almacenamiento de carbono en plantaciones ochroma lagopus ... · dentro de los modelos de...
TRANSCRIPT
Almacenamiento de carbono en plantaciones forestales de balsa (Ochroma lagopus Sw.) ubicadas
en las Regiones de Chimoré, Mariposas y Puerto Villarroel
Subtrópico de Cochabamba – Bolivia
Verónica Carrera Mosquera
Diciembre, 2010
UNIVERSIDAD MAYOR DE SAN SIMÓN VICERRECTORADO
Centro de Levantamientos Aeroespaciales
y Aplicaciones SIG para el Desarrollo Sostenible
de los Recursos Naturales
Almacenamiento de carbono en plantaciones forestales de balsa (Ochroma lagopus Sw.) ubicadas en las Regiones
de Chimoré, Mariposas y Puerto Villarroel Subtrópico de Cochabamba – Bolivia
Por
Verónica Carrera Mosquera
Asignación Final Individual (Trabajo de Grado) presentado al Centro de Levantamientos Aeroespaciales y
Aplicaciones SIG para el Desarrollo Sostenible de los Recursos Naturales en cumplimiento parcial de los
requisitos para la obtención del grado académico de Máster en Ciencias de la Geo - Información y
Observación de la Tierra, en la mención de Información de Tierras para la Planificación del Territorio
Comité de evaluación del AFI
Lic. Benjamin Gossweiler H. M.Sc. (Presidente y Asesor)
Ing. Carlos E. Román C. M.Sc. (Examinador CLAS)
Ir. Arno M. van Lieshout (Examinador ITC)
Centro de Levantamientos Aeroespaciales y Aplicaciones SIG para el Desarrollo Sostenible
de los Recursos Naturales Cochabamba, Bolivia
Aclaración
Este documento describe el trabajo realizado como parte del programa de estudios de Maestría en
el Centro de Levantamientos Aeroespaciales y Aplicaciones SIG para el Desarrollo Sostenible de los
Recursos Naturales. Todos los puntos de vista y opiniones expresadas en el mismo son
responsabilidad exclusiva del autor y no representan necesariamente las del Centro.
i
Resumen
El estudio contempla la estimación de biomasa y almacenamiento de carbono en plantaciones forestales de
balsa (Ochroma lagopus Sw.), ubicadas en el Subtrópico de Cochabamba (Regiones de Chimore,
Mariposas y Puerto Villarroel) para el periodo 2007 - 2009.
Se trata de buscar relaciones estadísticas significativas entre los valores correspondientes a los índices de
vegetación obtenidos a partir de una sub-escena Landsat 7 ETM+ (SLC-off) y datos de campo procedentes
de inventarios forestales tales como altura del árbol y DAP (diámetro a la altura del pecho - 1.30m);
dichos datos serán empleados en la estimación de la cantidad de biomasa forestal aérea y su
correspondiente contenido de carbono.
En la estimación de la cantidad de biomasa aérea se emplearon tres diferentes modelos alométricos y dos
modelos o tablas de volumen, para los datos provenientes del sensor remoto se efectuó su correspondiente
pre-procesamiento y cálculo de los índices de vegetación con la posterior extracción de los valores
considerando el centroide de las parcelas.
Dentro de los modelos de regresión lineal para la estimación de biomasa, se proponen los de tipo simple y
múltiple. En el primer caso se emplearon para el ajuste de dichos modelos los valores de cantidad de
biomasa calculada como variable dependiente y como variable independiente los índices de vegetación, en
el segundo caso, se mantiene el criterio anterior con el incremento de la variable independiente
correspondiente a los datos de biomasa calculados para el periodo anterior al del análisis. El mejor ajuste
tiene el modelo de regresión lineal múltiple , con un
R2 de 0.849 y un RMSE de 2.73.
El presente trabajo se centra en la capacidad que tienen las técnicas de precepción remota para ayudar a
evaluar a las plantaciones forestales como almacenes de carbono.
Palabras claves: Protocolo de Kyoto, plantación, NDVI, biomasa, carbono, modelo de regresión lineal.
ii
Dedico este trabajo a mis padres y hermanos,
por su apoyo incondicional y comprensión
durante todo este tiempo lejos del hogar.
A mi gordo por cuidar de mí
y velar cada momento
por mi felicidad.
iii
Agradecimientos
Al Programa de Becas de los Países Bajos, por la oportunidad que me brindaron de cursar la Maestría en
Ciencias de la Geo - Información y Observación de la Tierra, en la mención de Información de Tierras
para la Planificación del Territorio.
Al Centro de Levantamientos Aeroespaciales y Aplicaciones SIG para el Desarrollo Sostenible de los
Recursos Naturales y su plantel docente, por el conocimiento impartido.
Al Lic. Benjamin Gossweiler H. M.Sc., por toda su colaboración, entrega, interés y orientación oportuna
durante la ejecución de la Asignación Final Individual.
Al Ing. Mario Escalier M.Sc., por su colaboración desinteresada, apoyo incondicional, disponibilidad pero
sobre todo por el empeño de sacar este proyecto adelante.
A mi buen amigo Juan Carlos Quispe, por su guía y colaboración durante toda mi estancia. Se cultivó una
muy bonita amistad.
A mi Divino Niño, por traer con bien y llevar de igual forma junto a mis seres queridos. A mi familia, por
el apoyo que me brindaron a la distancia. A mi gordo, por todos los momento inolvidables juntos.
En general a todos aquellos que de una u otra manera han ayudado a la culminación de esta meta. Para
todos mis sinceros agradecimientos.
iv
Tabla de contenidos
1. Introducción .................................................................................................................... 1
1.1. Antecedentes ...................................................................................................................... 1
1.2. Justificación ........................................................................................................................ 2
1.3. Planteamiento del Problema de Investigación ...................................................................... 2
2. Objetivos ......................................................................................................................... 3
2.1. Objetivo General ................................................................................................................. 3
2.2. Objetivos Específicos ........................................................................................................... 3
3. Marco Teórico ................................................................................................................. 4
3.1. Cambio Climático y el Protocolo de Kyoto ............................................................................ 4
3.2. Papel de los bosques y las plantaciones forestales en el Cambio Climático ............................ 4
3.3. Biomasa Forestal ................................................................................................................. 5 3.3.1. Métodos de Estimación de Biomasa Aérea ..........................................................................................5
3.3.1.1. Método Tradicional ..........................................................................................................................5 3.3.1.2. Modelos de Biomasa Generales o por Especie ................................................................................5 3.3.1.3. Método Destructivo .........................................................................................................................5 3.3.1.4. Por Percepción Remota ....................................................................................................................5
3.3.2. Factor de forma, Densidad de la madera y Factor de expansión de la biomasa ..................................5
3.4. Contenido de Carbono en Biomasa ...................................................................................... 6
4. Marco Metodológico ....................................................................................................... 7
4.1. Ubicación ............................................................................................................................ 7
4.2. Características del Área de Estudio ...................................................................................... 7
4.3. Descripción de la Metodología ............................................................................................. 8 4.3.1. Requerimiento de Información ............................................................................................................8
4.3.1.1. Información Espectral ......................................................................................................................8 4.3.1.2. Información medida en campo ......................................................................................................10
4.3.2. Análisis Espacial y Estadístico de la Información ................................................................................11 4.3.2.1. Cálculo de Estadísticas e Histogramas de la Imagen Satelital ........................................................11
4.3.3. Procesamiento de la Información ......................................................................................................12 4.3.3.1. Pre-procesamiento de la Imagen Landsat ETM+ (SLC-off) .............................................................12
4.3.3.1.1. Corrección Radiométrica .........................................................................................................12 4.3.3.1.1.1. Restauración de Líneas o Pixeles Perdidos .......................................................................12 4.3.3.1.1.2. Conversión de Números Digitales a Valores de Radiancia ...............................................13 4.3.3.1.1.3. Corrección Atmosférica y Conversión a Valores de Reflectividad ....................................13
4.3.3.2. Procesamiento de la Información medida en campo ....................................................................15 4.3.3.2.1. Estimación de Biomasa Aérea ..................................................................................................15
4.3.4. Cálculo de los Índices de Vegetación ..................................................................................................16 4.3.5. Diseño del Modelo de Regresión ........................................................................................................18
4.3.5.1. Regresión Lineal Simple .................................................................................................................19 4.3.5.2. Regresión Lineal Múltiple ...............................................................................................................19
v
4.3.5.3. Coeficiente de Determinación (R2)................................................................................................. 19
4.3.6. Evaluación de la Calidad del Modelo de Regresión ............................................................................ 20 4.3.7. Estimación del Almacenamiento de Carbono .................................................................................... 20
5. Resultados y Discusión ................................................................................................... 21
5.1. Análisis Espacial y Estadístico de la Información .................................................................. 21 5.1.1. Cálculo de Estadísticas e Histogramas de la Imagen Satelital ............................................................ 21
5.2. Procesamiento de la Información ....................................................................................... 23 5.2.1. Pre-procesamiento de la Imagen Landsat ETM+ (SLC-off) ................................................................. 23 5.2.2. Procesamiento de la Información medida en campo......................................................................... 24
5.3. Cálculo de los Índices de Vegetación ................................................................................... 25
5.4. Diseño del Modelo de Regresión ........................................................................................ 26 5.4.1. Regresión Lineal Simple ...................................................................................................................... 26 5.4.2. Regresión Lineal Múltiple ................................................................................................................... 27
5.5. Evaluación de la Calidad del Modelo de Regresión .............................................................. 28
5.6. Estimación del Almacenamiento de Carbono ...................................................................... 29
6. Conclusiones .................................................................................................................. 32
7. Recomendaciones .......................................................................................................... 34
8. Referencias Bibliográficas .............................................................................................. 35
Anexos ................................................................................................................................. 38
vi
Lista de figuras
Figura 1: Comportamiento radiométrico peculiar de la vegetación. ..............................................................................9 Figura 2: Histogramas de las bandas del VIS/IRC de la imagen Landsat ETM+ (Periodo 2009). ..................................22 Figura 3: Dispersograma de las bandas 5/7 (alta correlación) y de las bandas 4/7 (baja correlación) de la sub-escena Landsat ETM+ (Periodo 2009). ......................................................................................................................................23 Figura 4: Visualización de la pérdida de información debida al fallo del Scan Line Corrector (SLC) del Sensor ETM+ y su respectiva corrección (Gap-fill). ................................................................................................................................23 Figura 5: Comparación entre las curvas espectrales de los ND brutos y reflectividad para el agua, el suelo descubierto y vegetación de la subescena Landsat ETM+ (SLC-off). Periodo 2009. .....................................................24 Figura 6: Relación entre la curva de las etapas de crecimiento acumulado del árbol y curva de ganancia de biomasa para la especie Ochroma lagopus Sw. ..........................................................................................................................25 Figura 7: La biomasa en función del DAP y la altura, sin transformación y con transformación. ................................25 Figura 8: Diagrama de dispersión de la biomasa aérea sobre ARVI y EC3_08. ............................................................29 Figura 9: Curvas de almacenamiento de carbono - Sitio Senda D. Periodo 2007-2009. ...............................................30 Figura 10: Curvas de almacenamiento de carbono - Sitio Barrientos. Periodo 2007-2009. .........................................31
vii
Lista de tablas
Tabla 1: Características técnicas de la escena Landsat 7. .............................................................................................. 8 Tabla 2: Características del sensor ETM+. ...................................................................................................................... 9 Tabla 3: Coordenadas de la esquinas de la sub-escena Landsat ETM+ (Periodo 2009). .............................................. 12 Tabla 4: Parámetros para la conversión a radiancia de imágenes Landsat ETM+. ...................................................... 13 Tabla 5: Parámetros de conversión a reflectividad de imágenes Landsat ETM+. ........................................................ 14 Tabla 6: Estadísticas elementales de la imagen satelital correspondiente al periodo 2009. ....................................... 21 Tabla 7: Matriz de correlación para las bandas del subsistema VIS/IRC de la sub-escena Landsat ETM+ (Periodo 2009). ............................................................................................................................................................................ 22 Tabla 8: Estimación de biomasa para la Parcela N°2 del Sitio Senda D, periodo 2007-2009. ...................................... 24 Tabla 9: Matriz de correlación para los índices de vegetación de la sub-escena Landsat ETM+ (Periodo 2009). ........ 26 Tabla 10: Coeficiente de determinación R
2 – Regresión Lineal Simple (Periodo 2009). ................................................ 26
Tabla 11: Coeficiente de determinación R2 – Regresión Lineal Múltiple (Periodo 2008-2009). .................................... 27
Tabla 12: Modelos de Regresión Lineal Múltiple. ......................................................................................................... 27 Tabla 13: Coeficiente de determinación R
2 para la variable x2 con igual comportamiento – Regresión Lineal Múltiple
(Periodo 2008-2009). .................................................................................................................................................... 28 Tabla 14: Modelos de Regresión Lineal Múltiple para la variable x2 con igual comportamiento. ................................ 28 Tabla 15: Evaluación de la calidad de los Modelos de Regresión Lineal Múltiple. ....................................................... 28 Tabla 16: Resultados de las regresiones a partir de datos de NDVI y de existencias forestales. .................................. 29 Tabla 17: Estimación de biomasa (2009) empleando el modelo de RLM y contenido de carbono (2007-2009). ......... 30
Almacenamiento de carbono en plantaciones forestales de balsa (Ochroma lagopus Sw.) ubicadas en las Regiones de Chimoré, Mariposas y Puerto Villarroel
1
1. Introducción
1.1. Antecedentes
Uno de los compromisos del Protocolo de Kyoto, hace referencia a la reducción de emisiones de dióxido
de carbono (CO2) principalmente, así como de otros gases de efecto invernadero (GEI), hasta rebajar un
5% como mínimo de los niveles presentes para 1990 (González-Alonso, 2005). El protocolo recoge como
alternativa a la reducción, un incremento de los sumideros de carbono, mediante mecanismos de aumento
de la superficie vegetal (González-Alonso, 2007).
Como ya se mencionó, la mayoría de estrategias de mitigación del efecto invernadero tienen como
objetivo la reducción de la concentración de CO2 en la atmósfera. Bajo esta consideración, los ecosistemas
forestales ya sean bosque o plantaciones durante su crecimiento actúan como sumideros de carbono; a
través del proceso de la fotosíntesis toman el CO2 de la atmósfera, incorporando el carbono (C) a su
estructura y liberando el oxigeno (O), todo esto como medida de mitigación para disminuir o mantener los
niveles actuales de CO2. El mantenimiento de los bosques o plantaciones forestales se ha convertido en un
servicio ambiental de potencial valor económico en países en vías de desarrollo (Cubero, 1999, Jiménez,
2009).
Una manera de estimar la biomasa y a partir de ésta la cantidad de carbono presente en los ecosistemas
forestales, es por medio de inventarios de la cobertura del suelo. Con el avance de la tecnología aparecen
herramientas fundamentales basadas en percepción remota para estos fines. Las imágenes satelitales tienen
la función importante de discriminación de tipos de cobertura, ya que registran la energía electromagnética
reflejada y la variabilidad natural a una determinada resolución espacial, temporal y radiométrica de una
manera instantánea y a bajo costo, en comparación con los métodos de inventario tradicionales (Aguirre-
Salado, 2009, Speranza, 2005).
Existen sistemas de control y verificación a bajo costo de la cantidad de biomasa y carbono, que emplean
imágenes satelitales. Dichos sistemas deberán ponerse a punto para realizar un seguimiento exhaustivo de
la evolución de las masas forestales y otras formaciones vegetales, es decir, de los almacenes y sumideros
de carbono en caso de cambio de uso del suelo (deforestación, reforestación y aforestación) o por cambios
de productividad (cantidad de biomasa acumulada). En este contexto, las técnicas de percepción remota
juegan un papel clave en el inventario de CO2; para este fin se puede estimar la biomasa a partir de datos
de campo y de satélite (González-Alonso, 2005, González-Alonso, 2007).
Hay varias metodologías para usar percepción remota en estudios locales dirigidos a la estimación de
biomasa y carbono. Varios de ellos usan pixeles individuales, o grupos de ellos como unidad de análisis.
Entre estos métodos están los paramétricos, como el ajuste de modelos matemáticos mediante regresión
entre variables de interés y los datos espectrales de las imágenes de satélite (Labrecque, 2006, Hall, 2006).
Otros métodos son el kaésimo vecino más cercano (k-nn: k-nearest neighbor) (Franco-Lopez, 2001,
Mäkelä, 2004); una variante del k-nn llamada vecino más similar (most similar neighbor, MSN) basado en
la matriz de correlaciones canónicas (Muinonen, 2001); estimadores de razón y regresión para el análisis
de cobertura arbórea (Valdez-Lazalde, 2006); métodos geoestadísticos que incluyen el uso de variogramas
caracterizados por altos costos de muestreo (Zawadzki, 2005); así también modelos dirigidos al análisis
lineal de mezclas espectrales (ALME) en imágenes de resolución espacial media (Fernández, 2005).
