Inferencia asistida por modelos para la estimación media de volumen y biomasa forestal en México
DOI:
https://doi.org/10.29298/rmcf.v17i96.1646Palabras clave:
Estimador Horvitz-Thompson, muestreo cuasi-sistemático, Sentinel-2, servicios ecosistémicos, varianza, volumen y biomasa forestalResumen
La estimación precisa, en términos de reducción de la varianza, del volumen maderable y la biomasa aérea es fundamental para el manejo forestal sostenible y la estimación de carbono aéreo. Este estudio evaluó el desempeño del Estimador asistido por modelos (MAE, por sus siglas en inglés) al considerar diferentes formas funcionales cuando se dispone de una única variable auxiliar continua derivada de Sentinel-2A y un modelo que considera el tratamiento como variable categórica respecto al Estimador Horvitz-Thompson (HTE, por sus siglas en inglés) en su versión simple. Se analizaron ocho modelos (lineal, generalizados y no lineales) bajo un esquema de muestreo en campo cuasi-sistemático en un bosque templado con manejo forestal de Puebla, México. El Índice de Vegetación de la Diferencia Normalizada Verde (GNDVI, por sus siglas en inglés) fue seleccionado como variable auxiliar mediante procedimientos de regularización (LASSO y Elastic Net, criterio de selección validación cruzada). Las medias poblacionales estimadas mediante MAE fueron consistentes entre modelos y comparables con el Estimador de Horvitz-Thompson. Se observaron diferencias importantes en eficiencia relativa tanto en la estimación de volumen, como de biomasa aérea cuando se analiza la varianza de MAE respecto a HTE. Para volumen maderable, el modelo con GNDVI y el tratamiento silvícola logró la reducción de varianza de 37.65 %; en tanto que en la biomasa aérea fue de 30.21 %. Los hallazgos demuestran que la estimación asistida por modelos incrementa significativamente la precisión sin comprometer el insesgamiento.
Descargas
Citas
Ameztegui, A., Rodrigues, M., & Granda, V. (2022). Uncertainty of biomass stocks in Spanish forests: a comprehensive comparison of allometric equations. European Journal of Forest Research, 141, 395-407. https://doi.org/10.1007/s10342-022-01444-w DOI: https://doi.org/10.1007/s10342-022-01444-w
Arias-Téllez, A., & García-Martínez, R. (2017). Almacén de carbono en plantaciones de Pinus patula y Pinus ayacahuite en San Miguel Tenextepec, Amanalco, Estado de México. En V. J. C. Vinay, V. A. Esqueda E., O. H. Tosquy V., A. Ríos U., M. V. Vázquez H. & C. Perdomo M. (Comps.), Avances en investigación agrícola, pecuaria, forestal, acuícola, pesquera, desarrollo rural, transferencia de tecnología, biotecnología, ambiente, recursos naturales y cambio climático 2017 (pp. 1057-1065). Instituto Nacional de Investigaciones Forestales, Agrícolas y Pecuarias. https://www.researchgate.net/publication/322448012_Almacen_de_carbono_en_plantaciones_de_Pinus_patula_y_Pinus_ayacahuite_en_San_Miguel_Tenextepec_Amanalco_Estado_de_Mexico
Avendaño-Hernández, D. M., Acosta-Mireles, M., Carrillo-Anzures, F., & Etchevers-Barra, J. D. (2009). Estimación de biomasa y carbono en un bosque de Abies religiosa. Revista Fitotecnia Mexicana, 32(3), 233-238. https://revfitotecnia.mx/index.php/RFM/article/view/756 DOI: https://doi.org/10.35196/rfm.2009.3.233-238
