Modelos alométricos para la estimacion de biomasa y carbono.

Abstract

La estimación de la biomasa tiene una gran utilidad para evaluar la disponibilidad de recursos forestales y los cambios en su estructura, pero su importancia también recae el cambio climático (retención de carbono). El uso de modelos alométricos para la estimación de biomasa ha sido crucial en muchas de las investigaciones, pero tiene algunas deficiencias en bosques tropicales debido a las características de dichos bosques. En este trabajo se aborda la estimación bayesiana usando modelos alométricos pertinentes para zonas tropicales y en el desarrollo de la investigación se usa la simulación montecarlo para el análisis comparativo del método de estimación bayesiano con el clásico, además de mostrar la aplicación del método en datos reales. Los resultados indican que las variables con mayor importancia para la predicción de biomasa resulta ser diámetro y el peso específico de la madera. El método bayesiano usado resulta ser más robusto y parsimonioso comparado con la estimación clásica, el error cuadrado medio y el sesgo resulta siempre menor y en consecuencia la estimación de la biomasa se acerca más al valor real. ABSTRACT: The estimate of biomass has great utility to assess the availability of forest resources and changes in its structure, but its importance also lies climate change (carbon sequestration). Using allometric models to estimate biomass has been crucial in many of the investigations, but has some shortcomings in tropical forests due to the characteristics of such forests. This paper addresses the Bayesian estimation using appropriate allometric models for tropical areas and the development of Monte Carlo simulation research for the comparative analysis of Bayesian estimation method used versus classic, and shows the application of the method on real data. The results indicate that the most important variables for the prediction proves biomass diameter and specific weight of wood. The Bayesian method used appears to be more robust and parsimonious compared with classical estimation, the mean square error and bias is always smaller and consequently the biomass estimate is closer to the true value.