Almacenamiento de carbono en plantaciones forestales de balsa (Ochroma lagopus Sw.) ubicadas en las Regiones de Chimoré, Mariposas y Puerto Villarroel
2
1.2. Justificación
En el marco del Protocolo de Kyoto, los países industrializados deben emitir de forma obligatoria
Certificados de Reducción de Emisiones (CRE), ya que se comprometieron a reducir los GEI o CO2 hasta
el 2012. Los países que no hayan logrado la cantidad de certificados exigidos, empezarán a comprar bonos
emitidos en naciones que no están comprometidas a reducir GEI, como es el caso de Bolivia, que puede
emitir certificados al haber ratificado el Protocolo de Kyoto mediante Ley No. 1988 promulgada el 22 de
julio de 1999 (Programa Nacional de Cambios Climáticos - Oficina de Desarrollo Limpio, 2003), por lo
tanto es un país elegible para la transacción de bonos de carbono bajo la implementación de planes de
CRE que sean avalados por el Mecanismo de Desarrollo Limpio, lo que implica atraer inversiones limpias
a los sectores forestal, saneamiento básico, energético, industrial y de transporte. Los mayores
demandantes de estos certificados son el sector privado y los gobiernos de las naciones industrializadas
que han asumido el compromiso.
Desde el punto de vista físico biológico y de recursos naturales, Bolivia tiene un alto potencial para la
venta de servicios ambientales por concepto de captura y almacenamiento de carbono. Uno de los
almacenes y sumideros de carbono más ricos se encuentra ubicado en el Subtrópico de Cochabamba
(Chimoré, Mariposas y Puerto Villarroel) y por ende la potencialidad por parte del gobierno pára
comercializar los CRE generados en dichas regiones.
El Subtrópico de Cochabamba se ha visto por años amenazado por el incremento poblacional
(inmigración) y la industria petrolera, su pérdida ha sido inminente, se han implementado una serie de
proyectos de recuperación de carácter agroforestal y forestal principalmente. De ahí nace la inquietud de
estimar el almacenamiento y por ende la ganancia de carbono en plantaciones forestales jóvenes, en donde
su crecimiento no ha alcanzado el punto máximo por lo tanto tiene un potencial de almacenamiento
superior (Schlesinger, 1997), empleando técnicas de percepción remota, que como se mencionó son
rentables en tiempo y económicamente si están bien validadas y representan correctamente la realidad, en
comparación a un inventario forestal tradicional.
1.3. Planteamiento del Problema de Investigación
La presente investigación está enfocada a mejorar la predicción del carbono presente en plantaciones. Los
métodos convencionales de campo (inventarios forestales) implican un costo elevado tanto en personal
como en tiempo dependiendo del área de interés. La precepción remota es una opción de optimizar este
procedimiento cubriendo espacios geográficos amplios a bajo costo disminuyendo personal, además de
proporcionar varias alternativas para la predicción de carbono, probadas en otras localidades que ahora
serán trabajadas para la realidad boliviana, alimentando el conocimiento local sobre el tema.
Almacenamiento de carbono en plantaciones forestales de balsa (Ochroma lagopus Sw.) ubicadas en las Regiones de Chimoré, Mariposas y Puerto Villarroel
3
2. Objetivos
2.1. Objetivo General
Estimar el almacenamiento de carbono en plantaciones forestales de balsa (Ochroma lagopus Sw.)
ubicadas en las Regiones de Chimoré, Mariposas y Puerto Villarroel – Subtrópico de Cochabamba -
Bolivia, mediante algoritmos matemáticos empleando datos de campo y percepción remota en imágenes
LANDSAT ETM+ para un periodo de 3 años.
2.2. Objetivos Específicos
Estimar la producción de biomasa aérea mediante modelos de regresión, empleando datos de
campo e índices diferenciales de vegetación normalizados (NDVIij).
Estimar la producción de biomasa aérea mediante modelos de regresión, empleando datos de
campo e índices de vegetación (ARVI, MSAVI, AVI).
Calcular la curva de ganancia de carbono en plantaciones forestales de balsa (Ochroma lagopus
Sw.) para un periodo de 3 años (set de imágenes), con los resultados obtenidos del algoritmo
matemático a probar que tenga el mejor ajuste con los datos de campo.
Almacenamiento de carbono en plantaciones forestales de balsa (Ochroma lagopus Sw.) ubicadas en las Regiones de Chimoré, Mariposas y Puerto Villarroel
4
3. Marco Teórico
3.1. Cambio Climático y el Protocolo de Kyoto
Los informes elaborados por el Panel Intergubernamental de Expertos sobre el Cambio Climático (IPCC),
revelan que el sistema climático global esta variando debido a las emisiones antropogénicas de gases de
efecto invernadero y a los aerosoles. Éstos informes han sido claves para que los países tomen cada vez
conciencia de los problemas del ambiente, es por esta razón que en 1997, ciento sesenta países reunidos en
la Tercera Conferencia de las Partes de la Convención Marco de las Naciones Unidas sobre Cambio
Climático (UNFCCC) decidieron aprobar el Protocolo de Kyoto como instrumento jurídico para la
aplicación del Convenio sobre el Cambio Climático que nació en la Cumbre de Río de Janeiro de 1992 y
entró en vigor en 1994 (González-Alonso, 2005).
El Protocolo de Kyoto, permite a los países desarrollados alcanzar sus metas de reducción a través de
distintos mecanismos como: Comercio de Emisiones, Implementación Conjunta y el Mecanismo de
Desarrollo Limpio, éste es el único que incluye a los países en desarrollo, permite a los países
desarrollados cumplir con parte de sus compromisos de reducción de emisiones a través de proyectos en
países en desarrollo (reducción, secuestro o fijación de CO2 de la atmósfera) (Landeta, 2009).
3.2. Papel de los bosques y las plantaciones forestales en el Cambio Climático
Los bosque y el cambio climático están íntimamente ligados, la conservación y el manejo de estos
ecosistemas es sin duda una de las medidas de mitigación para disminuir o mantener los niveles actuales
de CO2, todo esto basado en que la plantas a través del proceso de fotosíntesis toman el CO2 de la
atmósfera, incorporando el C a su estructura y liberando el O. En conclusión, los bosques contribuyen
potencialmente al cambio climático global gracias a su influencia sobre el ciclo global del carbono
(Brown, 1997b).
Conforme aumenta la edad del bosque, la cantidad de biomasa acumulada por el crecimiento de los
árboles disminuye, esta variabilidad con respecto a las características de captura y almacenamiento de CO2
sirve de base para diseñar diferentes alternativas de manejo (Cubero, 1999) considerando también que
dichos bosques quedarán afectados por el cambio climático, causados por el aumento de los incendios,
plagas y enfermedades e incapacidad de muchos de ellos para adaptarse a las nuevas condiciones.
La madera de bosques y plantaciones forestales es un recurso renovable, y cuando se obtiene de forma
sostenible, resulta un material eficaz para almacenar carbono. Las plantaciones forestales tienen una
fijación alta de carbono y por ende contribuyen a la limpieza de la atmósfera en corto tiempo (acumulan
carbono más rápidamente que los bosque), por la gran cantidad de biomasas que produce por unidad de
área; una vez que alcanzan la madurez, aproximadamente están en balance con respecto al carbono, pues
la tasa que han acumulado es la misma que liberan (Cubero, 1999).
La extracción de madera reduce temporalmente el almacenamiento de carbono, si es utilizada en procesos
de larga duración como la fabricación de muebles o para la construcción, el carbono extraído puede
almacenarse por muchas décadas siempre y cuando la madera no sufra procesos de liberación de CO2
como la quema (Markku, 2007).
Almacenamiento de carbono en plantaciones forestales de balsa (Ochroma lagopus Sw.) ubicadas en las Regiones de Chimoré, Mariposas y Puerto Villarroel
5
3.3. Biomasa Forestal
La biomasa forestal se define como el peso (o estimación equivalente) de la materia orgánica que existe en
un determinado ecosistema forestal por encima y por debajo del suelo. Normalmente, es cuantificada en
toneladas por hectárea de peso verde o seco (Schlegel, 2002). A partir de la biomasa forestal se puede
calcular la concentración de carbono en la vegetación y por consiguiente hacer estimaciones sobre la
cantidad de CO2 que ingresa a la atmósfera cada vez que se desmonta o quema un árbol (FAO, 1995).
En términos porcentuales, el fuste del árbol concentra la mayor cantidad de biomasa aérea, representando
entre 55 y 77% del total: luego están las ramas con 5 a 37%; y por último las hojas y la corteza del fuste
entre 1 y 15% y 4 a 16% respectivamente (Gayoso, 2002).
3.3.1. Métodos de Estimación de Biomasa Aérea
3.3.1.1. Método Tradicional
Emplea datos de volumen comercial (información obtenida de los inventarios forestales), densidad básica
de la madera y el factor de expansión de biomasa. Puede aplicarse en los bosque densos, secundarios o
maduros (Brown, 1997a).
3.3.1.2. Modelos de Biomasa Generales o por Especie
Los modelos generales se emplean para estimar el contenido de biomasa, cuando no existen modelos
específicos para la zona o condiciones particulares de la especie; los parámetros necesarios para utilizar
estos modelos son el diámetro a la altura del pecho (DAP), en algunos casos relacionados con la altura del
árbol y la densidad de la madera (Brown, 1989).
Los modelos de estimación de biomasa por especie han sido generados en condiciones similares en las que
se encuentra la especie de interés, principalmente en términos de dimensiones y densidad arbórea, en este
campo existe un sin número de investigaciones. La estimación de biomasa total aérea se basa en las
medidas de DAP y altura total.
3.3.1.3. Método Destructivo
Éste método proporciona un valor exacto de la biomasa ya que consiste en destruir los arboles para
calcular su peso seco o biomasa. Además, permite formular relaciones entre la biomasa y las variables del
rodal tales como DAP, altura comercial y total entre otras (Gayoso, 2002). Lamentablemente, es uno de
los métodos más costosos por tiempo, recursos y la propia destrucción del árbol.
3.3.1.4. Por Percepción Remota
Los sensores remotos registran el comportamiento de la superficie terrestre a través de diferentes regiones
del espectro electromagnético, proporcionando una gran cantidad de datos espacialmente contiguos entre
sí y distribuidos a lo largo de extensas áreas geográficas, dando a conocer el estado y dinámica de los
ecosistemas forestales, ciclo dinámico de biomasa, propiedades y nivel de separación de los bosque entre
otras variables (Calderón, 1999).
3.3.2. Factor de forma, Densidad de la madera y Factor de expansión de la biomasa
Los fustes de los árboles normalmente tienen cierta conicidad, difieren de la forma cilíndrica, por lo que es
necesario considerar un factor de forma para la estimación de por ejemplo el volumen del fuste para
Almacenamiento de carbono en plantaciones forestales de balsa (Ochroma lagopus Sw.) ubicadas en las Regiones de Chimoré, Mariposas y Puerto Villarroel
6
obtener el volumen efectivo. Dicho factor, corresponde al cociente del volumen real y el volumen del
cilindro de referencia (producto del área basal y la altura comercial), éste varia con las dimensiones del
fuste, con la especie y también difiere de árbol a árbol (BOLFOR, 1997). El factor de forma no es sólo un
factor de reducción, sino también una expresión para la forma del árbol.
La densidad básica de la madera, es una de las propiedades más importantes, determina el valor y la
utilidad de la misma, está fuertemente correlacionada con otras propiedades tales como la resistencia
mecánica, la rigidez, la conductividad térmica y el calor específico (Davel, 2005); varía en función del
tipo de bosque, condiciones de crecimiento, densidad del rodal y del clima (Brown, 1997). Además, posee
un patrón de variación con la edad y la altura del árbol.
El coeficiente técnico denominado factor de expansión de la biomasa (FEB) permite hacer la relación
porcentual entre la biomasa del fuste estimada mediante inventarios forestales y el valor de biomasa total
aérea (Loguercio, 2001). Éste factor se define como el cociente entre la biomasa aérea total y la biomasa
de los fustes (Dauber, 2001), varía entre especie y condiciones particulares de los ecosistemas forestal.
3.4. Contenido de Carbono en Biomasa
Existen varias metodología para estimar los almacenes de carbono en las masas forestales, el más
difundido consiste en la valoración del peso de carbono a partir de la biomasa al multiplicar el peso de ésta
por un factor que varía entre 0.45 y 0.55, dicho factor indica la fracción de carbono presente en la materia
vegetativa. Generalmente se usa un valor de 0.50 (Brown, 1997) por falta de información particular por
especie, si se cuenta con ésta información se calcularía un promedio ponderado.
Almacenamiento de carbono en plantaciones forestales de balsa (Ochroma lagopus Sw.) ubicadas en las Regiones de Chimoré, Mariposas y Puerto Villarroel
7
4. Marco Metodológico
4.1. Ubicación
El área de estudio se ubica en las regiones de Chimoré, Mariposas y Puerto Villarroel del Subtrópico de
Cochabamba, ubicadas en el Departamento de Cochabamba, Provincia Carrasco, Cuarta y Quinta Sección
Municipal de Chimoré y Puerto Villarroel respectivamente (Anexo 1). Geográficamente está ubicada entre
las coordenadas 64°46'5.78" - 65°11'26.55" de longitud oeste y 16°50'33.74" - 17° 2'43.29" de latitud sur.
La zona presenta una variación altitudinal entre 195 y 250 msnm aproximadamente, con una humedad
relativa de 75 a 95%, el rango de temperatura media anual es de 25 a 28 ºC. El rango de precipitación
media anual es de 3000 a 6000 mm; el 80% de la precipitación anual ocurre entre los meses de octubre y
abril (Ferrufino, 2004).
4.2. Características del Área de Estudio
En el Subtrópico de Cochabamba los suelos son de origen aluvial y por lo general tiene buenas
características físicas, pero presentan deficiencias de nutrientes debido a la composición de los sedimentos
y la alta pluviosidad provocando la acidez del suelo para muchos cultivos. A esto se debe sumar
problemas físicos de drenaje que se presentan en las tierras bajas. En consecuencia, la mayor parte de los
suelos muestran limitaciones serias para la producción agropecuaria y han sido clasificados como tierras
de vocación forestal o agroforestal; en general se puede definir como pobres en nutrientes, alta acidez con
pH de 4 a 6 (Alba, 2007, FAO, 1996).
En las zonas con pendientes los suelos son moderadamente profundos, de color pardo oscuro, con textura
franca en la superficie y franco arcillosa en el subsuelo. Los suelos forestales a alturas menores son poco
profundos en laderas franco arenosas a pedregosas muy susceptibles a procesos erosivos. La mayor parte
de los suelos del Subtrópico Cochabambino tiene como característica una textura que varían desde
moderadamente pesadas (franco arcillosos) hasta moderadamente livianos (franco arenosos) sin erosión
hídrica aparente (FAO, 1996).
Con respecto a la red hídrica, la cuenca más importante es la del Río Mamoré que está formada por la
subcuencas de Ichilo, Ichoa, Izarzama, Sacta, Chimore, Chapare, Chipiriri, Isiboro y Secure. Al margen de
los principales cursos de agua, existen innumerables arroyos y lagunas que en general forman cuerpos de
agua con elevado potencial para la pesca y la piscicultura, además constituyen medios de transporte, que
no han sido evaluados en su dimensión y potencial real.
Bajo la premisa de que la vocación de las tierras en el Subtrópico de Cochabamba es de carácter forestal o
agroforestal, nace la necesidad de preservar el bosque natural y restaurar las zonas afectadas por el
incremento poblacional y la industria con actividades enfocadas a la agricultura (cultivos de banano,
palmito, piña, entre otros) y a la reforestación con especies nativas de importancia comercial para el
aprovechamiento integral y sostenible de dichas plantaciones, tales como: Ochroma lagopus Sw. (Balsa),
Centrolobium tomentosum (Tejeyeque), Schizolobium parahyba (Serebó), entre otras.
Almacenamiento de carbono en plantaciones forestales de balsa (Ochroma lagopus Sw.) ubicadas en las Regiones de Chimoré, Mariposas y Puerto Villarroel
8
4.3. Descripción de la Metodología
Mediante la aplicación de metodologías que emplean percepción remota, se quiere estimar la biomasa y de
ésta a cantidad de carbono1 presente en plantaciones forestales de balsa (Ochroma lagopus Sw.) ubicadas
en las Regiones de Chimoré, Mariposas y Puerto Villarroel. Las metodologías dirigidas a dicha estimación
(biomasa y carbono), emplean píxeles individuales o grupos de pixeles como unidad de análisis, entre
estos están los modelos de regresión de una o múltiples variables independientes (Aguirre-Salado, 2009,
González-Alonso, 2007).
4.3.1. Requerimiento de Información
En esta primera etapa se recopiló la información base necesaria para la ejecución de la metodología.
Dentro del grupo de variables se tomó en cuenta los datos procedentes de sensores remotos para este caso
en particular una escena del satélite Landsat 7, sensor ETM+ descrita en el subsiguiente ítem así también
información procedente de campo (inventario forestal), se consideraron básicamente las medidas
dasométrica de altura y diámetro a la altura del pecho (DAP) para la estimación de biomasa en
plantaciones de balsa.
Se cuenta también con investigaciones y estudios publicados en la web, a fines al área de trabajo
que sustentan la lógica de la metodología planteada, ya que muestran varios algoritmos de
solución entre éstos se pueden mencionar los modelos de regresiones lineal simple y múltiple. Lo
relevante se da a conocer en los resultados y discusión de dichos documentos, pues dan una
panorámica de la situación y los posibles resultados de la presente investigación, así como el
algoritmo favorable a seguir.
4.3.1.1. Información Espectral
Se analizó una escena correspondiente al periodo 2009, adquiridas por el Satélite Landsat 7, sensor
multiespectral ETM+ (Enhanced Thematic Mapper Plus), en modo “SLC-off” y nivel de corrección L1T,
en la Tabla 1, se presentan las características técnicas de la escena
Landsat 7.
Tabla 1: Características técnicas de la escena Landsat 7.
Descripción Periodo 2009
Coordenada de la esquina superior izq.de la imagen
Este (x) 137100.000 m.
