Estimación de parámetros forestales mediante datos de Sentinel 2A en Pueblo Nuevo, Durango
DOI:
https://doi.org/10.29298/rmcf.v12i68.1075Palabras clave:
Remote sensing, Sentinel, Forest volume, Basal area, Aboveground biomass, Área basal, biomasa aérea, parcelas permanentes, sensores remotos, volumen forestalResumen
Los bosques templados requieren de un monitoreo periódico con el fin de lograr un manejo sustentable. Los sensores remotos permiten hacer estimaciones de manera indirecta bajo el supuesto de que existe una correlación estadística entre datos satelitales y parámetros forestales. El objetivo del presente trabajo fue estimar el área basal (G), el volumen forestal (Vta) y la biomasa forestal aérea (W) mediante datos espectrales del satélite Sentinel 2A en la Comunidad de San Bernardino de Milpillas Chico, Pueblo Nuevo, Durango. Se realizó un análisis de correlación entre información dasométrica procedente de 22 Sitios Permanentes de Investigación Forestal y de Suelos (SPIFyS) e información espectral de alta resolución del sensor Sentinel 2A. Posteriormente, se generó un modelo de regresión múltiple para cada parámetro forestal. El coeficiente de correlación (r) más alto se observó en el NDVI con valores de 0.77, 0.68 y 0.76 para los parámetros forestales de Vta, G y W, respectivamente. Los modelos desarrollados explicaron 59 % de la varianza total observada en el Vta (RCME=57.60 m3 ha-1), 58 % en W (RCME=39.29 Mg ha-1), y 51 % en G (RCME=4.40 m2 ha-1). El NDVI fue la principal variable predictiva en los tres modelos. Los datos de Sentinel 2A con resolución de 10 m en combinación con información dasométrica derivada de SPIFyS mostraron una buena capacidad para el mapeo de parámetros forestales en bosques templados.
Descargas
Citas
Acosta M., M. R., S. M. E. Pérez, Romero, H. A., González, y A. L. Martínez. 2017. Estimación de la densidad forestal mediante imágenes Landsat ETM+ en la región sur del Estado de México. Revista Mexicana de Ciencias Forestales 8(41): 30-55. Doi:10.29298/rmcf.v8i41.25. DOI: https://doi.org/10.29298/rmcf.v8i41.25
Aguirre-Salado, C. A., J. R. Valdez-Lazalde, G. Ángeles-Pérez, H. M. de los Santos-Posadas y A. I. Aguirre-Salado. 2011. Mapeo del índice de área foliar y cobertura arbórea mediante fotografía hemisférica y datos SPOT 5 HRG: regresión y k-nn. Agrociencia 45(1): 105-119. http://www.scielo.org.mx/scielo.php?script=sci_arttext&pid=S1405-31952011000100010 (2 de marzo de 2021).
Asner G. P. and J. Mascaro. 2014. Mapping tropical forest carbon: Calibrating plot estimates to a simple LiDAR metric. Remote Sensing of Environment 140:614-624. Doi: 10.1016/j.rse.2013.09.023. DOI: https://doi.org/10.1016/j.rse.2013.09.023
Assmann, J. J., I. H. Myers-Smith, J. T. Kerby, A. M., Cunliffe and G. Daskalova. 2020. Drone data reveal heterogeneity in tundra greenness and phenology not captured by satellites. Environmental Research Letters 15(12): 125002. Doi: 10.1088/1748-9326/abbf7d.
Barajas F., H. 2007. Comparación entre análisis discriminante no-métrico y regresión logística multinomial. Tesis de Maestría, Facultad de Ciencias, Universidad Nacional de Colombia. Medellín, Colombia. 67 p.
Casella, A., N. Barrionuevo, A. Pezzola y C. Winschel. 2018. Preprocesamiento de imágenes satelitales del sensor Sentinel 2A y 2B con el software SNAP 6. 0. Instituto de Clima y Agua. CIRN INTA Castelar. Buenos Aires, Argentina. pp. 1-31.
Chrysafis, I., G. Mallinis, S. Siachalou and P. Patias. 2017. Assessing the relationships between growing stock volume and Sentinel-2 imagery in a Mediterranean forest ecosystem. Remote Sensing Letters 8: 508-517. Doi: 10.1080/2150704X.2017.1295479. DOI: https://doi.org/10.1080/2150704X.2017.1295479
Chuvieco, E. 2002. Teledetección Ambiental. La observación de la Tierra desde el Espacio. Editorial Ariel. Barcelona, España. 616 p.
