Introducción

México es considerado uno de los principales emisores de dióxido de carbono (CO₂) a la atmósfera (^{Climate Transparency, 2022}), a pesar de que el país cuenta con aproximadamente 64 millones de hectáreas de bosques de clima templado y selvas (32 % de su territorio; ^{Comisión Nacional Forestal [CONAFOR], 2022}). De acuerdo con la FAO (^{Food and Agriculture Organization of the United Nations, 2022}), la deforestación y la degradación del suelo representan una de las principales fuentes de emisiones globales de gases de efecto invernadero (GEI), contribuyendo entre el 10 % y el 20 % del total (entre 4 y 6 Gt de CO₂ por año). En México, cerca del 30 % de las emisiones nacionales de GEI se atribuyen a los sectores agrícola, pecuario y forestal (^{Zamora-Morales} et al., 2018). Estas actividades son la segunda fuente de emisiones después de la quema de combustibles fósiles (^{Sapkota et al., 2022}).

Los bonos de carbono son una herramienta global de gestión destinada a la reducción de emisiones de CO₂ que, a su vez, ofrecen a las empresas un mecanismo para compensar sus emisiones mediante la implementación de proyectos enfocados en la conservación de bosques, suelos y agua (^{Cruz-Aviña et al., 2022}; ^{Ranero & Covaleda, 2018}). Un crédito (bono) de carbono es un documento comercial (certificado) que representa la prevención o eliminación de una tonelada de dióxido de carbono de la atmósfera. Estos certificados se utilizan como instrumentos financieros en los mercados de carbono. En 2020, la venta de bonos generó una recaudación de 53 000 millones de pesos (MXN); no obstante, la pandemia de COVID-19 provocó aumento en las emisiones de GEI, situación que generó desequilibrios en el mercado (^{Estrada-Chavira, 2022}). La efectividad de los bonos depende de metodologías confiables de medición que requieren procesos rigurosos de verificación y documentación. Estos procedimientos son esenciales para garantizar la autenticidad de los datos y demostrar el impacto positivo de los proyectos en la mitigación del cambio climático (^{Estrada-Chavira, 2022}). Por ello, la precisión en la cuantificación de la biomasa y carbono ha emergido como un tópico de investigación necesario para la formulación de proyectos de créditos de carbono.

La estimación de la biomasa es necesaria para determinar el potencial de almacenamiento de carbono (^{Rincón-Ruíz et al., 2014}; ^{Sáenz et al., 2021}). Para estimarla se han generado ecuaciones alométricas en función de atributos del árbol que son fácilmente medibles como el diámetro normal y la altura total (^{Eker et al., 2017}); dichas ecuaciones se derivan de la aplicación de muestreos destructivos y del uso de técnicas de regresión (^{Fonseca et al., 2013}; ^{Montes de Oca-Cano et al., 2011}; ^{Quiñonez-Barraza et al., 2019}). En este sentido, el muestreo es un componente esencial en los inventarios forestales, ya que permite la estimación de las características de una población sin evaluar cada uno de sus individuos. La representatividad de la muestra es clave en la validez de los resultados, pues un diseño inadecuado introduce sesgos y conduce a interpretaciones erróneas (^{Barrios et al., 2024}).

El inventario con fines de manejo forestal (IMF) es importante para la toma de decisiones en la elaboración de planes y la cuantificación de existencias volumétricas. Dada su relevancia en el desarrollo de estrategias de manejo, es necesario que el inventario se realice con niveles altos de precisión y con optimización de tiempo y costos. En este contexto, el diseño del inventario se basa en el establecimiento de sitios temporales, cuya cantidad se estima para alcanzar el nivel de precisión requerido en términos de existencias volumétricas, al reducir la varianza entre sitios de muestreo (^{Corral-Rivas et al., 2015}).

En el ámbito de los proyectos forestales de carbono, la comparación entre los esquemas de muestreo del Protocolo Forestal para México (PFM) y del IMF es fundamental para evaluar la precisión y confiabilidad de las estimaciones del contenido de carbono. El análisis de sus diferencias permite la identificación de posibles sesgos, mejora la calidad de los datos y asegura que la metodología aplicada estime los reservorios de carbono con mayor exactitud.