Besic, N., Picard, N., Vega, C., Bontemps, J.-D., Hertzog, L., Renaud, J.-P., Fogel, F., Schwartz, M., Pellissier-Tanon, A., Destouet, G., Mortier, F., Planells-Rodriguez, M., & Ciais, P. (2025). Remote-sensing-based forest canopy height mapping: some models are useful, but might they provide us with even more insights when combined? Geoscientific Model Development, 18(2), 337-362. https://doi.org/10.5194/gmd-18-337-2025 DOI: https://doi.org/10.5194/gmd-18-337-2025
Breidenbach, J., & Astrup, R. (2012). Small area estimation of forest attributes in the Norwegian National Forest Inventory. European Journal of Forest Research, 131, 1255-1267. https://doi.org/10.1007/s10342-012-0596-7 DOI: https://doi.org/10.1007/s10342-012-0596-7
Comisión Nacional Forestal. (2017). Inventario Nacional Forestal y de Suelos. Procedimientos de muestreo. Versión 19.0. Comisión Nacional Forestal. https://www.conafor.gob.mx/apoyos/docs/externos/2022/DocumentosMetodologicos/2019/ANEXO_Procedimientos_de_muestreo_2019.pdf
Correa-Díaz, A., Villanueva-Díaz, J., Gutiérrez-García, J. V., Velasco-Bautista, E., Moreno-Sánchez, F., & Zamora-Morales, B. P. (2025). Efecto del clima y el manejo forestal en el crecimiento radial de un bosque de coníferas en Puebla, México. Madera y Bosques, 31, Artículo e312717. https://doi.org/10.21829/myb.2025.312717 DOI: https://doi.org/10.21829/myb.2025.312717
Dettmann, G. T., MacFarlane, D. W., Radtke, P. J., Weiskittel, A. R., Affleck, D. L. R., Poudel, K. P., & Westfall, J. (2022). Testing a generalized leaf mass estimation method for diverse tree species and climates of the continental United States. Ecological Applications, 32(7), Article e2646. https://doi.org/10.1002/eap.2646 DOI: https://doi.org/10.1002/eap.2646
Dhiman, V., & Kumar, A. (2025). Species exhibiting positive association demonstrate high above-ground biomass accumulation in the subtropical Himalayan forest ecosystem, India. Applied Ecology and Environmental Research, 23(1), 1433-1452. https://doi.org/10.15666/aeer/2301_14331452 DOI: https://doi.org/10.15666/aeer/2301_14331452
Díaz-Ríos, M. de J., Vázquez-Alarcón, A., Uribe-Gómez, M., Sánchez-Vélez, A., Lara-Bueno, A., & Cruz-León, A. (2016). Ecuaciones alométricas para estimar biomasa y carbono en aile obtenidas mediante un método no destructivo. Revista Mexicana de Ciencias Agrícolas, (Pub. Esp. 16), 3235-3249. https://www.scielo.org.mx/scielo.php?script=sci_arttext&pid=S2007-09342016001203235 DOI: https://doi.org/10.29312/remexca.v0i16.393
Frank, B., & Monleon, V. J. (2021). Comparison of variance estimators for systematic environmental sample surveys: Considerations for post-stratified estimation. Forests, 12, Article 772. https://doi.org/10.3390/f12060772 DOI: https://doi.org/10.3390/f12060772
Gitelson, A. A., Kaufman, Y. J., & Merzlyak, M. N. (1996). Use of a green channel in remote sensing of global vegetation from EOS-MODIS. Remote Sensing of Environment, 58(3), 289-298. https://doi.org/10.1016/S0034-4257(96)00072-7 DOI: https://doi.org/10.1016/S0034-4257(96)00072-7
González-Rosales, A., & Ortiz-Paniagua, C. F. (2022). Superficie forestal afectada por incendios en México: Apuntes iniciales hacia un modelo de manejo preventivo. Revista de Ciencias Ambientales, 56(1), 1-27. https://www.scielo.sa.cr/scielo.php?pid=S2215-38962022000100001&script=sci_abstract&tlng=es DOI: https://doi.org/10.15359/rca.56-1.1
Hernández-Ramos, J., García-Cuevas, X., Pérez-Miranda, R., González-Hernández, A., & Martínez-Ángel, L. (2020). Inventario y mapeo de variables forestales mediante sensores remotos en el estado de Quintana Roo, México. Madera y Bosques, 26(1), Artículo e2611884. https://myb.ojs.inecol.mx/index.php/myb/article/view/e2611884 DOI: https://doi.org/10.21829/myb.2020.2611884
