Almacenamiento de carbono en bosques manejados de pinus patula: Estimación mediante percepción remota

Abstract

Se presenta la metodología y los resultados obtenidos sobre estimación de almacenamiento de carbono mediante técnicas de percepción remota en bosques manejados de Pinus patula en Zacualtipán, Hidalgo, México; la cual surge como una necesidad de monitoreo de los recursos forestales a partir de los compromisos adquiridos por México en el Protocolo de Kyoto para aminorar el inminente cambio climático causado por los denominados gases invernadero (CO2). En esta tesis se estudia principalmente el carbono (CHA) (Mg/ha) aunque preliminarmente resulta necesaria la cuantificación de biomasa (BHA) (Mg/ha). De manera paralela también se estudian algunos parámetros forestales de densidad como índice de área foliar (IAF) (m2/ m2), cobertura arbórea (COB) (%), área basal (ABHA) (m2/ha), volumen (VHA) (m3/ha) y, su relación con la reflectancia obtenida con el sensor óptico multiespectral SPOT 5 HRG de última generación. Estos parámetros se estimaron mediante ecuaciones de regresión lineal múltiple y a través de estimador no paramétrico del vecino más cercano (k-nn). Los resultados obtenidos sugieren una fuerte correlación entre estos parámetros forestales y los índices construidos con las bandas espectrales sensibles a la humedad de la vegetación. Las estimaciones promedio de los parámetros para los rodales arbolados y los errores obtenidos en la validación son como sigue: IAF = 6.5 m2/ m2, Raíz del Error Cuadrático Medio (RECM) = 0.50 m2/m2; COB = 80%, RECM = 4.57%; ABHA = 25.47 m2/ha, RECM = 8.19 Mg/ha; VHA = 191.96 m3/ha, RECM = 77.67 Mg/ha; BHA = 110.07 Mg/ha, RECM = 43.42 Mg/ha; CHA = 69.75 Mg/ha, RECM = 22.20 Mg/ha. A nivel rodal, las estimaciones basadas en los modelos de regresión lineal múltiple son comparables con las obtenidas con el k-nn. Aunque a nivel píxel, las ecuaciones de regresión llegan a producir estimaciones negativas; esta situación se supera con el uso del k-nn. Las altas correlaciones encontradas sugieren que la resolución espacial (10 m) ofrecida por el sensor SPOT 5 HRG es ideal para mapear los parámetros forestales mencionados a una escala geoespacial detallada sin captar el ruido causado por la sombra de las copas de los árboles o la rugosidad del follaje.__________Results in research on aboveground carbon estimation through remote sensing techniques in a managed Pinus patula forest located in Zacualtipán, Hidalgo, Mexico are presented. This work arises as a forest resources monitoring need with Mexico’s commitments acquired in Kyoto Protocol to delay imminent climate change caused by greenhouse gases (CO2). This research involves density forest parameters estimation but mainly focused in aboveground carbon stock assessment (AGC) (Mg/ha), although a preliminary biomass quantification (AGB) (Mg/ha) is required. Such other peripheral parameters are: leaf area index LAI (m2/m2), canopy closure (CC) (%), basal area (BA) (m2/ha), stand volume (SV) (m3/ha), and its relationship between last generation SPOT 5 HRG-derived reflectance. These parameters were estimated by multiple linear regression method and through a non parametric procedure known as the nearest neighbor (k-nn). The results suggest a strong correlation involving forest parameters and vegetation-moisture-sensible bands. Parameters average estimates for forested stands and obtained errors in validation stage are presented as follows: LAI = 6.5 m2/ m2, Root mean square error (RMSE) = 0.50 m2/m2; CC = 80%, RMSE = 4.57%; BA = 25.47 m2/ha, RMSE = 8.19 Mg/ha; SV = 191.96 m3/ha, RMSE = 77.67 Mg/ha; AGB = 110.07 Mg/ha, RMSE = 43.42 Mg/ha; AGC = 69.75 Mg/ha, RMSE = 22.20 Mg/ha. At stand level, estimations based with multiple linear regression models are comparable with those obtained by the nearest neighbor approach. Although at pixel level, regression equations can produce negative estimations; this situation was overcome with the k-nearest neighbor method. High correlations suggest that 10 m spatial resolution offered by SPOT 5 HRG multispectral sensor is ideal for mapping forest parameters at detailed geospatial scales, without noise caused by tree crown shade or foliage roughness.