Norte (y) -1815000.000 m.
Ángulos Solares Azimut 64.1800676°
Elevación 56.4106717°
Path 232
Row 72
Tipo de Producto L1T / SLC-off
Cobertura Nubosa 7%
Samples / Lines
PAN 16461 / 13881
REF 8231 / 6941
THM 8231 / 6941
Fecha de Adquisición 2009-09-25
Proyección / Zona UTM / 20N
Datum WGS84
1 Concentración de carbono en el tejido vegetal promedio de alrededor de 50% BROWN, S. 1997. Estimating biomass and biomass change of
tropical forests. A primer. FAO Forestry Paper. Rome, Italy: FAO.
Almacenamiento de carbono en plantaciones forestales de balsa (Ochroma lagopus Sw.) ubicadas en las Regiones de Chimoré, Mariposas y Puerto Villarroel
9
Los datos satelitales descargados del sitio web U.S. Geological Survey (USGS) - Landsat Missions tienen
un nivel de procesamiento L1T, esto implica que el producto Landsat posee correcciones geométricas
básicas empleando puntos de control en tierra y el DEM SRTM (GLS2000), llegando a una presión
posicional menor a 50m en regiones planas como montañosas pero no posee correcciones radiométricas, el
formato de la escena es GeoTIFF.
Desde el 31 de mayo de 2003, el Scan Line Corrector (SLC), que compensa el movimiento de avance del
satélite Landsat 7 ha fallado, los esfuerzos para su recuperación no han tenido éxito. Sin el SLC operativo
del ETM+, la línea de vista traza un zig-zag a lo largo del recorrido del satélite, esta ausencia de
información aumenta hacia los bordes de la escena. Landsat 7 ETM+ (SLC-off), sigue siendo capaz de
adquirir datos útiles, sobre todo en la parte central de cualquier escena, con la misma alta calidad
geométrica y radiométrica que en los datos obtenidos antes de la insuficiencia de SLC. En la
Tabla 2, se presentan las características espaciales, espectrales, radiométricas y temporales del sensor
ETM+.
Tabla 2: Características del sensor ETM+.
Característica Subsistema
R. Espectral (µm)
R. Espacial (m)
R. Radiométrica R. Temporal Tamaños de la
Imagen
VIS / IRC
B1 0.45 - 0.52
30 m 8 bits
(entero sin signo) Valores: 0-255
16 días 170km x 183km
B2 0.53 - 0.61
B3 0.63 - 0.69
B4 0.78 - 0.90
B5 1.55 - 1.75
B7 2.09 - 2.35
IT B6L
10.4 - 12.5 60 m B6H
Pancromático B8 0.52 - 0.9 15 m
Para efectos del presente estudio, se trabajará con el subsistema VIS/IRC, que permite derivar el
comportamiento radiométrico peculiar de la vegetación. La firma espectral de la vegetación sana, muestra
un claro contraste entre las bandas del VIS (B3) y el IRC (B4), esto se da por la absorción de la energía en
el VIS efecto provocado por los pigmentos de la hoja mientras que la elevada reflectividad en el IRC es
debido a la estructura celular interna de la hoja. Las bandas del espectro electromagnético en donde es
visible la absorción provocada por el contenido de agua en la hoja, se sitúan en dos picos relativos de
reflectividad en torno a 1,6 μm y 2,2 μm, donde se encuentran las bandas del sensor ETM+, B5 y B7
respectivamente (Chuvieco, 2008).
Fuente: Molina, 1984
Figura 1: Comportamiento radiométrico peculiar de la vegetación.
Almacenamiento de carbono en plantaciones forestales de balsa (Ochroma lagopus Sw.) ubicadas en las Regiones de Chimoré, Mariposas y Puerto Villarroel
10
4.3.1.2. Información medida en campo
Los Inventarios Forestales han sido utilizados como punto de partida para la estimación de biomasa y
carbono, frecuentemente se utilizan parcelas permanentes de muestreo (PPM) o parcelas temporales de
muestreo (PTM), en algunos casos depende de los objetivos y alcance del estudio o proyecto. Dichas
parcelas son una herramienta para la toma de medidas dasométricas (DAP y altura básicamente)
estadísticamente confiables y para reducir costos de monitoreo y verificación.
Se dispone para la presente investigación de parcela permanente y temporales dispuestas en las
plantaciones de balsa (Ochroma lagopus Sw.) ubicadas en la regiones de Chimoré, Mariposas y Puerto
Villarroel (Provincia Carrasco), 72 parcela para el periodo 2009, 16 parcelas para el periodo 2008 y 6
parcelas para el periodo 2007. La información de campo fue puesta a disposición con fines académicos
por parte del Ing. Mario Escalier M.Sc., docente de la Facultad de Ciencias Agrícolas, Pecuarias,
Forestales y Veterinarias, en base al convenio firmado con la Empresa BOSQUE TROPICALES
BOLIVIA S.A. y la Escuela de Ciencias Forestales de la Universidad Mayor San Simón (ESFOR -
UMSS).
Las plantaciones fueron realizadas en dos metodología: tres bolillo (2.3m x 2.3m x 2.3m) y marco real
(2m x 2m). El número de árboles dentro de las PPM’s y PTM’s varía entre 80 y 90, esto se da porque
fueron elegidas áreas representativas del rodal, dejando como mínimo dos filas para efecto de borde,
además de considerar aspectos tales como: condiciones de sitio, topografía, suelo, pedregosidad, uso
anterior del sitio, métodos de preparación del terreno, mantenimiento y material vegetativo.
En base a la metodología estándar para América Tropical propuesta por Ugalde (2000) basada en el
Sistema de Manejo de Información de Recursos Arbóreos (MIRA), se establecieron las parcelas. Dicha
metodología es apropiada para la evaluación de plantaciones forestales tropicales, se describe a
continuación algunas consideraciones.
Con la ayuda de una brújula, se marcó la orientación de las parcelas, el punto de inicio al sud-oeste (S–W)
de donde se evaluó siguiendo paralelamente las hileras de los árboles hacia la derecha hasta llegar al otro
vértice sud-este (S–E) y continuando zigzagueando hasta llegar al último árbol dentro de la parcela.
No existe una regla para establecer la forma y tamaño de las parcela, para este caso en particular son de
forma rectangular, fáciles y rápidas de establecer, en cuanto al tamaño la idea principal es que una o más
parcelas represente aproximadamente el 10% del área total del rodal. Se estableció cada parcela dentro del
rodal con un tamaño variable según la densidad y espaciamiento que hay entre árboles.
Todos los árboles plantados en la parcela, deben ser medidos y enumerados en forma secuencial del uno
hasta el último árbol de la parcela. Los árboles que por un error no se plantaron, se cortaron o que fueron
raleados se consideran como árboles muertos, deben tener el código de -99. Los árboles que por alguna
razón no se midieron, (árboles quebrados, muy delgados que no ameritan medir el diámetro, entre otros),
pero que están vivos deben tener el código -88, en una futura medición, cuando se considere apropiado,
estos árboles pueden ser medidos.
Las variables que se evaluaron en campo fueron diámetro, altura total, forma, sobrevivencia y
posicionamiento geoespacial de cada esquina de las parcelas de muestreo (coordenadas este y norte)
principalmente, asimismo se registraron las características del sitio de la propiedad y otros datos de
interés.
Almacenamiento de carbono en plantaciones forestales de balsa (Ochroma lagopus Sw.) ubicadas en las Regiones de Chimoré, Mariposas y Puerto Villarroel
11
4.3.2. Análisis Espacial y Estadístico de la Información
Una vez obtenidos los datos se procedió al análisis tanto espacial como estadístico para el periodo 2009,
ya que es éste el que posee mayor información de campo por lo que será empleado durante todo el proceso
de cálculo y validación de los modelos matemáticos de regresión, para la posterior implementación dicho
modelo (el de mejor ajuste) en los periodos restantes (información de campo 2007 y 2008).
4.3.2.1. Cálculo de Estadísticas e Histogramas de la Imagen Satelital
Cualquier operación aplicada sobre la imagen, es este caso computo de índices de vegetación (IV), parte
de comprender su carácter digital. Al igual que cualquier variable estadística, la operación más elemental
que podemos realizar con una imagen es describir su tendencia central y dispersión, en otras palabras,
conocer cuál es la tendencia general en cada banda, y qué nivel de homogeneidad existe entre los pixeles
que la componen (Chuvieco, 2008). En base a la estadística descriptiva, se define a la media como:
Ecuación 1: Media de la imagen satelital.
Para k bandas y n pixeles que conforman la imagen, y la desviación típica como:
Ecuación 2: Desviación típica de la imagen satelital.
Parte de la estadística elemental de una imagen satelital es también conocer los mínimos y máximos
valores de la imagen, resulta de gran interés además contar con el histograma de frecuencias de cada
banda, el que nos permite disponer de información referente a la distribución de los números digitales
(ND).
La presente investigación tiene por objeto buscar la mejor relación entre los IV y los datos de campo, por
lo que resulta de interés tener en cuenta las relaciones entre bandas, con objeto de analizar el grado de
información original que aporta cada una de ellas. Este análisis puede realizarse gráficamente mediante la
construcción de dispersogramas, y esto a su vez esta complementado con la matriz de correlación.
La matriz de correlación es calculada en dos pasos, el primero consiste en estimar la matriz covarianza
para el listado de bandas de imagen satelital en análisis, en el segundo paso los elementos de la matriz de
covarianza son normalizados de acuerdo a la siguiente fórmula:
Ecuación 3: Cálculo de los coeficientes de correlación.
En donde la correlación de la banda 1 y 2, está dada por la covarianza de la banda 1 y 2 y la varianza de
cada una de dichas bandas.
Almacenamiento de carbono en plantaciones forestales de balsa (Ochroma lagopus Sw.) ubicadas en las Regiones de Chimoré, Mariposas y Puerto Villarroel
12
Es importante señalar que tanto para este paso como para los subsiguientes se va a trabajar con una sub-
escena de la escena Landsat ETM+ (SLC-off) del periodo 2009, por la confiabilidad de la información de
campo que se dispone en ese periodo, las coordenadas (UTM, WGS-84 Zona 20S) están descritas a
continuación.
Tabla 3: Coordenadas de la esquinas de la sub-escena Landsat ETM+ (Periodo 2009).
Esquina Este (x) Norte (y)
Superior Izquierda 261430 m 8142745 m
Inferior Derecha 313351 m 8108211 m
4.3.3. Procesamiento de la Información
4.3.3.1. Pre-procesamiento de la Imagen Landsat ETM+ (SLC-off)
En este ítem se trataran los procedimientos necesarios para corregir radiométricamente la imagen, es decir,
todos aquellos procesos que tienden a eliminar las anomalías detectada en la imagen con respecto a la
radiometría (transformación de ND a reflectividad). Estos procesos son necesarios ya que al calcular
índices de vegetación (IV) a partir de ND existe una subestimación entre 0.05 y 0.20 el valor calculado
con reflectividades (Chuvieco, 2008).
4.3.3.1.1. Corrección Radiométrica
Son aquellas técnicas que modifican el ND original de la imagen con el objeto de acercarlos a los que
habría presentes en caso de una recepción ideal. Se da tratamiento a los problemas radiométricos
derivados del mal funcionamiento del sensor, obtención de magnitudes físicas y corrección atmosférica.
4.3.3.1.1.1. Restauración de Líneas o Pixeles Perdidos
Las líneas o pixeles perdidos suceden por el mal funcionamiento del sensor o de la antena receptora de la
imagen, en el caso particular de las imágenes Landsat ETM+ empleadas es el SLC fuera de operación. En
cualquier caso, se trata de información irreparablemente perdida no se puede restaurar lo que nunca se
obtuvo, por lo tanto, los procesos de corrección se dirigen a mejorar artificialmente el aspecto de la
imagen, facilitando su posterior interpretación (Chuvieco, 2008).
El algoritmo para llenar los vacios de los datos Landsat ETM+ (SLC-off), tiene tres modalidades. Se
puede realizar el gap-fill de un solo archivo empleando un método de triangulación para el llenado de la
información, o emplear un archivo adicional con SLC-on que será utilizado para completar la imagen
SLC-off. Para la según modalidad se presentan dos opciones, se puede optar por utilizar estadísticas
globales o locales para realizar el procedimiento denominado histogram matching, en el que los valores de
los pixeles son manipulados de tal manera que su distribución es aproximadamente igual a lo largo del
rango dinámico de la imagen, dicha distribución es provista por otra imagen o un subconjunto de la
misma. En otras palabras, se manipula la distribución de pixeles de una imagen espejo en la distribución
de pixeles de otra imagen (USGS, 2004).
Emplear estadísticas locales, toma mucho más tiempo en procesar y mayor requerimiento de memoria,
pero el resultado es mejor. Para efecto de la investigación, se trabajó con la primera modalidad con un solo
archivo SLC-off empleando el método de triangulación para el llenado de la información, ya que los datos
calculados no serán utilizados solo se requiere conservar los valores originales para continuar con el
proceso de calibración radiométrica.
Almacenamiento de carbono en plantaciones forestales de balsa (Ochroma lagopus Sw.) ubicadas en las Regiones de Chimoré, Mariposas y Puerto Villarroel
13
4.3.3.1.1.2. Conversión de Números Digitales a Valores de Radiancia
La conversión de los ND almacenados en una imagen original a variables físicas es un paso previo que
resulta de gran utilidad en múltiples fases de interpretación de imágenes, permite trabajar con variables
físicas de significado estándar, comparables en un mismo sensor a lo largo del tiempo, entre distintos
sensores y entre la teledetección espacial y otros métodos de detección de energía electromagnética
(Chuvieco, 2008). La reflectividad es la relación entre la energía reflejada y la energía incidente. La
reflectividad de las cubiertas depende de sus características físicas, químicas así como de las condiciones
de observación, por lo tanto se modifica en las distintas bandas del espectro, por lo que cada una necesita
una corrección diferente.
La conversión de números digitales a valores de radiancia es el paso intermedio para convertir dichos
números a valores de reflectividad a partir de los coeficientes de calibración del sensor, para esto se
emplea la siguiente ecuación:
Ecuación 4: Valores de radiancia espectral detectada por el sensor a partir de los ND’s.
En donde,
, Radiancia espectral recibida por el sensor en la banda k (en Wm-2
sr-1
mm-1
).
/ , Coeficientes de calibración para cada banda.
, Número digital de la imagen.
Los coeficientes de calibración se describen en la Tabla 4,
correspondientes al sensor ETM+ (Chander, 2004).
Tabla 4: Parámetros para la conversión a radiancia de imágenes Landsat ETM+.
Landsat-7 ETM+
Banda
1 -6.2 0.786
2 -6.0 0.817
3 -4.5 0.639
4 -4.5 0.635
5 -1.0 0.128
7 -0.35 0.044
4.3.3.1.1.3. Corrección Atmosférica y Conversión a Valores de Reflectividad
La influencia atmosférica no afecta por igual a los dos componentes del cálculo de la reflectividad: flujo
ascendente (denominador) y ascendente (numerador), ya que el espesor de la atmósfera que atraviesa es
distinto, además hay que considerar la irradiancia solar directa y difusa, procedente de otros objetos
(Chuvieco, 2008). En definitiva, para calcular la reflectividad de la superficie necesitamos remover los
efectos atmosféricos.
Las correcciones con precisión son muy laboriosas y requieren de datos sobre las condiciones de la
atmósfera al momento de toma de la imagen, información que no suele estar disponible. Existen cuatro
procedimientos para abordar las correcciones atmosféricas, in situ mediante radiosondeos, a partir de
imágenes satelitales de otro sensor, modelos físicos de transferencia radiativa, y datos de la propia imagen
(King, 1999, Robin, 1998, Sobrino, 2000). Este último es el método más operativo, no se requiere de
información adicional lo que facilita una corrección completa de los datos, por lo que será el método a
emplear.
Almacenamiento de carbono en plantaciones forestales de balsa (Ochroma lagopus Sw.) ubicadas en las Regiones de Chimoré, Mariposas y Puerto Villarroel
14
El método aplicado se denomina Dark Object (objeto oscuro), consiste en asumir que las áreas cubiertas
con materiales de fuerte absortividad (agua, zonas en sombra), deberían presentar una radiancia espectral
muy próxima a cero, siendo una sencilla aproximación a la corrección atmosférica (Chavez, 1996). Se
calculó la reflectividad mediante la ecuación:
Ecuación 5: Calculo de la reflectividad de la superficie.
En donde,
, es la reflectividad para la banda k.
, es un factor que tiene en cuenta la variación de la distancia Tierra-Sol, y se calcula a partir del día
juliano (J) siguiendo la siguiente fórmula.
Ecuación 6: Factor corrector de la distancia Tierra-Sol.
, es la radiancia en el sensor para esa banda.
, la radiancia atmosférica para esa banda.
Ecuación 7: Cálculo de la radiancia atmosférica para la banda k.
, la transmisividad ascendente. Valor de 1, para observaciones verticales.
, es la irradiancia solar en el techo de la atmósfera.
, es el ángulo cenital solar.
, la transmisividad para el flujo descendente.
, la irradiancia difusa. Se asume valor de 0.
A continuación se enumeran los valores constantes para el cálculo de reflectividad de cada banda del
sensor ETM+, correspondientes a la irradiancia solar en el techo de la atmósfera y a la transmisividad para
el flujo descendente:
Tabla 5: Parámetros de conversión a reflectividad de imágenes Landsat ETM+.
