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

Carlos A. Aguirre Salado, José René Valdez Lazalde, Gregorio Ángeles Pérez, Héctor Manuel de los Santos Posadas, Reija Haapanen, Alejandro I. Aguirre Salado

• 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.