Mapeo de carbono arbóreo aéreo en bosques manejados de pino Patula en Hidalgo, México

• Autores: Carlos A. Aguirre Salado, José René Valdez Lazalde, Gregorio Ángeles Pérez, Héctor Manuel de los Santos Posadas, Reija Haapanen, Alejandro I. Aguirre Salado
• Localización: Agrociencia, ISSN 2521-9766, ISSN-e 1405-3195, Vol. 43, Nº. 2, 2009, págs. 209-220
• Idioma: español
• Títulos paralelos:
  • Mapping above ground tree carbon in managed Patula pine forest in Hidalgo, Mexico
• Enlaces
  • Texto completo
• Dialnet Métricas: 5 Citas
• Resumen
  • español

    Este trabajo presenta relaciones entre datos espectrales del sensor de alta resolución espacial SPOT 5 HRG y el carbono arbóreo aéreo (Mg ha-1) en un bosque de Pinus patula en Zacualtipán, Hidalgo, México. Primero, fue necesario cuantificar la biomasa (Mg ha-1). Se usó la regresión lineal múltiple y el método no paramétrico del vecino más cercano (k-nn, de k-nearest neighbor). El análisis de los resultados sugiere una alta correlación entre las variables forestales y los índices espectrales relacionados con la humedad de la vegetación. En la validación, los coeficientes de correlación calculados entre los valores observados y estimados para los métodos de regresión y k-nn fueron altamente significativos (p = 0.01), mostrando su potencial para predecir el carbono arbóreo aéreo. La raíz del cuadrado medio del error (RCME) para las estimaciones del k-nn fue 22.24 Mg ha-1 (35.43 %). La estimación total calculada mediante k-nn fue la más cercana a la obtenida mediante muestreo estratificado tradicional. Los resultados confirman la capacidad de las imágenes SPOT 5 y el método k-nn para apoyar la realización de inventarios de carbono.

  • English

    This paper presents relations between spectrum data of the SPOT 5 HRG spatial high resolution sensor and aboveground tree carbon Mg ha-1) in a Pinus patula forest in Zacualtipán, Hidalgo, México. First it was necessary to quantify the biomass (Mg ha-1). The multiple linear regression and the non parametric method of the nearest neighbor (k-nn) were used. The analysis of results suggests the presence of a high correlation between forest variables and the spectrum indexes associated with vegetation moisture. During validation, the correlation coefficients between the values observed and estimated for the regression methods and k-nn were highly significant (p = 0.01), and showed their potential for predicting the presence of aboveground tree carbon. The root mean square error (RCME) of the k-nn estimates was 22.24 Mg ha-1 (35.43 %). The total estimate calculated by using k-nn was the closest to that obtained through traditional stratified sampling. From the results obtained, the contribution of the SPOT 5 images and k-nn method to the development of carbon inventories is confirmed.