Landsat-7 ETM+
Banda
(Wm-2
µm-1
)
1 1957 0.70
2 1829 0.78
3 1557 0.85
4 1047 0.91
5 219.3 1.00
7 74.52 1.00
Las correcciones radiométricas debidas al sombreado topográfico y al efecto bidireccional para el cálculo
de la reflectividad no se realizaron, la primera porque el área de estudio se encuentra en una zona
Almacenamiento de carbono en plantaciones forestales de balsa (Ochroma lagopus Sw.) ubicadas en las Regiones de Chimoré, Mariposas y Puerto Villarroel
15
totalmente plana por lo que no es necesario y la segunda porque se asume una observación vertical para
buena parte de los sensores de interés ambiental como es el caso del ETM+ (Chuvieco, 2008). Por lo
tanto, se encuentra solventada la corrección radiométrica de la sub-escena Landsat ETM+ (SLC-off) del
periodo 2009.
4.3.3.2. Procesamiento de la Información medida en campo 4.3.3.2.1. Estimación de Biomasa Aérea
Como se mencionó existen varias metodologías para la estimación de biomasa empleando modelos. Por
ejemplo, si la información proviene de datos de inventarios forestales es posible seleccionar un modelo
alométrico2, pero si proviene de mediciones directas de una muestra se pueden generar ecuaciones propias
del sitio. Para el presente caso, por ausencia de información particular de la especie Ochroma lagopus Sw.,
se utilizaran modelos alométricos generales de acuerdo a las condiciones climáticas del área de estudio, en
los que se considera a la biomasa como variable dependiente y el DAP, altura del árbol y la densidad de la
madera, dependiendo del modelo, como las variables independientes (Brown, 1989). Adicionalmente se
probará con la metodología de modelos o tablas de volumen, en la que se parte definiendo el volumen de
árbol en función de variables correlacionadas tales como el DAP, altura, densidad de la madera y factor de
forma para luego estimar la biomasa con base en el factor de expansión de biomasa (Ortiz, 1993, Segura,
1999).
A continuación, de forma esquemática se presentarán los modelos de cálculo empleados para la
estimación de biomasa, que están acorde con los datos proporcionados de los inventarios forestales.
Ecuación 8: Modelos alométricos para la estimación de biomasa aérea.
Modelos Alométricos
Tipo de clima: Húmedo Precipitación anual: 150 – 4000 mm año
-1
EC1:
EC2:
EC3: En donde, Y, Biomasa sobre el suelo[kg MS árbol
-1]
D, Diámetro a la altura del pecho (a 1.3 m del suelo) [cm]. H, Altura [m]. S, Densidad de la madera [t m
-3]. S balsa = 0.155 [tonm
-3] (Bonet, 2009).
2 Un modelo alométrico, es una relación matemática para estimar una variable (volumen o biomasa) con base en una o más variables
independientes (DAP, altura).
Almacenamiento de carbono en plantaciones forestales de balsa (Ochroma lagopus Sw.) ubicadas en las Regiones de Chimoré, Mariposas y Puerto Villarroel
16
Ecuación 9: Modelos o tablas de volumen para la estimación de biomasa aérea.
Modelos o tablas de volumen
En donde, Bc, Biomasa del Componente [ton] Vc, Volumen del Componente [m
3]
AB, Área Basal [m2]
FF, Factor de Forma. FF = 0.65 (BOLFOR, 1997) Ba, Biomasa Aérea [ton/ha] FEB, Factor de Expansión de Biomasa
Factor de Expansión de Biomasa Si Bc es igual o mayor a 190 ton/ha FEB = 1.74, caso contrario:
EC4_1: (Brown, 1989)
EC4_2: (Dauber, 2006)
El siguiente paso en la línea de los datos de campo, es buscar el algoritmo matemático que relacione los
valores de biomasa estimada por los cinco modelos (variables dependiente) con los diferentes índices de
vegetación (variables independientes) cuyo cálculo es explicado en el ítem consecutivo.
4.3.4. Cálculo de los Índices de Vegetación
Los índices de vegetación sirven básicamente para mejorar la discriminación entre dos cubiertas con
comportamiento reflectivo distinto en esas bandas, por ejemplo para realzar la cobertura de suelos y
vegetación se utiliza el VIS e IRC, esto se deriva del peculiar comportamiento radiométrico de la
vegetación como se mencionó (Chuvieco, 2008).
En definitiva, se puede señalar que cuando mayor sea la diferencia entre las reflectividades de las bandas,
mayor es el vigor vegetal presente en la cubierta. Bajos contrastes indican una vegetación enferma,
senescente o con poca densidad, hasta llegar a los suelos descubiertos o al agua que presentan una
reflectividad similar en el VIS e IRC, e incluso inferior en esta última.
En la estimación de biomasa, los índices de vegetación juegan un papel importante, en primer lugar como
ya se mencionó permiten discriminar la cobertura de la vegetación de cualquier otra, además poseen una
estrecha relación con el vigor, enfermedad, senescencia, densidad entre otras propiedades de la
vegetación. Bajo esta premisa, se espera tener una buena correlación entre los datos medidos en campo
empleados para estimar la biomasa y los valores de los índices de vegetación.
Almacenamiento de carbono en plantaciones forestales de balsa (Ochroma lagopus Sw.) ubicadas en las Regiones de Chimoré, Mariposas y Puerto Villarroel
17
Se ilustran a continuación, en base al comportamiento radiométrico de la vegetación descrito
anteriormente, las combinaciones matemáticas de los índices de vegetación.
Rouse (1974), desarrollo el denominada índice de vegetación de diferencia normalizada (NDVI-
Normalized Difference Vegetaction Index). Toma valores en el rango de -1 a 1, calculado mediante la
siguiente fórmula:
Ecuación 10: NDVI - Índice de vegetación de diferencia normalizada.
Rock (1985), definió un índice de estrés hídrico (MSI – Moisture stress index), empleando el cociente
entre la banda 5 y 4, poniendo así en evidencia los cambios en el estrés hídrico de las plantas, su ecuación
se presenta a continuación:
Ecuación 11: MSI - Índice de estrés hídrico.
Lee y Nakane (1997), desarrollan un índice que correlaciona la biomasa con la respuesta espectral, según
la siguiente transformación
Ecuación 12: Índice de correlación entre la biomasa y la respuesta espectral de los IV.
Ray (1994), implementa las combinaciones ETM5/RTM3 y, ETM4/RTM7. Para una mayor comprensión,
se generan los cocientes de diferencia normalizada.
Ecuación 13: Cociente de diferencia normalizada.
Schneider (1998) ha experimentado con otros índices, con el objetivo de aumentar la discriminación entre
coberturas vegetales:
Ecuación 14: Discriminación entre coberturas vegetales.
Varios autores han propuesto una serie de variantes aplicables a los índices de vegetación, que pretenden
de una u otra manera disminuir los efectos que pueden generar cubiertas ajenas a la vegetación. Se hará un
recuento de aquellos índices especiales que sean pertinentes en la investigación.
Almacenamiento de carbono en plantaciones forestales de balsa (Ochroma lagopus Sw.) ubicadas en las Regiones de Chimoré, Mariposas y Puerto Villarroel
18
El efecto de absorción atmosférica es de importancia en el cálculo del NDVI, tiende en principio a reducir
el valor del índice, puede ser compensado teniendo en cuenta la diferente dispersión de los canales azul y
rojo del espectro; de esta manera se define el índice de vegetación atmosférica resistente (Kaufman, 1992).
Ecuación 15: ARVI - Índice de vegetación atmosférica resistente.
Entre otros factores que modifican notablemente el comportamiento del NDVI se encuentra la proporción
de vegetación/suelo observada por el sensor. Los mismos valores de NDVI pueden corresponder a
cubiertas vigorosas pero poco densas, o a cubiertas densas con poca vitalidad. Para evitar esta
circunstancia e incluir el factor suelo, se colocaron parámetros adicionales a la formula, que ajusten el
índice a una reflectividad promedio de fondo - SAVI (Huete, 1988) y modificado posteriormente -
MSAVI2 (Qi, 1994).
Ecuación 16: MSAVI2 - Índice de vegetación modificado ajustado al suelo.
El índice de vegetación avanzado (AVI), es mucho más sensible a la señal de la vegetación que el NDVI
común. La ecuación básica para la obtención de este índice es:
Ecuación 17: AVI – Índice de vegetación avanzado.
Diversos estudios han demostrado, en base a los análisis estadísticos, que se podría utilizar modelos de
regresión para estimar la relación existente entre biomasa forestal y valores de NDVI, independientemente
de la escala espacial o temporal utilizada y del ecosistema estudiado (González-Alonso, 2005). Hay que
tener en cuenta que en este campo de investigación los ajustes varían mucho con los estudios, desde muy
buenos hasta los bastante discretos (Chuvieco, 2008).
4.3.5. Diseño del Modelo de Regresión
Una de las técnicas estadísticas más utilizadas para entender la relación entre variables es la regresión
lineal, ya sea simple (dos variables) o múltiple (más de dos variables). El análisis de regresión lineal puede
utilizarse para explorar y cuantificar la relación entre una variable dependiente y una o más variables
independientes, así como para desarrollar una ecuación lineal con fines predictivos y estimar mediante el
coeficiente de determinación la calidad de la ecuación de regresión obtenida.
Lo más importante en la construcción de los modelos de regresión es la elección de las variables a incluir,
depende en gran medida del modelo ya sea éste predictivo o explicativo (Molinero, 2002), para el presente
estudio es de carácter predictivo y en bases a literatura revisada se determina que las variables a incluir
son datos del sensor ETM+ (NDVI’s) y existencias forestales (inventarios) de la especie Ochroma lagopus
Almacenamiento de carbono en plantaciones forestales de balsa (Ochroma lagopus Sw.) ubicadas en las Regiones de Chimoré, Mariposas y Puerto Villarroel
19
Sw., con el fin de estimar la cantidad de biomasa presente y a partir de ésta la cantidad de carbono
(González-Alonso, 2007).
4.3.5.1. Regresión Lineal Simple
Un modelo de regresión lineal simple (RLS) implica trabajar con una sola variable independiente, lo que
se busca es que la variable dependiente (Y) se encuentre totalmente explicada por la variable
independiente (x). El modelo de regresión lineal simple se define por la siguiente expresión:
Ecuación 18: Modelo de regresión lineal simple.
En donde,
, Variable dependiente (biomasa en ton/ha).
, Parámetros de modelo.
, Variable independiente (NDVI’s).
4.3.5.2. Regresión Lineal Múltiple
Un modelo de regresión lineal múltiple (RLM) permite trabajar con más de una variable independiente
para llevar a cabo el análisis. La ecuación de regresión para este tipo de modelo ya no define una recta en
el plano, sino un hiperplano en un espacio multidimensional (Pardo, 2000). El modelo de regresión lineal
múltiple se define por la siguiente expresión:
Ecuación 19: Modelo de regresión lineal múltiple.
En donde,
, Variable dependiente (biomasa en ton/ha).
, Parámetros de modelo.
, Variable independiente (NDVI’s).
, Variable independiente (IF - Inventario Forestal).
, Variable independiente (“n”).
4.3.5.3. Coeficiente de Determinación (R2)
Es una medida adimensional, de fácil cálculo e interpretación, debido a su recorrido acotado entre cero y
uno, lo que conduce a una excesiva utilización de la misma, con interpretaciones abusivas en unos casos y
erróneas en otros. Sin tratar de mermar la importancia de este coeficiente, R2 debe tomarse, como una
primera medida a completar con otras, para evaluar el modelo lineal de regresión ajustado y obtener
conclusiones válidas sobre su grado de ajuste al conjunto de observaciones. Su exclusiva consideración
Almacenamiento de carbono en plantaciones forestales de balsa (Ochroma lagopus Sw.) ubicadas en las Regiones de Chimoré, Mariposas y Puerto Villarroel
20
puede, en muchas ocasiones, conducirnos a errores importantes en los análisis de regresión (Martínez,
2005).
El R2 nos permite conocer que tanto la variable dependiente se encuentra explicada por la o las variables
independientes, es decir, la variación total que está siendo explicada por la regresión. Además ofrece una
idea de la calidad del ajuste del modelo a los datos, se calcula según la siguiente fórmula:
Ecuación 20: Ecuación correspondiente al coeficiente de determinación.
En donde,
, Coeficiente de determinación
, Suma de cuadrados de la regresión
, Suma de cuadrados toral
4.3.6. Evaluación de la Calidad del Modelo de Regresión
La evaluación de la calidad del modelo de regresión se realizó a partir de comparar el valor estimado por
los modelos de regresión y el valor medido en campo para cada parcela. Previamente se hizo una primera
aproximación mediante el análisis del coeficiente de determinación (R2 - bondad de ajuste), pero como se
mencionó se necesita de más medidas de evaluación para obtener conclusiones válidas sobre el grado de
ajuste, por lo que además se calculó la raíz del error cuadrático medio de la predicción (RMSE)
(Chuvieco, 2008). A continuación se presenta la ecuación empleada:
Ecuación 21: Error cuadrático medio de la predicción.
En donde,
, Valor estimado a partir de los modelos de regresión
, Valor medido en campo para cada parcela
, Número de punto a validar
4.3.7. Estimación del Almacenamiento de Carbono
Para la estimación del almacenamiento de carbono en las parcelas, se usara el valor de 0.5 de la biomasa
total aérea (Brown, 1997), por falta de información particular de la especie estudiada. Para el cálculo de la
biomasa se empleará la ecuación correspondiente a la regresión lineal múltiple de mejor ajuste.
Ecuación 22: Modelo de regresión lineal múltiple de mejor ajuste para el cálculo de la biomasa aérea (Periodo 2007-2009).
Almacenamiento de carbono en plantaciones forestales de balsa (Ochroma lagopus Sw.) ubicadas en las Regiones de Chimoré, Mariposas y Puerto Villarroel
21
5. Resultados y Discusión
5.1. Análisis Espacial y Estadístico de la Información 5.1.1. Cálculo de Estadísticas e Histogramas de la Imagen Satelital
Como se mencionó, las medidas de tendencia central y dispersión ofrecen una primera valoración sobre el
carácter de cada una de las bandas y su grado de homogeneidad. A continuación el resumen estadísticos de
la imagen satelital correspondiente al periodo 2009:
Tabla 6: Estadísticas elementales de la imagen satelital correspondiente al periodo 2009.
Máximo Mínimo Media Desviación Típica
Banda 1 154 30 44.61 3.36
Banda 2 128 25 35.61 4.50
Banda 3 216 1 27.91 7.30
Banda 4 170 14 85.91 13.73
Banda 5 167 4 50.83 11.70
Banda 7 159 2 24.71 8.21
Para este ítem se trabajo con una sub-escena correspondiente al área de estudio (PPM’s y PTM’s), para
evitar la inclusión de valores no deseados en el análisis, las coordenadas de las esquinas se presentan en la
Tabla 3.
De la Tabla 6, se deduce que de toda banda que tiene los ND’s más bajos, se debe a efectos
provocados por la dispersión atmosférica. Los ND medios más altos son para las bandas 4 y 5, saturadas a
juzgar por los valores mínimos y máximos. En base a la desviación típica, la banda 4 acoge la mayor
heterogeneidad pero no muy diferente a la banda 5, lógicamente la banda 1 es la de menor dispersión. La
banda 1, ofrece el peor contraste (Chuvieco, 2008).
La distribución de los ND en una determinada imagen, la brinda claramente el histograma de la misma.
Permite deducir la tonalidad dominan de cada banda, se relaciona con el contraste, así también la
presencia de picos puede referirse a una clase de cobertura en particular. Con respecto a la sub-escena en
particular, se confirma la que la banda 4 y 5 son las que ofrecen la mayor dispersión con respecto a las
demás. Las bandas 1 y 2 presentan el histograma más estrecho y por ende la desviación típica menor.
En cuanto a los picos de frecuencia presente en el extremo izquierdo, para las bandas 4 ,5 y 7, resulta
complicado identificar las cubierta que los generan; se requiere de un análisis mayor.
Banda 1 Banda 2
Almacenamiento de carbono en plantaciones forestales de balsa (Ochroma lagopus Sw.) ubicadas en las Regiones de Chimoré, Mariposas y Puerto Villarroel
22
Figura 2: Histogramas de las bandas del VIS/IRC de la imagen Landsat ETM+ (Periodo 2009).
La escala horizontal va de 0 a 255.
Es importante como se mencionó, tener en cuenta las relaciones entre bandas, con el objetivo de analizar
el grado de información que aportan cada una de ellas. Este análisis se puede realizar con un
dispersograma, que es un gráfico bivariado de localización espectral de los pixeles a partir de los ND. Éste
se encuentra complementado con la matriz de correlación, muestra que tan relacionada se encuentra una
banda con respecto a las demás.
En consecuencia si tiene una alta correlación, el dispersograma tiende a formar una línea, en otras palabras
para el análisis es suficiente trabajar con una de las dos bandas. Por el contrario, si la nube de puntos
ofrece alta dispersión (baja correlación), la relación entre bandas será pequeña por lo que ambas son de
interés en análisis.
A continuación, se presenta la matriz de correlación para las bandas del subsistema VIS/IRC de la sub-
escena Landsat ETM+ (Periodo 2009):
Tabla 7: Matriz de correlación para las bandas del subsistema VIS/IRC de la sub-escena Landsat ETM+ (Periodo 2009).