El PFM de la Reserva de Acción Climática (CAR) fue desarrollado específicamente para estimar la capacidad de secuestro, almacenamiento y emisión de CO₂ de los bosques del país (^{González-Cásares et al., 2019}; ^{Patiño et al., 2018}; ^{Pompa-García & Sigala-Rodríguez, 2017}) y es crucial en la gestión sostenible de los recursos forestales, ya que se considera un componente adicional al programa de manejo con fines de producción. El diseño implica el establecimiento de sitios permanentes con un número proporcional a las áreas de actividad del proyecto de carbono. Asimismo, el PFM establece métodos estandarizados para la medición y monitoreo de los almacenes y la captura de carbono, asegurando que las remociones de GEI generadas por los proyectos se cuantifiquen de manera consistente, transparente y precisa.

El objetivo de este estudio fue contrastar las estimaciones del carbono almacenado en los bosques de tres ejidos del estado de Durango, México, a partir de dos protocolos de muestreo: el Protocolo Forestal para México (PFM) de CAR y el inventario con fines de manejo forestal (IMF). El estudio discute el uso potencial de estas dos fuentes de información en el desarrollo de proyectos de bonos de carbono y compara las estimaciones del carbono aéreo con ambos protocolos. La hipótesis de partida fue que existen diferencias estadísticamente significativas en las estimaciones de carbono entre esquemas de muestreo, pero que pueden ser utilizados de manera combinada tanto para la elaboración de programas de manejo forestal como para proyectos de bonos de carbono, de tal forma que sean costo-beneficio viables.

Materiales y métodos

Localización del área de estudio

El estudio se realizó en los ejidos Chavarría Viejo, La Cueva y Anexos, y El Brillante del municipio de Pueblo Nuevo, Durango (Figura 1). Sus bosques están bajo manejo con el Método de Desarrollo Silvícola (MDS) y el Método Mexicano de Ordenación de Bosques Irregulares (MMOBI) (^{Lira-Tuero et al., 2019}).

Figura 1 Localización de área de estudio en el contexto nacional, estatal y municipal. 

Resultados

El Cuadro 1 presenta el número de sitios utilizados por ejido para la evaluación de carbono, así como la intensidad de muestreo y el contenido de carbono (Mg·ha^-1) estimado con ambos esquemas de muestreo. En los tres ejidos, el número de sitios y la intensidad de muestreo en el IMF fue mayor que el del PFM. En cuanto a las estimaciones de carbono, el PFM arrojó un promedio de 53.56 Mg·ha^-1 para los tres ejidos, mientras que con el IMF se obtuvieron 43.80 Mg·ha^-1, lo que representa una diferencia de 9.76 Mg·ha^-1 entre ambos esquemas de muestreo.

El Cuadro 2 presenta los indicadores de precisión de ambos esquemas de muestreo para la estimación del carbono de los tres ejidos. En promedio, el PFM mostró un coeficiente de variación del 60 %, mientras que el IMF registró 49 %. De manera similar, el error de muestreo promedio fue 2.99 % en el PFM y 0.93 % en el IMF, lo que refleja menor variabilidad y, por tanto, mayor precisión en este último.

Por otra parte, el Cuadro 3 muestra los resultados de la prueba de Kruskal-Wallis aplicada a las estimaciones de carbono; el análisis indica diferencias estadísticamente significativas (P < 0.001) entre ambos esquemas en los tres ejidos.

De acuerdo con el Cuadro 4, las estimaciones promedio de carbono, obtenidas mediante el análisis de remuestreo Bootstrap, ascendieron a 53.54 Mg·ha^-1 para el esquema del PFM y 43.81 Mg·ha^-1 para el IMF en los tres ejidos. La desviación estándar fue 1.49 Mg·ha^-1 en el PFM y 0.49 Mg·ha^-1 en el IMF, lo que evidencia menor variabilidad en las estimaciones de este último. Los intervalos de confianza al 95 % fueron 49.58-57.47 Mg·ha^-1 para el PFM y 42.30-45.02 Mg·ha^-1 para el IMF.

La Figura 2 muestra la comparación de biomasa estimada a nivel de árbol mediante las ecuaciones de la herramienta CALCBOSK y las desarrolladas por ^{Vargas-Larreta et al. (2017)}, para las principales especies del género Pinus. En general, las ecuaciones de ^{Vargas-Larreta et al. (2017)} arrojaron estimaciones significativamente mayores (P < 0.01), con excepción de Pinus leiophylla, P. teocote y P. strobiformis. Por otro lado, la Figura 3 presenta las estimaciones de biomasa aérea a nivel de árbol para especies de Quercus, Juniperus y Arbutus, obtenidas con ambos tipos de ecuaciones. A diferencia de lo observado en las especies de Pinus, en este caso las ecuaciones del CALCBOSK generaron valores de biomasa significativamente mayores (P < 0.01), excepto para Quercus durifolia Seemen.

