black spruce trees. Forest Science, 61(1), 25-34. doi: 10.5849/forsci.13-190 [ Links ]
Skovsgaard, J. P., & Vanclay, J. K. (2008). Forest site productivity: a review of the evolution of dendrometric concepts for even-aged stands. Forestry: An International Journal of Forest Research, 81(1), 13-31. doi: 10.1093/forestry/cpm041 [ Links ]
Tamarit-Urias, J. C., los Santos-Posadas, D., Héctor, M., Aldrete, A., Valdez-Lazalde, J. R., & Ramírez-Maldonado, H. (2014). Ecuaciones dinámicas de índice de sitio para Tectona grandis en Campeche, México. Agrociencia, 48(2), 225-238. Retrieved from http://www.scielo.org.mx/scielo.php?script=sci_arttext&pid=S1405-31952014000200008&lng=es&tlng=es [ Links ]
Tewari, V. P., Álvarez-González, J. G., & García, O. (2014). Developing a dynamic growth model for teak plantations in India. Forest Ecosystems, 1(9), 1-9. doi: 10.1186/2197-5620-1-9 [ Links ]
Verbeke, G., & Molenberghs, G. (2000). Linear mixed models for longitudinal data. New York: USA: NY Springer. [ Links ]
Wang, G. G. (1998). Is height of dominant trees at a reference diameter an adequate measure of site quality? Forest Ecology and Management, 112(1-2), 49-54. doi: 10.1016/S0378-1127(98)00315-6 [ Links ]
Wang, M., Borders, B., & Zhao, D. (2007). Parameter estimation of base-age invariant site index models: which data structure to use? Forest Science, 53(5), 541-551. Retrieved from https://www.researchgate.net/profile/Dehai_Zhao/publication/303767996_Param_Estimation_ForSci_2007/links/57517ea208ae17e65ec1b564.pdf [ Links ]
Wang, M., Borders, B. E., & Zhao, D. (2008). An empirical comparison of two subject-specific approaches to dominant heights modeling: The dummy variable method and the mixed model method. Forest Ecology and Management, 255(7), 2659-2669. doi: 10.1016/j.foreco.2008.01.030 [ Links ]
Recibido: 10 de Junio de 2018; Aprobado: 28 de Noviembre de 2018