Banda1_2009 Banda2_2009 Banda3_2009 Banda4_2009 Banda5_2009 Banda7_2009
Banda1_2009 1.00 0.92 0.94 -0.41 0.42 0.68
Banda2_2009 0.92 1.00 0.93 -0.25 0.49 0.68
Banda3_2009 0.94 0.93 1.00 -0.46 0.44 0.70
Banda4_2009 -0.41 -0.25 -0.46 1.00 0.32 -0.03
Banda5_2009 0.42 0.49 0.44 0.32 1.00 0.90
Banda7_2009 0.68 0.68 0.70 -0.03 0.90 1.00
Para interpretar de mejor manera la matriz se visualizará el dispersograma de las bandas 5/7 (alta
correlación) y de las bandas 4/7 (baja correlación).
Banda 3 Banda 4
Banda 5 Banda 6
Almacenamiento de carbono en plantaciones forestales de balsa (Ochroma lagopus Sw.) ubicadas en las Regiones de Chimoré, Mariposas y Puerto Villarroel
23
Figura 3: Dispersograma de las bandas 5/7 (alta correlación) y de las bandas 4/7 (baja correlación) de la sub-escena
Landsat ETM+ (Periodo 2009).
5.2. Procesamiento de la Información 5.2.1. Pre-procesamiento de la Imagen Landsat ETM+ (SLC-off)
La restauración de las líneas de información pérdidas debido a la ausencia del SLC, fue integra luego de
aplicar el algoritmo gap-fill con la modalidad de triangulación, este es un requisito previo para la
conversión de los números digitales a valores de reflectividad. Sin embrago los valores de llenado que
coincidan con la ubicación de la parcelas no serán empleados para el análisis, debido a que no se tiene una
manera de validar este procedimiento de corrección en la subescena Landsat ETM+ del periodo 2009.
Figura 4: Visualización de la pérdida de información debida al fallo del Scan Line Corrector (SLC) del Sensor ETM+ y su
respectiva corrección (Gap-fill).
Como se observa en la Figura 5, la transformación de ND brutos a reflectividad no solo modifica las
diferencias de calibración entre bandas de la misma imagen, también cambia la escala de medición a un
parámetro físico y permite corregir los efectos atmosféricos o aquellos debidos a la influencia de cubiertas
vecinas (Chuvieco, 2008).
Almacenamiento de carbono en plantaciones forestales de balsa (Ochroma lagopus Sw.) ubicadas en las Regiones de Chimoré, Mariposas y Puerto Villarroel
24
Figura 5: Comparación entre las curvas espectrales de los ND brutos y reflectividad para el agua, el suelo descubierto y
vegetación de la subescena Landsat ETM+ (SLC-off). Periodo 2009.
5.2.2. Procesamiento de la Información medida en campo
La madera de balsa es liviana de rápido crecimiento, por lo tanto la ganancia de biomasa es considerable
al igual que el almacenamiento de carbono, alcanza en un periodo de aproximadamente 6 años
dependiendo de las condiciones del sitio, el diámetro mínimo de corta para su aprovechamiento.
Para ejemplificar (Tabla 8) esta situación se toma como patrón la Parcela N° 2 del Sitio Senda D, y como
válida la tercera ecuación de los modelos alométricos para la estimación de la biomasa, ya que el R2
para
este modelo es de 0.99 (Brown, 1989).
Tabla 8: Estimación de biomasa para la Parcela N°2 del Sitio Senda D, periodo 2007-2009.
SITIO SENDA D PARCELA 2 87 Arb.
ÁREA 460 m2
F. Plant (29-03-2006) Biomasa (Ton/Ha) – EC3
1 era
Med (22-10-2007) 0.5
2 da
Med (05-11-2008) 10.7
3 era
Med (02-10-2009) 24.93
Es posible diferenciar tres etapas en el crecimiento acumulado: un estadio juvenil en donde el crecimiento
es primero lento y luego acelerado, un estadio de madurez con un crecimiento constante y un estadio de
senescencia con un crecimiento mínimo casi nulo para llegar a una asíntota (ABAN, 2009).
En la Figura 6, se visualiza claramente la relación que existe entre el crecimiento y la ganancia de biomasa
con el subsecuente almacenamiento de carbono. La plantación que se tomó como ejemplo en su etapa
juvenil (1 a 2 años) tiene un bajo incremento de biomasa debido al lento crecimiento, al empezar la etapa
de madurez los valores de biomasa empiezan a incrementarse hasta que los valores se disparan cuando la
planta está en plena etapa de madurez (aproximadamente 4 años); de ahí paulatinamente se espera que la
plantación llegue a su periodo de senescencia en donde su crecimiento se estabiliza y por ende deja de
ganar biomasa y de almacenar carbono, se encuentra lista para ser aprovechada, lo ideal es que el CO2
almacenado no sea liberado por procesos como por ejemplo la quema.
Almacenamiento de carbono en plantaciones forestales de balsa (Ochroma lagopus Sw.) ubicadas en las Regiones de Chimoré, Mariposas y Puerto Villarroel
25
Fuente: López, 2010
Figura 6: Relación entre la curva de las etapas de crecimiento acumulado del árbol y curva de ganancia de biomasa para
la especie Ochroma lagopus Sw.
Con respecto a los modelos alométricos, en trabajos realizados para zonas tropicales, se ha determinado
que la variable independiente que mejor explica la biomasa de un árbol es el DAP, variable considerada en
los algoritmos matemáticos (Overman, 1994). Podemos observar que una práctica habitual en los modelos
alométricos es la transformación logaritmo-antilogaritmo, sin correcciones posteriores.
Fuente: Bell et ál. (1984)
Figura 7: La biomasa en función del DAP y la altura, sin transformación y con transformación.
En la parte izquierda de la Figura 7, se ilustra la tendencia heterocedástica de los datos de biomasa, sin
transformación logarítmica, con el incremento de la variable dap. La mayoría de los trabajos reportados
utilizan el método inicialmente propuesto por Kittredge (1944). Éste consiste en que la biomasa de algún
componente o el árbol completo, se relaciona con variables del tamaño del árbol en una regresión lineal
bajo las escalas logarítmicas, esta situación se ilustra en la parte derecha de la figura.
5.3. Cálculo de los Índices de Vegetación En base a la Tabla 7, se puede mencionar que la combinación de bandas empleadas para el cálculo de los
NDVI’s propuestos, poseen una baja correlación, lo que implica que el juego de bandas ofrece una alta
dispersión y la relación entre ellas será pequeña por lo que ambas son de interés para el análisis.
Adicionalmente, según la firma espectral de la vegetación a lo largo del espectro electromagnético (Figura
1), al formar los pares de bandas para el cálculo de los NDVI´s, se está considerando en primer lugar la
banda de mejor respuesta espectral para esta cobertura y posteriormente la banda de peor respuesta
espectral.
Almacenamiento de carbono en plantaciones forestales de balsa (Ochroma lagopus Sw.) ubicadas en las Regiones de Chimoré, Mariposas y Puerto Villarroel
26
La matriz de correlación para los índices de vegetación, no da una idea de cuan similar es uno con otro y
cuáles podrían ser retirados del análisis por redundancia de información en teoría. Aun es muy prematuro
tomar una decisión de esa índole se tiene que modelar y esperar los resultados, pero es un primer
panorama útil para entender dichos resultados en la siguiente etapa de la metodología.
Tabla 9: Matriz de correlación para los índices de vegetación de la sub-escena Landsat ETM+ (Periodo 2009).
NDI43 NDI54 NDI75 NDI53 NDI47 NDI51 NDI52 ARVI MSAVI AVI
NDI43 1,00 -0,61 -0,89 0,84 0,78 0,78 0,84 0,99 0,95 0,86
NDI54 -0,61 1,00 0,64 -0,08 -0,95 0,00 -0,17 -0,64 -0,69 -0,63
NDI75 -0,89 0,64 1,00 -0,68 -0,84 -0,63 -0,71 -0,89 -0,87 -0,78
NDI53 0,84 -0,08 -0,68 1,00 0,33 0,97 0,93 0,81 0,73 0,68
NDI47 0,78 -0,95 -0,84 0,33 1,00 0,25 0,40 0,81 0,83 0,74
NDI51 0,78 0,00 -0,63 0,97 0,25 1,00 0,91 0,73 0,65 0,60
NDI52 0,84 -0,17 -0,71 0,93 0,40 0,91 1,00 0,81 0,70 0,57
ARVI 0,99 -0,64 -0,89 0,81 0,81 0,73 0,81 1,00 0,96 0,88
MSAVI 0,95 -0,69 -0,87 0,73 0,83 0,65 0,70 0,96 1,00 0,96
AVI 0,86 -0,63 -0,78 0,68 0,74 0,60 0,57 0,88 0,96 1,00
5.4. Diseño del Modelo de Regresión
Para la estimación de biomasa aérea, se disponía de información de campo correspondiente a inventarios
forestales (IF) del periodo 2007 - 2009 según se describe en la sección 4.3.1.2 y de información satelital
para la extracción de los índices de vegetación (Sección 4.3.4). En base a las series de los NDVI’s y a los
datos de los IF se llevaron a cabo estimaciones de biomasa empleando regresiones lineales simples (RLS)
y múltiples (RLM).
5.4.1. Regresión Lineal Simple
Para esta sección, se emplearon los datos correspondientes a los IF del periodo 2009 de los cuales se
calculó la biomasa aérea existente (Sección 4.3.3.2.1). En cuanto a los datos provenientes de sensores
remotos se extrajo en base al centroide de la parcela el valor del pixel en la sub-escena Landsat más
cercano al mismo. Los insumos de entrada para la RLS se encuentran detallados en el Anexo 3.
Se consideró el modelo de regresión simple , en donde la variable dependiente Y, corresponde a
los valores de biomasa calculados para el periodo 2009 y la variable independiente x1, a los valores de
NDVI’s calculados. Para la selección de los modelos de regresión aceptables para la estimación de
biomasa se empleó en primera instancia el coeficiente de determinación R2, el cual como se mencionó es
una primera medida para complementar otras para evaluar el modelo lineal de regresión, teniendo los
siguientes resultados.
Tabla 10: Coeficiente de determinación R2 – Regresión Lineal Simple (Periodo 2009).
X1
Y
NDVI43 NDVI54 NDVI75 NDVI53 NDVI47 NDVI51 NDVI52 ARVI MSAVI AVI
EC1 0,030 0,025 0,009 0,009 0,017 0,008 0,012 0,033 0,03 0,028
EC2 0,046 0,038 0,012 0,012 0,028 0,006 0,043 0,049 0,038 0,026
EC3 0,046 0,038 0,012 0,012 0,028 0,006 0,043 0,049 0,039 0,026
EC4_1 0,037 0,033 0,009 0,008 0,023 0,007 0,036 0,032 0,032 0,022
EC4_2 0,040 0,035 0,010 0,009 0,025 0,007 0,037 0,042 0,034 0,023
Como se observa los valores de R2 son muy bajos, por lo que se concluye que las RLS’s propuestas no son
las más adecuadas, ya que la varianza de la variable dependiente (biomasa) no está explicada por la
variable independiente (NDVI’s).
Almacenamiento de carbono en plantaciones forestales de balsa (Ochroma lagopus Sw.) ubicadas en las Regiones de Chimoré, Mariposas y Puerto Villarroel
27
5.4.2. Regresión Lineal Múltiple
Al igual que en el ítem anterior se trabajó con la biomasa aérea calculada para el periodo 2009 y los
NDVI’s correspondientes al mismo periodo, la variante es la inclusión de una nueva variable
independiente que es la biomasa aérea calculada para el periodo 2008 y la consideración para este caso de
solamente 16 parcelas que son comunes para ambos periodos (Anexo 4).
En el modelo de regresión múltiple , la variable dependiente Y, corresponde a los valores de
biomasa calculados para el periodo 2009, la variable independiente x1 a los valores de NDVI’s y la
variable independiente x2 a los valores de biomasa para el periodo 2008. A continuación se presenta la
tabla correspondiente a los coeficientes de determinación:
Tabla 11: Coeficiente de determinación R2 – Regresión Lineal Múltiple (Periodo 2008-2009).
Y X1
X2 NDVI43 NDVI54 NDVI75 NDVI53 NDVI47 NDVI51 NDVI52 ARVI MSAVI AVI_2009 Max
EC1 EC1_08 0,517 0,525 0,485 0,476 0,519 0,476 0,487 0,516 0,512 0,504 0,525
EC2 EC2_08 0,562 0,575 0,537 0,534 0,566 0,539 0,539 0,561 0,556 0,550 0,575
EC3 EC3_08 0,568 0,581 0,544 0,541 0,573 0,546 0,546 0,567 0,563 0,557 0,581
EC4_1 EC4_1_08 0,589 0,589 0,548 0,551 0,578 0,547 0,551 0,592 0,586 0,576 0,592
EC4_2 EC4_2_08 0,590 0,593 0,555 0,555 0,584 0,554 0,557 0,592 0,587 0,578 0,593
Para este caso, como se observa, se tiene un R2 más elevado que para los casos de RLS, se pueden
considerar estos valores como regularas (Rojo, 2007). A continuación, se ilustran los correspondientes
Modelos de RLM, considerando los valores máximos de cada coeficiente de determinación para cada Y
(ECi).
Tabla 12: Modelos de Regresión Lineal Múltiple.
Modelos de Regresión Lineal Múltiple
EC1
EC2
EC3
EC4_1
EC4_2
Los valores de R2 siguen siendo aun bajos, por lo que se analiza el comportamiento de cada parcela
durante el periodo 2008-2009 con respecto al incremento de biomasa. Se llega a concluir que tres parcelas
no mantienen la tendencia estándar (a mayor edad de la plantación mayor biomasa aérea) con respecto
a EC3, esto se debe al elevado índice de mortandad presente. Por lo que las parcelas: Villa Florida 1,
Senda D 1 y San Martin 1, fueron eliminadas para el siguiente análisis empleando RLM que considera la
variable independiente x2 con igual comportamiento. A continuación se presenta la tabla correspondiente
a los coeficientes de determinación:
Almacenamiento de carbono en plantaciones forestales de balsa (Ochroma lagopus Sw.) ubicadas en las Regiones de Chimoré, Mariposas y Puerto Villarroel
28
Tabla 13: Coeficiente de determinación R2 para la variable x2 con igual comportamiento – Regresión Lineal Múltiple
(Periodo 2008-2009).
Y X1
X2 NDVI43 NDVI54 NDVI75 NDVI53 NDVI47 NDVI51 NDVI52 ARVI MSAVI AVI_2009 Max
EC1 EC1_08 0,782 0,767 0,751 0,693 0,781 0,669 0,683 0,793 0,790 0,758 0,793
EC2 EC2_08 0,840 0,840 0,806 0,772 0,847 0,760 0,764 0,848 0,844 0,818 0,848
EC3 EC3_08 0,840 0,842 0,808 0,773 0,849 0,761 0,766 0,849 0,845 0,820 0,849
EC4_1 EC4_1_08 0,722 0,709 0,664 0,618 0,715 0,595 0,606 0,734 0,725 0,680 0,734
EC4_2 EC4_2_08 0,758 0,749 0,706 0,663 0,755 0,643 0,652 0,769 0,762 0,722 0,769
El R2 mejoró, al eliminar del análisis las parcelas con diferente comportamiento, se pueden considerar
estos valores como buenos (Rojo, 2007). A continuación, se ilustran los correspondientes Modelos de
RLM, considerando los valores máximos de cada coeficiente de determinación para cada Y (ECi).
Tabla 14: Modelos de Regresión Lineal Múltiple para la variable x2 con igual comportamiento.
Modelos de Regresión Lineal Múltiple
EC1
EC2
EC3
EC4_1
EC4_2
Las variables independientes que explican mejor la variable dependiente (biomasa), son el índice de
vegetación ARVI y la biomasa de IF 2008 calculada con la ecuación EC3, puesto que se tiene un
R2=0.849
5.5. Evaluación de la Calidad del Modelo de Regresión Los resultados obtenidos de la evaluación de la calidad de los modelos de regresión lineal múltiples con
RMSE se encuentran compilados en los Anexo 5 y Anexo 6, se presentan a continuación el resumen de los
estadísticos:
Tabla 15: Evaluación de la calidad de los Modelos de Regresión Lineal Múltiple.
Regresión Lineal Múltiple
Biomasa TON/HA
(2009)
Diferente Comportamiento Similar Comportamiento
R2 RMSE R2 RMSE
EC1 0,525 13,52 0,793 9,41
EC2 0,575 14,99 0,848 9,33
EC3 0,581 4,37 0,849 2,73
EC4_1 0,592 14,53 0,734 11,79
EC4_2 0,593 10,75 0,769 8,24
No se consideró para este análisis los resultados de la RLS, debido a que el coeficiente de determinación
era sumamente bajo, mientras que para las dos propuestas de RLM se emplearon todas las muestras en la
validación no fue excluida ninguna para comprobación, debido a la escasa información que se disponía.
Como se observa en la Tabla 15, el modelo de regresión lineal múltiple que tiene el
mejor ajuste es el correspondiente a la ecuación de cálculo para biomasa aérea “EC3” considerando las
variables de similar comportamiento, los estadísticos son R2 = 0.849 y RMSE = 2.73.
Almacenamiento de carbono en plantaciones forestales de balsa (Ochroma lagopus Sw.) ubicadas en las Regiones de Chimoré, Mariposas y Puerto Villarroel
29
Figura 8: Diagrama de dispersión de la biomasa aérea sobre ARVI y EC3_08.
Existen estudios referentes a la temática planteada en el presente documento, que han logrado un mejor
ajuste sobre todo en la RLS, tal es el caso de González-Alonso (2007), que a partir de datos de NDVI de
los sensores VGT y AVHRR de SPOT y NOAA respectivamente y las existencias de biomasa forestal
tomadas de inventarios, alcanza los siguientes resultados:
Tabla 16: Resultados de las regresiones a partir de datos de NDVI y de existencias forestales.