Figura 2 Valores promedio (barras) y error estándar (bigotes) de la biomasa estimada en las principales especies del género Pinus con las ecuaciones del CALCBOSK y de ^{Vargas-Larreta et al. (2017)}. 1 = Pinus cooperi, 2 = Pinus durangensis, 3 = Pinus engelmannii, 4 = Pinus herrerae, 5 = Pinus leiophylla, 6 = Pinus teocote, 7 = Pinus strobiformis, 8 = Pinus lumholtzii, 9 = Pinus douglasiana, 10 = Pinus oocarpa. 

Figura 3 Valores promedio (barras) y error estándar (bigotes) de la biomasa estimada en las principales especies de Quercus, Juniperus y Arbutus con las ecuaciones del CALCBOSK y ^{Vargas-Larreta et al. (2017)}. 1 = Quercus sideroxyla, 2 = Quercus rugosa, 3 = Quercus durifolia, 4 = Quercus crassifolia, 5 = Juniperus deppeana, 6 = Arbutus bicolor. 

Discusión

El almacenamiento de carbono en los ecosistemas forestales está determinado por diversos factores, entre ellos el tipo de manejo, la edad del rodal, la estructura y la composición de la vegetación (^{Galván-Moreno et al., 2024}; ^{Medrano Meraz et al., 2017}). En este estudio, las mayores reservas de carbono se registraron en especies de Pinus, lo cual refleja la composición dominante del bosque por este género. Tal resultado es consistente con lo reportado por ^{Silva-Flores et al. (2014)}, quienes destacan que las especies de Pinus representan los principales reservorios de carbono de los bosques templados de la Sierra Madre Occidental.

Los valores de carbono obtenidos mediante el esquema de muestreo del PFM v3.0 son consistentes con los señalados por ^{Pimienta et al. (2007)}, quienes estimaron 51.12 Mg·ha^-1 en el ejido La Victoria, Pueblo Nuevo, Durango. Asimismo, coinciden con los resultados de ^{Vargas-Larreta et al. (2017)}, quienes reportaron valores de 5.12 a 232.94 Mg·ha^-1 y promedio de 63.80 Mg·ha^-1 para los bosques templados de Durango. De igual forma, ^{Graciano-Ávila et al. (2019)} estimaron una biomasa total de 130.28 Mg·ha^-1 y contenido de carbono aéreo de 65.14 Mg·ha^-1 en especies arbóreas de la misma región. A diferencia del presente estudio, en el que la concentración de carbono por especie fue determinada en laboratorio (^{Vargas-Larreta et al., 2017}), los autores mencionados utilizaron un factor de conversión fijo de 0.50 para calcular el contenido de carbono en especies de Pinus, Quercus, Juniperus y Arbutus. Los resultados también son comparables con los obtenidos por ^{López-Serrano et al. (2019}, ²⁰²¹⁾ en bosques de la misma región, lo que refuerza la validez de las estimaciones del presente estudio.

^{Avery y Burkhart (2015)}, así como ^{Alberdi et al. (2016)}, destacan que un inventario forestal eficiente, tanto en términos estadísticos como operativos, debe incluir un número suficiente de unidades de muestreo para alcanzar el nivel de precisión requerido. De acuerdo con el PFM v3.0 de la CAR, el error de muestreo esperado para un proyecto forestal de carbono debe ser ±5 % del promedio con un nivel de confianza de 90 %, dependiendo del número de estratos definidos en el área de actividad del proyecto; en este estudio, el esquema de muestreo del PFM tuvo error de muestreo de 2.99 %, lo que confirma que cumple con el nivel de precisión establecido.

Por su parte, la ^{CONAFOR (2015)}, a través del SiPlaFor, establece que el error de muestreo no debe exceder de 10 % con un nivel de confianza del 95 % para obtener resultados aceptables y cumplir con la normatividad forestal vigente, en este caso, la NOM-152-SEMARNAT-2023 (^{Secretaría de Medio Ambiente y Recursos Naturales [SEMARNAT], 2023}). Para alcanzar este criterio se recomienda que la intensidad de muestreo sea superior al 3 %. En este sentido, el esquema del IMF alcanzó intensidad de muestreo de 4.64 % (Cuadro 1) y error de muestreo relativo promedio de 0.93 % (Cuadro 2), el cual se encuentra por debajo del límite establecido en la NOM-152 (^{SEMARNAT, 2023}) para la estimación de existencias volumétricas en programas de manejo forestal. Estos resultados garantizan el cumplimiento de los estándares normativos requeridos.