Corral-Rivas, J. J., B. Vargas L., C. Wehenkel, O. A. Aguirre C., J. G. Álvarez G. y A. Rojo A. 2009. Guía para el Establecimiento de Sitios de Investigación Forestal y de Suelos en Bosques del Estado de Durango. Editorial UJED. Durango, Dgo., México. 81 p.
Diéguez-Aranda, U., F. Castedo D. y J. Álvarez G. 2005. Funciones de crecimiento en área basimétrica para masas de Pinus sylvestris L. procedentes de repoblación en Galicia. Investigación Agraria. Sistemas y Recursos Forestales 14(2): 253-266. http://www.inia.es/gcontrec/pub/253-266-(143_04)-Funciones_1162281545765.pdf (2 de marzo de 2021). DOI: https://doi.org/10.5424/srf/2005142-00888
Dos R., A. A., M. C. Carvalho, J. M. De Mello, L. R. Gomide, A. C. Ferraz F. and F. W. A. Junior. 2018. Spatial prediction of basal area and volume in Eucalyptus stands using Landsat TM data: an assessment of prediction methods. New Zealand Journal of Forestry Science 48(1): 1-17. Doi: https://doi.org/10.1186/s40490-017-0108-0. DOI: https://doi.org/10.1186/s40490-017-0108-0
Emborg, J. 1998. Understorey light conditions and regeneration with respect to the structural dynamics of a near-natural temperate deciduous forest in Denmark. Forest Ecology and Management 106: 83-95. Doi: 10.1016/S0378-1127(97)00299-5. DOI: https://doi.org/10.1016/S0378-1127(97)00299-5
Foody, G. M., D. S. Boyd and M. E. J. Cutler. 2003. Predictive relations of tropical forest biomass from Landsat TM data and their transferability between regions. Remote Sensing of Environment 85: 463-474. Doi:10.1016/S0034-4257(03)00039-7. DOI: https://doi.org/10.1016/S0034-4257(03)00039-7
Fuchs, H., P. Magdon, K. Kleinn and H. Flessa. 2009. Estimating aboveground carbon in a catchment of the Siberian forest tundra: Combining satellite imagery and field inventory. Remote Sensing of Environment 113(3): 518-531. Doi:10.1016/j.rse.2008.07.017. DOI: https://doi.org/10.1016/j.rse.2008.07.017
Gadow, K. V., A. Rojo, G. Álvarez-González y R. Rodríguez-Soalleiro. 1999. Ensayos de crecimiento. Parcelas permanentes, temporales y de intervalo. Investigación Agraria. Sistemas y Recursos Forestales 1:299-310. https://recyt.fecyt.es/index.php/IA/article/view/2776 (2 de marzo de 2021).
Gadow, K. V., C. Y. Zhang, C. Wehenkel, A. Pommerening, J. Corral R., M. Korol and X. H. Zhao. 2012. Forest structure and diversity. In: Pukkala, T. and K. von Gadow (eds.). Continuous cover forestry. Springer. Dordrecht, Netherlands. pp. 29-83. Doi: 10.1007/978-94-007-2202-6_2. DOI: https://doi.org/10.1007/978-94-007-2202-6_2
Gibbons, J. D. and S. Chakraborti. 2003. Nonparametric Statistical Interference; Marcel Denker, Inc. New York, NY, USA. 645 p.
Graciano-Ávila, G., E. Alanís-Rodríguez, O. A. Aguirre-Calderón, M. González-Tagle, E. J. Treviño-Garza, A. Mora-Olivo y E. Buendía-Rodríguez. 2019. Estimación de volumen, biomasa y contenido de carbono en un bosque de clima templado-frío de Durango, México. Revista Fitotecnia Mexicana 42(2): 119-127. http://www.scielo.org.mx/pdf/rfm/v42n2/0187-7380-rfm-42-02-119.pdf (2 de marzo de 2021).