RLS
RLM
Satélite/Sensor R2 ECM Satélite/Sensor R2 ECM
SPOT-VGT 73.51 16.45 SPOT-VGT 94.24 7.37
NOAA-AVHRR 76.27 15.57 NOAA-AVHRR 94.70 7.07
Esto se puede deber básicamente a que trabajó en base a series de índices de vegetación de periodos largos
igual que con los datos obtenidos de los inventarios forestales.
5.6. Estimación del Almacenamiento de Carbono
Para ejemplificar el almacenamiento de carbono se calcularon las curvas de éste elemento para las
parcelas comunes para el periodo 2007-2009 y como válida la Ecuación 22 para la estimación de la
biomasa del periodo 2009, ya que el R2
para este modelo es de 0,849. Cabe aclarar que para el periodo
2007 se disponía de 6 parcelas, lastimosamente una fue eliminada (Sección 5.4.2).
Almacenamiento de carbono en plantaciones forestales de balsa (Ochroma lagopus Sw.) ubicadas en las Regiones de Chimoré, Mariposas y Puerto Villarroel
30
Tabla 17: Estimación de biomasa (2009) empleando el modelo de RLM y contenido de carbono (2007-2009).
SITIO
SENDA D PARCELA
2 ÁREA 460 m2
F. Plant (29-03-2006)
1 era
Med (22-10-2007)
2 da
Med (05-11-2008)
3 era
Med (02-10-2009)
Biomasa (Ton/Ha) –
EC3 C. Carbono (Ton/Ha)
0.52 0,26
10.73 5,37
22.85 11,43
SITIO
SENDA D PARCELA
3 ÁREA 471 m2
Biomasa (Ton/Ha) –
EC3 C. Carbono (Ton/Ha)
0.58 0,29
9.58 4,79
20.22 10,11
SITIO
BARRIETOS
PARCELA
1 ÁREA 450 m2
F. Plant (12-10-2005)
1 era
Med (16-10-2007)
2 da
Med (04-12-2008)
3 era
Med (05-10-2009)
Biomasa (Ton/Ha) –
EC3 C. Carbono (Ton/Ha)
0.04 0,02
1.11 0,56
1.77 0,89
SITIO
BARRIETOS
PARCELA
2 ÁREA 450 m2
Biomasa (Ton/Ha) –
EC3 C. Carbono (Ton/Ha)
0.13 0,07
2.57 1,29
5.03 2,52
SITIO
BARRIETOS
PARCELA
3 ÁREA 450 m2
Biomasa (Ton/Ha) –
EC3 C. Carbono (Ton/Ha)
0.22 0,11
3.97 1,99
1.13 0,57
Parcelas del Sitio Senda D
Figura 9: Curvas de almacenamiento de carbono - Sitio Senda D. Periodo 2007-2009.
0,26
5,37
11.43
-
2,00
4,00
6,00
8,00
10,00
12,00
1 2 3
Co
nte
nid
o d
e C
arb
on
o (
ton
/ha
)
Períodos de Medición
SITIO SENDA D 2
C, Carbono (Ton/Ha)
0,29
4,79
10.11
-
2,00
4,00
6,00
8,00
10,00
12,00
1 2 3
Co
nte
nid
o d
e C
arb
on
o (
ton
/ha
)
Períodos de Medición
SITIO SENDA D 3
C, Carbono (Ton/Ha)
Almacenamiento de carbono en plantaciones forestales de balsa (Ochroma lagopus Sw.) ubicadas en las Regiones de Chimoré, Mariposas y Puerto Villarroel
31
Parcelas del Sitio Barrientos
Figura 10: Curvas de almacenamiento de carbono - Sitio Barrientos. Periodo 2007-2009.
La curva referida al Sitio Barrientos 3 tiene un desplome en el valor calculado de biomasa para el periodo
2009 con la Ecuación 22 y por ende de carbono, debido a que el valor del índice de vegetación ARVI es
de 0.21, cuando el rango de las demás parcelas para este calor esta alrededor de los 0.4 a 0.5.
0,02
0,56
0.89
-
0,20
0,40
0,60
0,80
1,00
1 2 3
Co
nte
nid
o d
e C
arb
on
o (
ton
/ha)
Períodos de Medición
SITIO BARRIETOS 1
C, Carbono (Ton/Ha)
0,07
1,29
2.52
-
0,40
0,80
1,20
1,60
2,00
2,40
2,80
1 2 3
Co
nte
nid
o d
e C
arb
on
o (
ton
/ha)
Períodos de Medición
SITIO BARRIETOS 2
C, Carbono (Ton/Ha)
0,11
1,99
0.57
-
0,40
0,80
1,20
1,60
2,00
2,40
1 2 3
Co
nte
nid
o d
e C
arb
on
o (
ton
/ha)
Períodos de Medición
SITIO BARRIETOS 3
C, Carbono (Ton/Ha)
Almacenamiento de carbono en plantaciones forestales de balsa (Ochroma lagopus Sw.) ubicadas en las Regiones de Chimoré, Mariposas y Puerto Villarroel
32
6. Conclusiones
La teledetección es una herramienta fundamental para la gestión y seguimiento de los recursos forestales;
y ahora tiene un gran potencial en la obtención de información relativa a los almacenes de carbono, pero
aún requiere desarrollar tecnologías consolidadas y de fácil aplicación.
Al comparar los valores totales de biomasa aérea obtenidos por medio de los modelos alométricos
(Ecuación 8) y modelos o tablas de volumen (Ecuación 9) con los valores totales de biomasa aérea
calculada con los modelos de regresión lineal múltiple ( Tabla 12), la variación
en sumatoria es casi nula, está en el índole de las centésimas, lo que es coherente con el R2
obtenido.
DESCRIPCIÓN BIOMASA 2009 (TON/HA) BIOMASA CALCULADA 2009 (TON/HA)
SITIO PARCELA AREA (m2) EC1 EC2 EC3 EC4_1 EC4_2 EC1 EC2 EC3 EC4_1 EC4_2
VILLA FLORIDA 1 477 14,04 11,07 3,32 38,25 18,76 24,70 24,43 7,28 55,50 30,20
VILLA FLORIDA 2 493 13,15 11,17 3,37 38,22 18,74 19,32 17,36 5,16 47,83 24,20
VILLA FLORIDA 3 507 15,56 13,28 3,95 42,06 21,25 20,50 19,80 5,85 48,79 25,59
BARRIENTOS 1 450 6,97 5,75 1,74 27,49 12,13 17,48 16,11 4,73 33,33 19,79
BARRIENTOS 2 450 14,61 12,53 3,73 40,85 20,46 15,09 13,15 3,90 44,76 20,50
BARRIENTOS 3 450 16,82 14,48 4,30 43,96 22,52 17,40 15,44 4,59 35,97 23,59
SENDA D 1 450 41,95 46,16 13,74 77,77 47,21 64,87 74,45 21,98 98,28 63,89
SENDA D 2 460 77,51 84,62 24,93 105,67 69,95 46,20 52,84 15,65 79,48 50,95
SENDA D 3 471 60,08 72,92 21,44 98,34 63,81 41,57 46,01 13,65 75,25 46,31
SAN MARTIN 1 505 7,14 5,65 1,72 27,11 11,91 16,80 15,51 4,57 40,79 21,21
SAN MARTIN 2 505 8,22 9,21 2,81 34,51 16,39 17,22 15,51 4,60 35,96 20,58
SAN MARTIN 3 512 12,96 14,22 4,30 42,97 21,86 12,61 12,36 3,73 42,73 20,36
JUVENTUD 1 603 37,05 33,40 9,78 67,03 38,98 13,30 11,22 3,31 36,26 15,95
TUPIZA 1 497 17,40 17,94 5,40 48,35 25,50 16,70 16,19 4,89 48,00 24,16
TUPIZA 2 497 16,36 14,81 4,48 43,86 22,45 11,25 10,62 3,26 47,27 20,01
TUPIZA 3 500 19,32 18,55 5,56 49,32 26,17 24,09 24,89 7,42 55,58 30,89
Sumatoria 379,14 385,76 114,58 825,74 458,08 379,10 385,89 114,57 825,77 458,19
Los modelos de regresión lineal simple probados tienen un coeficiente de determinación (R2)
muy bajo, por lo que se estima que las RLS’s propuestas no son las más adecuadas, ya que la
varianza de la variable dependiente (biomasa) no está explicada por la variable independiente
(NDVI’s) a cabalidad. Se comprobó que al introducir al análisis de la regresión lineal simple , una nueva variable independiente referente a la biomasa del periodo anterior al
analizado , el coeficiente de determinación aumenta, por ejemplo RLS
(0.030) a RLM (0.517). Así también hay que considerar cuando se dispone de variables que
presentan similar comportamiento dentro de una RLM (mayor correlación), dicho coeficiente
aumenta. Para el caso particular de este trabajo la ecuación con mejor ajuste corresponde a la
regresión lineal múltiple , R2 de 0.849 y un
RMSE de 2.73.
En base a lo mencionado, para el caso de los modelos RLM con variables de similar
comportamiento (a mayor edad de la plantación mayor biomasa aérea), el índice de vegetación
que mayor relación mantiene con esta información es el ARVI (índice de vegetación atmosférica
resistente), el cual al principio tiende a reducir el valor del índice, lo que puede ser compensado
con la diferente dispersión de los canales azul y rojo del espectro.
Almacenamiento de carbono en plantaciones forestales de balsa (Ochroma lagopus Sw.) ubicadas en las Regiones de Chimoré, Mariposas y Puerto Villarroel
33
Al considerar dos caminos para el análisis de los modelos de RLM, se está tratando de mejorar su
ajuste, es decir que las variables independientes lleguen a explicar de mejor manera la variable
dependiente, como se había mencionado un modelo de regresión no es solo una ecuación de
predicción sino también es una medida de carácter explicativo. Bajo esta premisa se puede afirmar
que la variable independiente que mejor explica la variable dependiente es la biomasa calculada
para el periodo anterior al análisis, así también el índice de vegetación de mejor correlación es el
ARVI. Pero no hay que perder de vista que cuando solo se arma el modelo de regresión lineal
considerando los índices de vegetación los valores de R2 son muy bajos, por lo que para este
estudio no son los mejores predictores.
La estimación del contenido de carbono se realiza a partir de la biomasa forestal, obtenida por
medio de los datos de campo y modelos alométricos o tablas de volumen, se considera que es el
50% de la biomasa existente. Hay una estrecha relación entre el crecimiento del árbol, el
incremento en biomasa y el almacenamiento de carbono. La plantación de balsa en su estado
juvenil tiene un lento crecimiento por lo tanto su almacenamiento de carbono es bajo, mientras
que en la etapa de madurez su crecimiento se dispara y por lo tanto aumenta su biomasa y
consecuentemente el almacenamiento de carbono, hasta que finalmente llega a la etapa de
senescencia en donde su crecimiento se estabiliza y deja de ganar biomasa y por lo tanto también
deja de almacenar carbono, la plantación esta lista para ser aprovechada.
Almacenamiento de carbono en plantaciones forestales de balsa (Ochroma lagopus Sw.) ubicadas en las Regiones de Chimoré, Mariposas y Puerto Villarroel
34
7. Recomendaciones
Para mejorar la estimación de biomasa empleando modelos de regresión lineal simple se podría trabajar
con series temporales multi-sensor para los índices de vegetación, así también para la información
recabada en campo.
La metodología denominada ALME (Análisis Lineal de Mezclas Espectral), puede ser una opción para
mejorar la discriminación entre la respuesta espectral de la plantación y la que puede tener cualquier otro
tipo de cubierta cercana que se encuentre interfiriendo, y así conseguir los verdaderos valores de los
índices de vegetación que le corresponde a cada parcela.
Almacenamiento de carbono en plantaciones forestales de balsa (Ochroma lagopus Sw.) ubicadas en las Regiones de Chimoré, Mariposas y Puerto Villarroel
35
8. Referencias Bibliográficas
ABAN, V. 2009. Estimación de modelos de crecimiento e incrementos de la especie Pinus radiata en la
zona interandina del departamento de Cochabamba. Lic. en Ing. Forestal, Universidad Mayor San
Simón.
AGUIRRE-SALADO, C. A., JOSÉ R. VALDEZ-LAZALDE, GREGORIO ÁNGELES-PÉREZ,
HÉCTOR M. DE LOS SANTOS-POSADAS, REIJA HAAPANEN, ALEJANDRO I. AGUIRRE-
SALADO 2009. Mapeo de Carbono Arbóreo Áreo en Bosque Manejados de Pino Patula en
Hidalgo, Mexico AGROCIENCIA.
ALBA, E. 2007. Evaluación de la calidad de sitio para Centrolobium tomentosum Guill. ex Benth en
plantaciones forestales en tres zonas del trópico de Cochabamba, Bolivia. Ingeniería Forestal,
Universidad Mayor de San Simón.
BOLFOR, P. 1997. Propuesta para la elaboración de tablas volumétricas y/o factores de forma.
BONET, X. C., JOSÉ; ANDRADE, HUGO 2009. General Aspects about balsa wood as core material for
sandwich construction FRP. Manabí, Ecuador: Balsa: Earth, Sun and Water.
BROWN, S. 1997. Estimating biomass and biomass change of tropical forests. A primer. FAO Forestry
Paper. Rome, Italy: FAO.
BROWN, S. 1997a. Estimating biomass and biomass change of tropical forests. A primer. FAO Forestry
Paper. Rome, Italy: FAO.
BROWN, S. 1997b. Bosques y cambio climático y la función de los bosques como sumideros de carbono.
FAO Forestry Paper. Rome, Italy.
BROWN, S., GILLESPIE, A. J. R. Y LUGO, A. E. 1989. Biomass Estimation Methods for Tropical
Forests with Applications to Forest Inventory Data. Forest Science.
CALDERÓN, J., JONG, B, OCHOA, S, MARCH, I, CASTILLO, M. 1999. valuación de dos métodos
para la estimación de biomasa arbórea a través de datos LANDSAT TM en Jusnajab, La Laguna,
Chiapas, México. Investigaciones Geográficas.
CUBERO, J., SUSANA ROJAS. 1999. Fijación de carbono en plantaciones de melina (Gmelina arborea
Roxb.), teca (Tectona grandis L.f:) y pochote (Bombacopsis quinata Jacq.) en los cantones de
Hojancha y Nicoya, Guanacaste, Costa Rica. Licenciatura en Ciencias Forestales con Enfásis en
Desarrollo Forestal, Universidad Nacional Heredia.
CHANDER, G., D. MEYER, D. HELDER 2004. Cross calibration of the Landsat-7 ETM+ and EO-1 ALI
sensor. IEEE Transactions on Geoscience and Remote Sensing.
CHAVEZ, P. S. 1996. Image-based atmospheric corrections. Revisited and improved. Photogrammetric
Engineering and Remote Sensing.
CHUVIECO, E. 2008. Teledetección Ambiental, Madrid, España.
DAUBER, E., TERÁN, J., GUZMÁN, R. 2001. Estimaciones de biomasa y carbono en bosques naturales
de Bolivia. Revista Forestal Iberoamericana.
DAUBER, E. T., J. Y GUZMÁN, R. 2006. Estimaciones de biomasa y carbono en bosques naturales de
Bolivia Revista Forestal Iberoamerica.
DAVEL, M. J., A; MOHR, D. 2005. Densidad básica de la madera de pino oregón y su relación con las
condiciones de crecimiento en la Patagonia Andina Argentina. Bosques.
FAO 1995. Evaluación de los recursos forestales 1990, Países tropicales. Estudio FAO Montes. Roma,
Italia.
FAO 1996. Proyecto de Apoyo al Manejo, Conservación Explotación de los Recursos Forestales en el
Trópico de Cochabamba (AD/BOL/92/582).
FERNÁNDEZ, A., QUINTANO, C., DOS SANTOS, J., Y FERNÁNDEZ, O. 2005. Estimación de la
biomasa arbórea a partir modelos de mezclas espectrales en imágenes de resolución espacial
media. Anais XII Simpósio Brasileiro de Sensoriamento Remoto. Goiânia, Brasil.
Almacenamiento de carbono en plantaciones forestales de balsa (Ochroma lagopus Sw.) ubicadas en las Regiones de Chimoré, Mariposas y Puerto Villarroel
36
FERRUFINO, A. Y. M., LUIS 2004. Los suelos del Trópico de Cochabamba (Bolivia): Identificación de
restricciones edáficas para cultivos de banano, palmito, piña y pastos. Informaciones Agronómicas
del Cono Sur
FRANCO-LOPEZ, H., A. R. ALAN EK, Y M. E. BAUER 2001. Estimation and mapping of forest stand
density, volume, and cover type using the k-nearest neighbors method. Remote Sens. Environ.
GAYOSO, J. G., J; ALARCÓN, D. 2002. Contenido de carbono y funciones de biomasa en especies
nativas y exóticas. Valdivia, Chile.: Universidad Austral de Chile.
GONZÁLEZ-ALONSO, F., A.CALLE MONTES, S.MERINO DE MIGUEL, J.M. CUEVAS GOZALO,
S. GARCÍA GIGORRO , A.ROLDÁN ZAMARRÓN 2005. Teledetección y Sumideros de
Carbono. Actas de la I Reunión de Inventario y Teledetección Forestal. Sociedad Española de
Ciencias Forestales.
GONZÁLEZ-ALONSO, F., S. MERINO DE MIGUEL 2007. Aplicaciones de la teledetección en España
en el contecto del Protocolo de Kyoto. Revista de Teledetección.