Los resultados coinciden con lo señalado por ^{Corral-Rivas et al. (2016)}, quienes argumentan que es posible reducir la intensidad de muestreo en los inventarios con fines de manejo en México, particularmente en predios con superficies mayores de 2 000 ha, sin comprometer la calidad de la información. Según estos autores, podría lograrse una reducción de hasta 50 % en la intensidad de muestreo, manteniendo niveles adecuados de precisión en las estimaciones volumétricas. Esta reducción no solo facilitaría la optimización de los tiempos y costos asociados con la realización de los inventarios, sino que también mantendría la precisión de las estimaciones volumétricas necesarias para un manejo forestal sostenible.

La diferencia significativa observada en las estimaciones de biomasa y carbono entre los dos esquemas de muestreo puede atribuirse, en gran medida, a la diferencia en la intensidad de muestreo (0.43 % en el PFM y 4.64 % en el IMF), ya que un mayor esfuerzo de muestreo contribuye a reducir la variabilidad e incertidumbre en las estimaciones (^{McRoberts et al., 2013}). Sin embargo, factores adicionales como las diferencias en el tamaño de los sitios y la temporalidad de los inventarios también podrían explicar las diferencias observadas en las estimaciones (^{Navarro Cerrillo et al., 2024}; ^{Roque et al., 2023}).

La variabilidad de las estimaciones de carbono en función de la intensidad de muestreo se evaluó con la técnica de remuestreo bootstrap. Esta herramienta es ampliamente reconocida por su utilidad en la inferencia estadística, ya que ofrece un enfoque basado en datos para estimar la incertidumbre asociada a la distribución de una población (^{Quiñonez-Barraza, 2024}). De acuerdo con ^{Egbert y Plonsky (2021)}, el bootstrap permite cuantificar la precisión de las estimaciones muestrales, siendo especialmente eficaz en contextos con tamaños reducidos de muestra o distribuciones desconocidas o no normales; asimismo, ha sido propuesto como un método válido para la evaluación de la homogeneidad de los datos, validación de resultados estadísticos y el apoyo de procesos de decisión aleatoria en contextos forestales.

En esta investigación, las estimaciones de biomasa de especies del género Pinus fueron significativamente mayores cuando se utilizaron las ecuaciones desarrolladas por ^{Vargas-Larreta et al. (2017)}, en comparación con las generadas por la herramienta CALCBOSK, con excepción de P. leiophylla, P. teocote y P. strobiformis. En contraste, las estimaciones de biomasa de los géneros Quercus, Juniperus y Arbutus resultaron mayores con el uso de las ecuaciones de CALCBOSK, excepto para Q. durifolia. Estas diferencias reflejan las variaciones derivadas del uso de esquemas diferentes de muestreo y respaldan lo señalado por autores como ^{Rahman et al. (2021)}, quienes enfatizan la importancia de la selección de modelos alométricos adecuados para minimizar la incertidumbre en las estimaciones de biomasa aérea. Además, advierten que el uso de ecuaciones fuera del rango de datos con los que fueron desarrolladas puede introducir errores significativos en los resultados.

Conclusiones

Los esquemas de muestreo mostraron diferencias significativas en las estimaciones de carbono en los tres ejidos, siendo el Protocolo Forestal para México (PFM) v3.0 de la Reserva de Acción Climática (CAR) el que generó los valores más altos. Sin embargo, este esquema presentó coeficiente de variación y error de muestreo mayores que los obtenidos con el inventario de manejo forestal. Las diferencias entre las ecuaciones de ^{Vargas-Larreta et al. (2017)} y las implementadas en la herramienta CALCBOSK destacan la necesidad de investigaciones orientadas a evaluar sesgos y precisión en la estimación de la línea base de proyectos forestales de carbono, especialmente aquellos implementados bajo el PFM de CAR. La combinación de ambos esquemas de muestreo podría ser una alternativa eficiente para la optimización de costos de inventarios, aprovechando sus fortalezas y facilitando su aplicación en programas de manejo forestal maderable y en proyectos forestales de carbono.