Hall, R. J., R. S. Skakun, E. J. Arsenault and B. S. Case. 2006. Modeling forest stand structure attributes using Landsat ETM+ data: Application to mapping of aboveground biomass and stand volume. Forest Ecology and Management 225: 378-390. Doi: 10.1016/j.foreco.2006.01.014. DOI: https://doi.org/10.1016/j.foreco.2006.01.014
Hawryło, P., B. Bednarz, P. Wężyk and M. Szostak. 2018. Estimating defoliation of Scots pine stands using machine learning methods and vegetation indices of Sentinel-2. European Journal of Remote Sensing 51(1): 194-204. Doi:https://doi.org/10.1080/22797254.2017.1417745. DOI: https://doi.org/10.1080/22797254.2017.1417745
Hernández-Ramos, J., X. García-Cuevas, R. Peréz-Miranda, A. González-Hernández y L. Martínez-Ángel. 2020. Inventario y mapeo de variables forestales mediante sensores remotos en el estado de Quintana Roo, México. Madera y Bosques 26(1):e2611884. Doi:10.21829/myb.2020.2611884.
Herold, M., R. M. Román-Cuesta, D. Mollicone, Y. Hirata, P. Van Laake, G. P. Asner, C. Souza, M. Skutsch, V. Avitabile and K. Macdicken. 2011. Options for monitoring and estimating historical carbon emissions from forest degradation in the context of REDD+. Carbon Balance and Management 6: 1-13. Doi:10.1016/j.rse.2009.08.014. DOI: https://doi.org/10.1186/1750-0680-6-13
Hijmans, R. J. 2020. Raster: Geographic Data Analysis and Modeling. R package version 3.4-5. https://CRAN.R-project.org/package=raster (9 de abril de 2021).
Hu, Y., X. Xu, F. Wu, Z. Sun, H. Xia, Q. Meng and X. Xiao. 2020. Estimating forest stock volume in Hunan Province, China, by integrating in situ plot data, Sentinel-2 images, and linear and machine learning regression models. Remote Sensing 12(1): 186. Doi:10.3390/rs12010186.
Instituto Nacional de Estadística y Geografía (Inegi). 2017a. Anuario estadístico y geográfico de Durango. https://www.datatur.sectur.gob.mx/ITxEF_Docs/DGO_ANUARIO_PDF.pdf (15 de julio de 2020).
Instituto Nacional de Estadística y Geografía (Inegi). 2017b. Conjunto de datos vectoriales de uso del suelo y vegetación Escala 1: 250 000. Serie VI (Conjunto nacional). URL: http://www.conabio.gob.mx/informacion/metadata/gis/usv250s6gw.xml?_httpcache=yes&_xsl=/db/metadata/xsl/fgdc_html.xsl&_indent=no (2 de marzo de 2021).
Karjalainen, M., V. Kankare, M. Vastaranta, M. Holopainen and J. Hyyppa. 2012. Prediction of plot-level forest variables using TerraSAR-X stereo SAR data. Remote Sensing of Environment 117: 338–347. Doi:10.1016/j.rse.2011.10.008. DOI: https://doi.org/10.1016/j.rse.2011.10.008
López-Serrano, P. M., C. A. López S., R. Solís-Moreno and J. J. Corral-Rivas. 2016. Geospatial estimation of above ground forest biomass in the Sierra Madre Occidental in the state of Durango, Mexico. Forests 7(3): 70. Doi:10.3390/f7030070. DOI: https://doi.org/10.3390/f7030070
López-Serrano, P. M., C. A. López-Sánchez, J. G. Álvarez-González and J. Garcíaa-Gutiérrez. 2016. A comparison of machine learning techniques applied to landsat-5 TM spectral data for biomass estimation. Canadian Journal of Remote Sensing 42(6): 690-705. Doi: 10.1080/07038992.2016.1217485. DOI: https://doi.org/10.1080/07038992.2016.1217485
López-Serrano, P. M., J. L. Cárdenas D., J. J. Corral-Rivas, E. Jiménez, C. A. López-Sánchez and D. J. Vega-Nieva. 2020. Modeling of aboveground biomass with Landsat 8 OLI and machine learning in temperate forests. Forests 11(1): 11. Doi:10.3390/f11010011.
Louis, J., V. Debaecker, B. Pflug, M. Main-Knorn, J. Bieniarz, J., U. Mueller-Wilm and F. Gascon. 2016. Sentinel-2 Sen2Cor: L2A processor for users. In: Proceedings Living Planet Symposium. 9-13 May 2016. Prague, Czech Republic. 8 p.