HALL, R. J., R. S. SKAKUN, E. J. ARSENAULT, Y B. S. CASE 2006. Modeling forest stand structure
attributes using Landsat ETM+ data, Application to mapping of aboveground biomass and stand
volume. For. Ecol. Manage.
HUETE, A. R. 1988. A soil-adjusted vegetation index (SAVI). Remote Sensing of Environment.
JIMÉNEZ, E., A. LANDETA. 2009. Producción de biomasa y fijación de carbono en plantaciones de
teca (Tectona grandis Linn F.) Campus Prosperina – ESPOL. Ingeniería en Mecánica y Ciencias
de la Producción, Escuela Superior Politécnica del Litoral.
KAUFMAN, Y., TANRÉ, D. 1992. Atmospherically Resistant Vegetation Index (ARVI) for EOS-
MODIS. IEEE Transactions on Geoscience and Remote Sensing.
KING, M. D., KAUFMAN, Y. J., TANRÉ, D. Y NAKAJIMA, T. 1999. Remote Sensing of Troposheric
Aerosols from Space: Past, Present and Future. Bulletin of the American Meteorological Society.
KITTEREDGE, J. 1944. Estimation of the amount of foliage of tree and stand. Journal of forestry, 42, 905
- 912.
LABRECQUE, S., R. FOURNIER, J. LUTHER, Y D. PIERCEY 2006. A comparison of four methods to
map biomass from Landsat-TM and inventory data in western Newfoundland. For. Ecol. Manage.
LANDETA, A. 2009. Producción de biomasa y fijación de carbono en plantaciones de teca (Tectona
grandis Linn F.) en la Espol Campus “Ing. Gustavo Galindo. Ingeniera Agropecuaria, Escuela
Superior Politecnica del Litoral.
LEE, N. J. Y. N., K. 1997. Forest vegetation classification and biomass estimation based on Landsat TM
data in a mountainous region of West Japan. Forestry Sciences.
LOGUERCIO, G., DEFOSSÉ, G. 2001. Ecuaciones de biomasa aérea, factores de expansion y de
reduccion de la lenga Nothofagus pumilio (Poepp.et Endl.) Krasser, en el SO del Chubut,
Argentina.
MÄKELÄ, H., Y A. PEKKARINEN 2004. Estimation of forest stand volumes by Landsat TM imagery
and stand-level field-inventory data. For. Ecol. Manage.
MARKKU, K. Y. M., MAERCELINO 2007. Biomasa y Carbono en plantaciones de Terminalia amazonia
en la zona Sur de Costa Rica. Revista forestal centroamericana.
MARTÍNEZ, E. 2005. Errores frecuentes en la interpretación del coeficiente de determinación lineal.
Anuario Jurídico y Económico Escurialense,, 315 - 332.
MOLINERO, L. 2002. Construcción de Modelos de Regresión Multivariante. Asociación de la Sociedad
Española de Hipertensión, 10.
MUINONEN, E., M. MALTAMO, H. HYPPANEN, Y V. VAINIKAINEN 2001. Forest stand
characteristics estimation using a most similar neighbor approach and image spatial structure
information. Remote Sens. Environ.
ORTIZ, E. 1993. Técnicas para la estimación del crecimiento y rendimiento de árboles individuales y
bosques. In: FORESTAL, D. D. I. (ed.) Serie de Apoyo Académico no. 16. Cartago, Costa Rica:
Instituto Tecnológico de Costa Rica.
Almacenamiento de carbono en plantaciones forestales de balsa (Ochroma lagopus Sw.) ubicadas en las Regiones de Chimoré, Mariposas y Puerto Villarroel
37
OVERMAN, J. W., H; SALDARRIAGA, J. 1994. Evaluation of regression models for above-ground
biomass determination in Amazon rainforest. Journal of Tropical Ecology, 10, 218 - 297.
PARDO, A. 2000. Análisis de Regresión LIneal.
PROGRAMA NACIONAL DE CAMBIOS CLIMÁTICOS - OFICINA DE DESARROLLO LIMPIO
2003. Guía de Procedimientos para la Presentación de Proyectos al Mecanismo de Desarrollo
Limpio en Bolivia. In: VICEMINISTERIO DE RECURSOS NATURALES Y MEDIO
AMBIENTE, M. D. D. S. (ed.). La Paz.
QI, J. A. C., A. R. KERR, Y. H., CORROSHIAN, S, 1994. A modified soil adjusted vegetation index
Remote Sensing Environment.
RAY, T. W. 1994. A FAQ on Vegetation in Remote Sensing. Division of Geological and Planetary
Science. California Institute of Technology.
ROBIN, M. 1998. La Télédétection. París.
ROCK, B. N., WILLIAMS, D.L., Y VOGELMANN J.E. 1985. Field and airborne spectral
characterization of suspected acid deposition damage in red spruce (Picea rubens) from Vermont.
Machine Processing of Remotely Sensed Data. Purdue Univ., West Lafayette, Indiana.
ROJO, J. M. 2007. Regresión Lineal Múltiple. Informativo Instituto de Economía y Geografía, 32.
ROUSE, J. W., HAAS, R.H., SCHELL, J.A., Y DEERING, D.W. 1974. Monitoring vegetation systems in
the Great Plains with ERTS. Proc. Third Earth Resources Technology Satellite-1 Symp. Goddard
Space Flight Center, NASA SP-351: Science and Technical Information Office, NASA,
Washington, D. C.
SCHLEGEL, B. G., J; GUERRA, J 2002. Manual de procedimientos para inventarios de carbono en
ecosistemas forestales. Valdivia, Chile.
SCHLESINGER, W. H. 1997. Biogeochemistry: An Analysis of Global Chance. San Diego State
University.
SCHNEIDER, C. A. 1998. “Erarbeitung Methodischer Grundlagen zur Erfassung von Galeriewäldern in
Mittelbrasilien aus Satellitendaten. Magister der tropischen Forstwirtschaft, Universität
Göttingen.
SEGURA, M. V., G. 1999. Tablas de volumen comercial con corteza para encino, roble y otras especies
del bosque pluvial montano de la Cordillera de Talamanca, Costa Rica. In: TÉCNICA., S. (ed.)
Informe Técnico no. 306. Turrialba,Costa Rica.: CATIE.
SOBRINO, J. A. 2000. Teledetección. Valencia: Servicio de Publicaciones, Universidad de Valencia.
SPERANZA, F. C., H. R. ZERDA. 2005. Potencial de los Índices de Vegetación para la discriminación de
Coberturas Forestales.
UGALDE, A. L. 2000. Guía para el Establecimiento y Medición de Parcelas para el Monitoreo y
Evaluación del Crecimiento de Árboles en Investigación y en Programas de Reforestación con la
Metodología del Sistema MIRA, CATIE. Turrialba, Costa Rica
USGS 2004. Gap-Fill Algorithm Methodology. SLC-off Gap-Filled Products.
VALDEZ-LAZALDE, J. R., M. J. GONZÁLEZ-GUILLEN, Y H. M. DE LOS SANTOS-POSADAS
2006. Estimación de cobertura arbórea mediante imagines satelitales multiespectrales de alta
resolución. Agrociencia.
ZAWADZKI, J., C. J. CIESZEWSKI, M. ZASADA, Y R. C. LOWE 2005. Applying geostatistics for
investigations of forest ecosystems using remote sensing imagery. Silva Fenn.
Almacenamiento de carbono en plantaciones forestales de balsa (Ochroma lagopus Sw.) ubicadas en las Regiones de Chimoré, Mariposas y Puerto Villarroel
38
Anexos
Anexo 1: Mapa de Ubicación General y División Política
Almacenamiento de carbono en plantaciones forestales de balsa (Ochroma lagopus Sw.) ubicadas en las Regiones de Chimoré, Mariposas y Puerto Villarroel
39
Anexo 2: Materiales y equipos empleados para la elaboración de la AFI
Material / Equipo Descripción
Hardware
Computador portátil TOSHIBA, Modelo Satellite A505, procesador Intel® CORE
TM i7,
memoria RAM 4.0GB, disco duro de 500GB y tarjeta de video NVIDEA. Receptor Garmin GPSMAP® Garmin 60CSx Impresora Canon PIXMA iP1800. Plotter “XYZ”.
Software
Sistema Operativo Windows Vista™ Ultimate. ILWIS 3.3 Academic. ENVI Version 4.5 ©2008. PASW Statistics 18. Microsoft© Office™ 2007. DNRGarmin 5.04.0001
Información Digital
Trabajo de gabinete Libro de Microsoft© Office™ Excel 2007, con información proveniente de los
inventarios forestales [DAP (cm), altura (m), sobrevivencia, área y edad de la plantación] realizados a las parcelas de monitoreo permanente o temporal de la especie Ochroma lagopus Sw. (balsa), para el periodo 2007-2009.
Trabajo de campo Archivo shapefile con la coordenadas Este (x) y Norte (y) de las esquinas de la
parcelas de monitoreo permanente o temporal ubicadas en los rodales de balsa (Proyección UTM, Sistema de Referencia WGS-84 Zona 20S).
Percepción remota Imágenes satelitales Landsat 7 sensor ETM+, correspondientes al periodo 2009. A
continuación la referencia ID:
Path / Row
Periodo 2009
(232 / 72)
Regiones de Chimoré,
Mariposas y Puerto
Villarroel
ID: LE72320722009268EDC00
Cloud Cover: 7% Qlty: 9
Date: 2009/9/25
Papelería Referente al material de escritorio tal como hojas de papel Bonn, lápices, reglas, borradores, bolígrafos, entre otros
Almacenamiento de carbono en plantaciones forestales de balsa (Ochroma lagopus Sw.) ubicadas en las Regiones de Chimoré, Mariposas y Puerto Villarroel
40
Anexo 3: Insumos de entrada la para la Regresión Lineal Simples (RLS) - Periodo 2009
DESCRIPCIÓN BIOMASA TON/HA (2009) ÍNDICES DE VEGETACIÓN (SUBESCENA 2009)
SITIO PARCELA AREA (m2) EC1 EC2 EC3 EC4_1 EC4_2 NDVI43 NDVI54 NDVI75 NDVI53 NDVI47 NDVI51 NDVI52 ARVI MSAVI AVI
PALMERAS 1 630 55,98 50,38 14,95 81,37 50,05 0,64 -0,3 -0,37 0,42 0,61 0,59 0,66 0,55 0,2 17,85
PALMERAS 2 630 73,07 62,60 18,59 90,56 57,42 0,58 -0,19 -0,33 0,44 0,48 0,6 0,68 0,47 0,15 14,94
PALMERAS 3 800 29,71 23,15 6,91 55,24 30,33 0,39 0,02 -0,28 0,41 0,26 0,61 0,61 0,23 0,03 9,63
PALMERAS 4 864 32,11 25,95 7,73 58,47 32,66 0,36 0,01 -0,29 0,37 0,28 0,59 0,62 0,2 0,02 9,09
PALMERAS 5 810 72,65 65,85 19,42 93,29 59,65 0,35 0,04 -0,28 0,39 0,24 0,59 0,61 0,19 0,01 8,91
PALMERAS 6 645 56,63 45,80 13,59 77,62 47,10 0,38 0,04 -0,28 0,41 0,25 0,6 0,63 0,23 0,03 8,65
PALMERAS 7 640 26,62 20,99 6,27 52,59 28,45 0,38 0,03 -0,28 0,4 0,25 0,61 0,65 0,21 0,02 8,73
PALMERAS 8 635 46,30 41,36 12,35 73,50 43,90 0,69 -0,35 -0,4 0,45 0,66 0,58 0,61 0,61 0,26 22,45
PALMERAS 9 635 87,97 79,33 23,43 102,20 67,03 0,66 -0,33 -0,41 0,43 0,65 0,59 0,57 0,57 0,24 21,44
PALMERAS 10 635 46,17 35,01 10,45 67,70 39,48 0,41 -0,03 -0,31 0,39 0,33 0,62 0,64 0,24 0,05 10,36
PALMERAS 11 635 67,85 55,85 16,57 85,66 53,46 0,62 -0,35 -0,39 0,34 0,65 0,48 0,66 0,54 0,16 13,76
PALMERAS 12 868 22,85 18,33 5,50 49,01 25,95 0,66 -0,36 -0,4 0,4 0,67 0,56 0,56 0,57 0,23 20,7
PALMERAS 13 630 51,17 46,86 13,89 78,58 47,85 0,45 -0,07 -0,31 0,4 0,37 0,6 0,62 0,3 0,07 11,94
PALMERAS 14 805 35,80 28,59 8,52 61,35 34,75 0,67 -0,4 -0,41 0,37 0,69 0,52 0,63 0,59 0,22 18,53
PALMERAS 15 810 25,68 19,47 5,81 50,70 27,13 0,62 -0,25 -0,36 0,45 0,56 0,6 0,58 0,53 0,2 18,48
PALMERAS 16 630 83,78 67,59 19,92 94,55 60,68 0,55 -0,16 -0,32 0,43 0,46 0,61 0,65 0,43 0,14 15,35
PALMERAS 17 630 78,39 65,50 19,34 92,97 59,39 0,51 -0,08 -0,33 0,45 0,4 0,62 0,68 0,38 0,1 12,77
PALMERAS 18 630 51,78 40,84 12,13 73,34 43,78 0,59 -0,23 -0,4 0,42 0,57 0,6 0,58 0,48 0,17 17,2
PALMERAS 19 660 36,31 28,29 8,43 61,01 34,51 0,6 -0,27 -0,36 0,39 0,58 0,54 0,56 0,5 0,18 18,21
PALMERAS 20 660 59,07 51,17 15,12 82,25 50,74 0,59 -0,21 -0,38 0,43 0,54 0,57 0,61 0,49 0,17 16,9
PALMERAS 21 630 28,90 24,33 7,27 56,55 31,27 0,5 -0,14 -0,3 0,38 0,43 0,59 0,59 0,35 0,11 14,51
PALMERAS 22 635 20,88 15,07 4,55 44,30 22,75 0,41 -0,04 -0,31 0,37 0,34 0,62 0,61 0,23 0,05 11,29
PALMERAS 23 660 83,25 72,36 21,38 97,62 63,21 0,52 -0,13 -0,33 0,41 0,44 0,62 0,62 0,37 0,11 13,43
PALMERAS 24 660 42,92 34,98 10,48 67,50 39,33 0,62 -0,24 -0,34 0,44 0,54 0,61 0,59 0,51 0,19 18,59
PALMERAS 25 864 34,55 30,14 8,93 63,20 36,12 0,35 0,02 -0,27 0,37 0,25 0,59 0,62 0,18 0,01 9,36
PALMERAS 26 685 52,80 42,71 12,71 74,85 44,95 0,64 -0,26 -0,38 0,46 0,58 0,59 0,66 0,55 0,2 17,55
PALMERAS 27 688 23,33 19,89 5,96 51,05 27,37 0,62 -0,21 -0,35 0,48 0,52 0,63 0,68 0,52 0,18 16,08
Almacenamiento de carbono en plantaciones forestales de balsa (Ochroma lagopus Sw.) ubicadas en las Regiones de Chimoré, Mariposas y Puerto Villarroel
41
DESCRIPCIÓN BIOMASA TON/HA (2009) ÍNDICES DE VEGETACIÓN (SUBESCENA 2009)
