Estimación de parámetros forestales mediante datos de Sentinel 2A en Pueblo Nuevo, Durango

Autores/as

DOI:

https://doi.org/10.29298/rmcf.v12i68.1075

Palabras clave:

Remote sensing, Sentinel, Forest volume, Basal area, Aboveground biomass, Área basal, biomasa aérea, parcelas permanentes, sensores remotos, volumen forestal

Resumen

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

Los datos de descargas todavía no están disponibles.

Biografía del autor/a

Pablito Marcelo López Serrano, Universidad Juárez del Estado de Durango

Miembro del SNI Nivel 1

Profesor Investigador en el Instituto de Silvicultura e Industria de la Madera

Ingeniería Forestal por la Facultad de Ciencias Forestales de la UJED

Maestría en Manejo de Recursos Naturales por la Facultad de Ciencias Agrícolas y Forestales de la UACH

Doctorado en Ciencias Agropecuarias y Forestales por la UJED

Lineas de investigación: Aplicaciones de la Geomática (percepción remota y SIG) en los recursos naturales y ordenamiento territorial.   Uso de drones en el análisis de ecosistemas y manejo de recursos naturales.

Daniel José Vega Nieva, Universidad Juárez del Estado de Durango

Miembro del SNI Nivel 1
Profesor Investigador en la Facultad de Ciencias Forestales de la UJED
Ingeniería en la Universidad de Santiago de Compostela, España.
Maestría en la Universidad de Vigo, España.
Doctorado en la Universidad de Vigo, España.
Posdoctorado en la Universidad de Lisboa
Miembro de la red nacional de manejo del fuego
Líneas de investigación: Aplicaciones de geomática (percepción remota y SIG) en incendios forestales. Manejo Forestal. Biomasa y bioenergía.

Hugo Ramírez Aldaba, Universidad Juárez del Estado de Durango

Miembro del SNI Nivel C

Profesor investigador en la Facultad de Ciencias Forestales de la UJED.

Ingeniería química por el Instituto Tecnológico de Durango

Maestría en planificación industrial por el Instituto Tecnológico de Durango

Doctorado en Ciencias Agropecuarias y Forestales por la UJED

Líneas de investigación: Biorremediación de suelos contaminados mineros, electroquímica aplicada a suelos y agua contaminada, caracterización electroquímica minerales. Manejo de recursos naturales

Emily García Montiel, Universidad Juárez del Estado de Durango

Miembro del SNI Nivel C

Jefe de la División de estudios de posgrado e investigación de la Facultad de Ciencias Forestales de la UJED

Licenciatura en Comercio exterior y aduanas por el centro de estudios UNIVER

Maestría en Administración por la Facultad de Economía, Contaduría y Administración

Doctorado en Ciencias Agropecuarias y Forestales por la UJED

Líneas de investigación: Certificación forestal, Aspectos socioeconómicos del sector forestal y política forestal. Manejo de los recursos naturales

José Javier Corral Rivas, Universidad Juárez del Estado de Durango

Miembro del SNI Nivel 2

Profesor investigador en la Facultad de Ciencias Forestales de la UJED.

Ingeniería Forestal por el Instituto Tecnológico de El Salto

Maestría por la Universidad Autónoma de Nuevo León

Doctorado:Universidad de Gottingen. Alemania

Líneas de investigación: Manejo y conservación de los recursos naturales. Biometría.

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

Publicado

05-11-2021

Cómo citar

López Serrano, Pablito Marcelo, Daniel José Vega Nieva, Hugo Ramírez Aldaba, Emily García Montiel, y José Javier Corral Rivas. 2021. «Estimación De parámetros Forestales Mediante Datos De Sentinel 2A En Pueblo Nuevo, Durango». Revista Mexicana De Ciencias Forestales 12 (68). México, ME:81-106. https://doi.org/10.29298/rmcf.v12i68.1075.

Número

Sección

Artículo Científico