Lu, D., P. Mausel, E., Brondízio and E. Moran. 2004. Relationships between forest stand parameters and Landsat TM spectral responses in the Brazilian Amazon Basin. Forest Ecology and Management 198: 149-167. Doi: 10.1016/j.foreco.2004.03.048. DOI: https://doi.org/10.1016/j.foreco.2004.03.048
Miranda-Aragón, L., E. J. Treviño-Garza, J. Jiménez-Pérez, O. A. Aguirre-Calderón, M. A. González-Tagle, M. Pompa-García y C. A. Aguirre-Salado. 2013. Tasa de deforestación en San Luis Potosí, México (1993-2007). Revista Chapingo Serie Ciencias Forestales y del Ambiente 19(2): 201-215. Doi:10.5154/r.rchscfa.2011.06.044. DOI: https://doi.org/10.5154/r.rchscfa.2011.06.044
Myers-Smith, I.H., J. T. Kerby, G. K. Phoenix, J. W. Bjerke, H. E. Epstein, J. J. Assmann, C. J., L Andreu-Hayles, S. Angers-Blondin, P. S. A. Beck, L. T. Berner, U. S. Bhatt, A. D. Bjorkman, D. Blok, A. Bryn, C. T. Christiansen, J. H. C. Cornelissen, A. M. Cunliffe, S. C. Elmendorf, B. C. Forbes, S. J. Goetz, R. D. Hollister, R. Jong, M. M. Loranty, M. Macias-Fauria, K. Maseyk, S. Normand, J. Olofsson, T. C. Parker, F. W. Parmentier, E. Post, G. Schaepman-Strub, F. Stordal, P. F. Sullivan, H. J. D. Thomas, H. Tømmervik, R. Treharne, C. E. Tweedie, D. A. Walker, M. Wilmking and S. Wipf. 2020. Complexity revealed in the greening of the Arctic. Nature Climate Change 10(2): 106-117. Doi:10.1038/s41558-019-0688-1.
Pebesma, E. J. 2004. Multivariable geostatistics in S: the gstat package. Computers and Geosciences 30: 683-691. Doi: 10.1016/j.cageo.2004.03.012. DOI: https://doi.org/10.1016/j.cageo.2004.03.012
Pham, T., N. Yokoya, D. Bui, K. Yoshino and D. Friess. 2019. Remote sensing approaches for monitoring mangrove species, structure, and biomass: Opportunities and challenges. Remote Sensing 11:230. Doi: 10.3390/rs11030230.
Ripley, B. 2020. MASS: Support Functions and Datasets for Venables and Ripley’s Mass. https://CRAN.R-project.org/package=MASS (2 de marzo de 2021).
R Core Team. 2020. R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria. https://www.R-project.org/ (9 de abril de 2021).
Secretaría de Recursos Naturales y Medio Ambiente (SRNyMA). 2016. Programa Estratégico Forestal 2030. Gobierno del Estado de Durango. Durango, Dgo., México. 200 p.
Segura, M. R. y G. Trincado. 2003. Cartografía digital de la Reserva Nacional Valdivia a partir de imágenes satelitales Landsat TM. Bosque (Valdivia) 24(2):43-52. Doi: https://dx.doi.org/10.4067/S0717-92002003000200005. DOI: https://doi.org/10.4067/S0717-92002003000200005
Simental-Cano, B., C. A. López-Sánchez, C. Wehenkel, B. Vargas-Larreta, J. G. Álvarez-González and J. J. Corral-Rivas. 2017. Species-specific and regional volume models for 12 forest species in Durango, Mexico. Revista Chapingo Serie Ciencias Forestales y del Ambiente 3(2): 155-171. Doi: 10.5154/r.rchscfa.2016.01.004. DOI: https://doi.org/10.5154/r.rchscfa.2016.01.004
Sobrino J., A., R. Llorens, C. Fernández, J. M. Fernández A. and A. Vega J. 2019. Relationship between soil burn severity in forest fires measured in situ and through spectral indices of remote detection. Forests 10(5): 457. Doi: 10.3390/f10050457.