SITIO PARCELA AREA (m2) EC1 EC2 EC3 EC4_1 EC4_2 NDVI43 NDVI54 NDVI75 NDVI53 NDVI47 NDVI51 NDVI52 ARVI MSAVI AVI
VILLA FLORIDA 1 477 14,04 11,07 3,32 38,25 18,76 0,57 -0,18 -0,35 0,44 0,5 0,61 0,68 0,45 0,13 13,31
VILLA FLORIDA 2 493 13,15 11,17 3,37 38,22 18,74 0,56 -0,16 -0,35 0,44 0,49 0,6 0,67 0,44 0,13 13,12
VILLA FLORIDA 3 507 15,56 13,28 3,95 42,06 21,25 0,59 -0,2 -0,36 0,45 0,52 0,62 0,69 0,48 0,14 13,39
BARRIENTOS 1 450 6,97 5,75 1,74 27,49 12,13 0,55 -0,23 -0,32 0,37 0,52 0,55 0,59 0,44 0,14 16,04
BARRIENTOS 2 450 14,61 12,53 3,73 40,85 20,46 0,57 -0,14 -0,34 0,46 0,46 0,63 0,67 0,45 0,15 15,43
BARRIENTOS 3 450 16,82 14,48 4,30 43,96 22,52 0,37 -0,11 -0,3 0,27 0,4 0,52 0,52 0,21 0,03 10,92
RAMIREZ 1 507 10,76 9,17 2,79 34,50 16,38 0,58 -0,18 -0,36 0,44 0,51 0,65 0,64 0,44 0,16 16,02
RAMIREZ 2 507 7,55 5,64 1,74 26,90 11,79 0,59 -0,19 -0,39 0,45 0,54 0,61 0,63 0,49 0,16 15,81
RAMIREZ 3 507 7,21 5,58 1,72 26,74 11,70 0,62 -0,24 -0,39 0,44 0,58 0,61 0,63 0,51 0,18 17,17
RAMIREZ 4 507 8,00 5,79 1,77 27,35 12,06 0,62 -0,31 -0,4 0,39 0,63 0,56 0,56 0,52 0,2 18,89
SENDA D 1 450 41,95 46,16 13,74 77,77 47,21 0,63 -0,27 -0,36 0,44 0,57 0,59 0,72 0,54 0,17 14,61
SENDA D 2 460 77,51 84,62 24,93 105,67 69,95 0,6 -0,26 -0,36 0,4 0,57 0,57 0,73 0,49 0,15 14,34
SENDA D 3 471 60,08 72,92 21,44 98,34 63,81 0,59 -0,23 -0,33 0,41 0,52 0,58 0,66 0,48 0,14 13,49
SENDA D 4 471 45,01 47,28 14,00 79,01 48,18 0,59 -0,27 -0,36 0,39 0,57 0,59 0,67 0,47 0,15 14,06
SENDA D 5 630 28,76 32,30 9,59 65,33 37,70 0,59 -0,27 -0,36 0,39 0,57 0,59 0,67 0,47 0,15 14,06
SENDA E 1 471 85,05 102,40 29,95 116,73 79,41 0,64 -0,3 -0,36 0,42 0,59 0,6 0,75 0,54 0,18 15,19
SENDA E 2 471 43,00 44,73 13,29 76,70 46,38 0,63 -0,33 -0,38 0,39 0,63 0,54 0,69 0,54 0,17 14,61
SENDA F 1 530 28,06 21,74 6,58 53,00 28,74 0,59 -0,22 -0,32 0,42 0,5 0,61 0,68 0,46 0,15 14,83
SENDA F 2 530 23,58 18,27 5,56 48,48 25,59 0,59 -0,21 -0,34 0,44 0,51 0,58 0,67 0,49 0,16 15,12
SAN MARTIN 1 505 7,14 5,65 1,72 27,11 11,91 0,57 -0,19 -0,37 0,42 0,52 0,6 0,64 0,45 0,14 14,07
SAN MARTIN 2 505 8,22 9,21 2,81 34,51 16,39 0,53 -0,2 -0,31 0,37 0,49 0,56 0,63 0,41 0,11 12,1
SAN MARTIN 3 512 12,96 14,22 4,30 42,97 21,86 0,51 -0,11 -0,31 0,43 0,41 0,61 0,7 0,38 0,09 11
PUERTO AURORA 1 569 48,02 49,30 14,50 81,02 49,77 0,63 -0,22 -0,35 0,48 0,53 0,62 0,69 0,53 0,19 17,36
PUERTO AURORA 2 569 73,98 84,52 24,73 106,14 70,34 0,59 -0,22 -0,35 0,42 0,53 0,59 0,65 0,48 0,16 16,2
SENDA 3 SENDA 3_P1 569 16,22 13,03 3,95 41,10 20,62 0,4 0,04 -0,27 0,44 0,24 0,63 0,72 0,25 0,04 9,01
SENDA 4 SENDA 4_P2 569 12,24 10,11 3,08 36,16 17,43 0,42 0,02 -0,29 0,44 0,27 0,63 0,71 0,26 0,04 9,1
SENDA 5 SENDA 5_P3 569 28,10 29,72 8,93 62,14 35,33 0,5 -0,1 -0,31 0,43 0,4 0,64 0,7 0,36 0,09 11,09
SENDA 6 SENDA 6_P4 569 26,04 23,76 7,20 55,31 30,38 0,45 -0,02 -0,3 0,43 0,32 0,66 0,72 0,28 0,06 10,09
Almacenamiento de carbono en plantaciones forestales de balsa (Ochroma lagopus Sw.) ubicadas en las Regiones de Chimoré, Mariposas y Puerto Villarroel
42
DESCRIPCIÓN BIOMASA TON/HA (2009) ÍNDICES DE VEGETACIÓN (SUBESCENA 2009)
SITIO PARCELA AREA (m2) EC1 EC2 EC3 EC4_1 EC4_2 NDVI43 NDVI54 NDVI75 NDVI53 NDVI47 NDVI51 NDVI52 ARVI MSAVI AVI
SENDA 7 SENDA 7_P5 573 25,21 23,21 7,03 54,68 29,93 0,45 -0,02 -0,3 0,43 0,32 0,66 0,72 0,28 0,06 10,09
CHIMORE RI -32 1 603 94,62 93,13 27,41 110,89 74,39 0,63 -0,19 -0,35 0,5 0,51 0,62 0,69 0,54 0,17 15
CHIMORE RI -32 2 603 92,78 96,15 28,23 112,85 76,06 0,56 -0,13 -0,31 0,46 0,42 0,61 0,69 0,45 0,13 13,5
JUVENTUD 1 603 37,05 33,40 9,78 67,03 38,98 0,6 -0,18 -0,34 0,47 0,49 0,62 0,64 0,5 0,16 15,02
JUVENTUD 2 603 11,24 9,32 2,80 35,04 16,72 0,58 -0,17 -0,32 0,45 0,47 0,59 0,65 0,48 0,14 14,26
SENDA D 1 603 26,34 24,65 7,44 56,52 31,25 0,52 -0,14 -0,36 0,41 0,48 0,59 0,61 0,39 0,11 13,05
SENDA D 2 603 18,38 16,29 4,92 46,04 23,92 0,5 -0,1 -0,38 0,42 0,46 0,6 0,64 0,37 0,1 12,2
SENDA D 3 603 19,26 15,74 4,72 45,47 23,53 0,36 0,05 -0,27 0,4 0,23 0,6 0,62 0,2 0,01 8,73
SENDA D 4 603 12,53 9,39 2,84 35,03 16,71 0,34 0,07 -0,25 0,4 0,19 0,61 0,65 0,17 0 8,45
TUPIZA 1 497 17,40 17,94 5,40 48,35 25,50 0,49 -0,1 -0,31 0,41 0,4 0,59 0,65 0,36 0,09 12,4
TUPIZA 2 497 16,36 14,81 4,48 43,86 22,45 0,5 -0,05 -0,32 0,46 0,36 0,63 0,69 0,37 0,1 12,2
TUPIZA 3 500 19,32 18,55 5,56 49,32 26,17 0,54 -0,16 -0,31 0,42 0,44 0,62 0,64 0,41 0,12 13,7
TUPIZA 4 480 17,20 16,52 5,02 46,16 24,00 0,61 -0,27 -0,38 0,41 0,59 0,59 0,64 0,5 0,16 14,53
TUPIZA 5 603 23,79 24,70 7,39 56,92 31,53 0,62 -0,24 -0,38 0,45 0,57 0,59 0,72 0,52 0,17 15,1
TUPIZA 6 580 9,47 8,76 2,68 33,54 15,78 0,62 -0,27 -0,36 0,41 0,58 0,57 0,67 0,52 0,17 15,1
TUPIZA 7 593 26,53 31,96 9,54 64,75 37,27 0,59 -0,2 -0,37 0,44 0,53 0,63 0,68 0,46 0,15 14,16
TUPIZA 8 590 16,83 13,99 4,27 42,41 21,49 0,6 -0,2 -0,36 0,46 0,52 0,6 0,64 0,51 0,17 15,99
Almacenamiento de carbono en plantaciones forestales de balsa (Ochroma lagopus Sw.) ubicadas en las Regiones de Chimoré, Mariposas y Puerto Villarroel
43
Anexo 4: Insumos de entrada la para la Regresión Lineal Múltiple (RLM) - (Periodo 2008-2009)
Descripción BIOMASA TON/HA (2009) BIOMASA TON/HA (2008) ÍNDICES DE VEGETACIÓN (SUBESCENA 2009)
SITIO PARCELA EC1 EC2 EC3 EC4_1 EC4_2 EC1 EC2 EC3 EC4_1 EC4_2 NDVI43 NDVI54 NDVI75 NDVI53 NDVI47 NDVI51 NDVI52 ARVI MSAVI AVI
VILLA FLORIDA 1 14,04 11,07 3,32 38,25 18,76 19,70 15,83 4,79 45,34 23,44 0,57 -0,18 -0,35 0,44 0,5 0,61 0,68 0,45 0,13 13,31
VILLA FLORIDA 2 13,15 11,17 3,37 38,22 18,74 14,90 10,82 3,26 37,67 18,39 0,56 -0,16 -0,35 0,44 0,49 0,6 0,67 0,44 0,13 13,12
VILLA FLORIDA 3 15,56 13,28 3,95 42,06 21,25 12,00 9,71 2,93 35,71 17,15 0,59 -0,2 -0,36 0,45 0,52 0,62 0,69 0,48 0,14 13,39
BARRIENTOS 1 6,97 5,75 1,74 27,49 12,13 4,72 3,63 1,11 21,75 8,89 0,55 -0,23 -0,32 0,37 0,52 0,55 0,59 0,44 0,14 16,04
BARRIENTOS 2 14,61 12,53 3,73 40,85 20,46 11,59 8,54 2,57 33,55 15,79 0,57 -0,14 -0,34 0,46 0,46 0,63 0,67 0,45 0,15 15,43
BARRIENTOS 3 16,82 14,48 4,30 43,96 22,52 17,93 13,29 3,97 41,91 21,15 0,37 -0,11 -0,3 0,27 0,4 0,52 0,52 0,21 0,03 10,92
SENDA D 1 41,95 46,16 13,74 77,77 47,21 62,16 55,65 16,50 85,54 53,37 0,63 -0,27 -0,36 0,44 0,57 0,59 0,72 0,54 0,17 14,61
SENDA D 2 77,51 84,62 24,93 105,67 69,95 38,89 35,97 10,73 68,65 40,20 0,6 -0,26 -0,36 0,4 0,57 0,57 0,73 0,49 0,15 14,34
SENDA D 3 60,08 72,92 21,44 98,34 63,81 36,17 32,05 9,58 64,76 37,28 0,59 -0,23 -0,33 0,41 0,52 0,58 0,66 0,48 0,14 13,49
SAN MARTIN 1 7,14 5,65 1,72 27,11 11,91 8,28 6,49 1,96 29,19 13,14 0,57 -0,19 -0,37 0,42 0,52 0,6 0,64 0,45 0,14 14,07
SAN MARTIN 2 8,22 9,21 2,81 34,51 16,39 7,71 5,64 1,73 26,89 11,78 0,53 -0,2 -0,31 0,37 0,49 0,56 0,63 0,41 0,11 12,1
SAN MARTIN 3 12,96 14,22 4,30 42,97 21,86 11,68 10,36 3,16 36,57 17,69 0,51 -0,11 -0,31 0,43 0,41 0,61 0,7 0,38 0,09 11
JUVENTUD 1 37,05 33,40 9,78 67,03 38,98 4,82 3,27 1,01 20,46 8,19 0,6 -0,18 -0,34 0,47 0,49 0,62 0,64 0,5 0,16 15,02
TUPIZA 1 17,40 17,94 5,40 48,35 25,50 18,13 14,86 4,51 43,85 22,45 0,49 -0,1 -0,31 0,41 0,4 0,59 0,65 0,36 0,09 12,4
TUPIZA 2 16,36 14,81 4,48 43,86 22,45 16,57 13,86 4,21 42,31 21,42 0,5 -0,05 -0,32 0,46 0,36 0,63 0,69 0,37 0,1 12,2
TUPIZA 3 19,32 18,55 5,56 49,32 26,17 21,12 17,98 5,41 48,42 25,55 0,54 -0,16 -0,31 0,42 0,44 0,62 0,64 0,41 0,12 13,7
Almacenamiento de carbono en plantaciones forestales de balsa (Ochroma lagopus Sw.) ubicadas en las Regiones de Chimoré, Mariposas y Puerto Villarroel
44
Anexo 5: Evaluación de la calidad de los modelos de regresión lineal múltiples
DESCRIPCIÓN BIOMASA TON/HA (2009) BIOMASA CALCULADA TON/HA (2009) RMSE - Raíz del error medio cuadrático
SITIO PARCELA EC1 EC2 EC3 EC4_1 EC4_2 EC1 EC2 EC3 EC4_1 EC4_2 EC1 EC2 EC3 EC4_1 EC4_2
VILLA FLORIDA 1 14,04 11,07 3,32 38,25 18,76 24,70 24,43 7,28 55,50 30,20 113,72 178,45 15,75 297,59 130,74
VILLA FLORIDA 2 13,15 11,17 3,37 38,22 18,74 19,32 17,36 5,16 47,83 24,20 38,10 38,38 3,19 92,41 29,79
VILLA FLORIDA 3 15,56 13,28 3,95 42,06 21,25 20,50 19,80 5,85 48,79 25,59 24,43 42,60 3,63 45,29 18,85
BARRIENTOS 1 6,97 5,75 1,74 27,49 12,13 17,48 16,11 4,73 33,33 19,79 110,30 107,35 8,92 34,15 58,66
BARRIENTOS 2 14,61 12,53 3,73 40,85 20,46 15,09 13,15 3,90 44,76 20,50 0,23 0,38 0,03 15,26 0,00
BARRIENTOS 3 16,82 14,48 4,30 43,96 22,52 17,40 15,44 4,59 35,97 23,59 0,33 0,91 0,08 63,88 1,15
SENDA D 1 41,95 46,16 13,74 77,77 47,21 64,87 74,45 21,98 98,28 63,89 525,38 799,97 67,89 420,84 278,01
SENDA D 2 77,51 84,62 24,93 105,67 69,95 46,20 52,84 15,65 79,48 50,95 980,21 1010,22 86,28 685,99 360,84
SENDA D 3 60,08 72,92 21,44 98,34 63,81 41,57 46,01 13,65 75,25 46,31 342,60 724,40 60,75 532,91 306,05
SAN MARTIN 1 7,14 5,65 1,72 27,11 11,91 16,80 15,51 4,57 40,79 21,21 93,38 97,19 8,14 187,26 86,47
SAN MARTIN 2 8,22 9,21 2,81 34,51 16,39 17,22 15,51 4,60 35,96 20,58 80,90 39,71 3,20 2,11 17,61
SAN MARTIN 3 12,96 14,22 4,30 42,97 21,86 12,61 12,36 3,73 42,73 20,36 0,12 3,45 0,33 0,06 2,25
JUVENTUD 1 37,05 33,40 9,78 67,03 38,98 13,30 11,22 3,31 36,26 15,95 563,92 491,93 41,90 947,13 530,14
TUPIZA 1 17,40 17,94 5,40 48,35 25,50 16,70 16,19 4,89 48,00 24,16 0,49 3,05 0,27 0,12 1,78
TUPIZA 2 16,36 14,81 4,48 43,86 22,45 11,25 10,62 3,26 47,27 20,01 26,06 17,52 1,48 11,67 5,93
TUPIZA 3 19,32 18,55 5,56 49,32 26,17 24,09 24,89 7,42 55,58 30,89 22,75 40,19 3,46 39,11 22,26
SUMATORIA 2922,93 3595,70 305,29 3375,78 1850,54
RMSE 13,52 14,99 4,37 14,53 10,75
Almacenamiento de carbono en plantaciones forestales de balsa (Ochroma lagopus Sw.) ubicadas en las Regiones de Chimoré, Mariposas y Puerto Villarroel
45
Anexo 6: Evaluación de la calidad de los modelos de regresión lineal múltiples para la variable x2 con igual comportamiento
DESCRIPCIÓN BIOMASA TON/HA (2009) BIOMASA CALCULADA TON/HA (2009) RMSE - Raíz del error medio cuadrático
SITIO PARCELA EC1 EC2 EC3 EC4_1 EC4_2 EC1 EC2 EC3 EC4_1 EC4_2 EC1 EC2 EC3 EC4_1 EC4_2
VILLA FLORIDA 2 13,15 11,17 3,37 38,22 18,74 22,51 20,80 6,17 52,02 28,16 87,52 92,91 7,85 190,53 88,61
VILLA FLORIDA 3 15,56 13,28 3,95 42,06 21,25 21,71 22,37 6,61 54,19 29,65 37,78 82,66 7,10 147,15 70,61
BARRIENTOS 1 6,97 5,75 1,74 27,49 12,13 6,43 5,91 1,77 32,13 14,46 0,30 0,02 0,00 21,52 5,40
BARRIENTOS 2 14,61 12,53 3,73 40,85 20,46 18,23 17,03 5,03 48,02 25,23 13,05 20,24 1,69 51,38 22,77
BARRIENTOS 3 16,82 14,48 4,30 43,96 22,52 5,57 3,70 1,13 30,83 13,23 126,59 116,17 10,04 172,47 86,29
SENDA D 2 77,51 84,62 24,93 105,67 69,95 65,14 77,70 22,85 96,51 63,72 152,99 47,87 4,34 83,83 38,78
SENDA D 3 60,08 72,92 21,44 98,34 63,81 59,90 68,62 20,22 90,50 58,69 0,03 18,49 1,50 61,40 26,20
SAN MARTIN 2 8,22 9,21 2,81 34,51 16,39 8,32 7,17 2,20 35,09 16,17 0,01 4,19 0,37 0,34 0,05
SAN MARTIN 3 12,96 14,22 4,30 42,97 21,86 11,75 14,06 4,26 43,74 22,21 1,47 0,02 0,00 0,59 0,13
JUVENTUD 1 37,05 33,40 9,78 67,03 38,98 12,25 10,95 3,26 37,42 18,39 614,99 504,01 42,55 876,71 424,02
TUPIZA 1 17,40 17,94 5,40 48,35 25,50 20,04 21,45 6,46 50,54 27,43 7,02 12,31 1,11 4,81 3,74
TUPIZA 2 16,36 14,81 4,48 43,86 22,45 18,53 20,33 6,13 49,76 26,77 4,71 30,51 2,73 34,84 18,65
TUPIZA 3 19,32 18,55 5,56 49,32 26,17 29,50 32,73 9,72 62,01 36,01 103,68 201,15 17,33 160,92 96,89
SUMATORIA 1150,13 1130,54 96,61 1806,50 882,14
RMSE 9,41 9,33 2,73 11,79 8,24