Song, C. 2013. Optical remote sensing of forest leaf area index and biomass. Progress in Physical Geography 37: 98-113. Doi: 10.1177/0309133312471367. DOI: https://doi.org/10.1177/0309133312471367
Toledo, M., L. Poorter, M. P. Claros, A. Alarcon, J. Balcázar, C. Leaño, J. C. Licona, O. Llanque, V. Vroomans, P. Zuidema and F. Bongers. 2011. Climate is a stronger driver of tree and forest growth rates than soil and disturbance. Journal of Ecology 99(1): 254-264. Doi: 10.1111/j.1365-2745.2010.01741.x. DOI: https://doi.org/10.1111/j.1365-2745.2010.01741.x
Tomppo, E., Th. Gschwantner, M. Lawrence and E. McRoberts. 2010. National Forest Inventories – Pathways for Common Reporting. Springer book series Managing Forest Ecosystems. Viena, Austria. 612 p. Doi: 10.1007/978-90-481-3233-1. DOI: https://doi.org/10.1007/978-90-481-3233-1
Torres-Rojas, G., M. E. Romero-Sánchez, E. Velasco-Bautista y A. González-Hernández. 2016. Estimación de parámetros forestales en bosques de coníferas con técnicas de percepción remota. Revista Mexicana de Ciencias Forestales 7(36): 7-24. Doi:10.29298/rmcf.v7i36.56. DOI: https://doi.org/10.29298/rmcf.v7i36.56
Torres-Vivar, J. E., J. J. Valdez-Lazalde, G. Ángeles P., H. M. Santos-Posadas y C. A. Aguirre-Salado. 2017. Inventario y mapeo de un bosque bajo manejo de pino con datos del sensor SPOT 6. Revista Mexicana de Ciencias Forestales 8(39): 25-43. Doi:10.29298/rmcf.v8i39.41. DOI: https://doi.org/10.29298/rmcf.v8i39.41
Vargas-Larreta, B., C. A. López-Sánchez, J. J. Corral-Rivas, J. O. López-Martínez, C. G. Aguirre-Calderón and J. G. Álvarez-González. 2017. Allometric equations for estimating biomass and carbon stocks in the temperate forests of North-Western Mexico. Forests 8(8): 269. Doi: 10.3390/f8080269. DOI: https://doi.org/10.3390/f8080269
Verbesselt, J., R. Hyndman, G. Newnham and D. Culvenor. 2010. Detecting trend and seasonal changes in satellite image time series. Remote Sensing of Environment 114: 106–115. Doi: https:10.1016/j.rse.2009.08.014. DOI: https://doi.org/10.1016/j.rse.2009.08.014
Wulder, M. A., S. M. Ortlepp, J. C. White and S. Maxwell. 2014. Evaluation of Landsat-7 SLC-off image products for forest change detection. Canadian Journal of Remote Sensing 34(2): 93-99. Doi: 10.5589/m08-020. DOI: https://doi.org/10.5589/m08-020
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2021 Revista Mexicana de Ciencias Forestales
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
Los autores que publiquen en la Revista Mexicana de Ciencias Forestales aceptan las siguientes condiciones:
De acuerdo con la legislación de derechos de autor, la Revista Mexicana de Ciencias Forestales reconoce y respeta el derecho moral de los autores, así como la titularidad del derecho patrimonial, el cual será cedido a la revista para su difusión en acceso abierto.
Todos los textos publicados por la Revista Mexicana de Ciencias Forestales –sin excepción– se distribuyen amparados bajo la licenciaCreative Commons 4.0 Atribución-No Comercial (CC BY-NC 4.0 Internacional), que permite a terceros utilizar lo publicado siempre que mencionen la autoría del trabajo y a la primera publicación en esta revista. (no permite el uso comercial)
Los autores pueden realizar otros acuerdos contractuales independientes y adicionales para la distribución no exclusiva de la versión del artículo publicado en la Revista Mexicana de Ciencias Forestales (por ejemplo, incluirlo en un repositorio institucional o darlo a conocer en otros medios en papel o electrónicos) siempre que indique clara y explícitamente que el trabajo se publicó por primera vez en la Revista Mexicana de Ciencias Forestales.
Para todo lo anterior, los autores deben remitir el formato de carta-cesión de la propiedad de los derechos de la primera publicación debidamente requisitado y firmado por los autores/as. Este formato debe ser remitido en archivo PDF al correo: editorial.forestal@inifap.gob.mx
Esta obra está bajo una licencia de Creative Commons Reconocimiento-No Comercial 4.0 Internacional.