Horvitz, D. G., & Thompson, D. J. (1952). A generalization of sampling without replacement from a finite universe. Journal of the American Statistical Association, 47(260), 663-685. https://doi.org/10.1080/01621459.1952.10483446 DOI: https://doi.org/10.1080/01621459.1952.10483446
Hu, Y., & Sun, Z. (2022). Assessing the capacities of different remote sensors in estimating forest stock volume based on high-precision sample plot positioning and the random forest method. Nature Environment and Pollution Technology, 21(3), 1113-1123. https://doi.org/10.46488/nept.2022.v21i03.016 DOI: https://doi.org/10.46488/NEPT.2022.v21i03.016
Khan, M. N., Tan, Y., Gul, A. A., Abbas, S., & Wang, J. (2024). Forest aboveground biomass estimation and inventory: evaluating remote sensing-based approaches. Forests, 15, Article 1055. https://doi.org/10.3390/f15061055 DOI: https://doi.org/10.3390/f15061055
López-Serrano, P. M., Vega-Nieva, D. J., Ramírez-Aldaba, H., García-Montiel, E., & Corral-Rivas, J. J. (2021). Estimación de parámetros forestales mediante datos de Sentinel 2A en Pueblo Nuevo, Durango. Revista Mexicana de Ciencias Forestales, 12(68), 81-106. https://doi.org/10.29298/rmcf.v12i68.1075 DOI: https://doi.org/10.29298/rmcf.v12i68.1075
Matiza, C., Mutanga, O., Peerbhay, K., Odindi, J., & Lottering, R. (2023). A systematic review of remote sensing and machine learning approaches for accurate carbon storage estimation in natural forests. Southern Forests: A Journal of Forest Science, 85(3-4), 123-141. https://doi.org/10.2989/20702620.2023.2251946 DOI: https://doi.org/10.2989/20702620.2023.2251946
McConville, K. S., Moisen, G. G., & Frescino, T. S. (2020). A tutorial on model-assisted estimation with application to forest inventory. Forests, 11(2), Article 244. https://doi.org/10.3390/f11020244 DOI: https://doi.org/10.3390/f11020244
McRoberts, R. E., Holden, G. R., Nelson, M. D., Liknes, G. C., & Gormanson, D. D. (2006). Using satellite imagery as ancillary data for increasing the precision of estimates for the Forest Inventory and Analysis program of the USDA Forest Service. Canadian Journal of Forest Research, 36, 2968-2980. https://doi.org/10.1139/x05-222 DOI: https://doi.org/10.1139/x05-222
McRoberts, R. E., Næsset, E., & Gobakken, T. (2013). Inference for lidar-assisted estimation of forest growing stock volume. Remote Sensing of Environment, 128, 268-275. https://doi.org/10.1016/j.rse.2012.10.007 DOI: https://doi.org/10.1016/j.rse.2012.10.007
R Core Team. (2025). R: A language and environment for statistical computing (Version 4.5.0) [Computer software]. R Foundation for Statistical Computing. https://www.r-project.org/
SAS Institute Inc. (2024). SAS/STAT® User’s guide: The GLIMMIX Procedure 2024.04-2024.09*. SAS Institute Inc. https://documentation.sas.com/api/collections/pgmsascdc/v_052/docsets/statug/content/glimmix.pdf
Soriano-Luna, M. de los Á., Ángeles-Pérez, G., Martínez-Trinidad, T., Plascencia-Escalante, F. O., & Razo-Zárate, R. (2015). Estimación de biomasa aérea por componente estructural en Zacualtipán, Hidalgo, México. Agrociencia, 49(4), 423-438. https://www.agrociencia-colpos.org/index.php/agrociencia/article/view/1156
Ståhl, G., Saarela, S., Schnell, S., Holm, S., Breidenbach, J., Healey, S. P., Patterson, P. L., Magnussen, S., Næsset, E., McRoberts, R. E., & Grégoire, T. G. (2016). Use of models in large-area forest surveys: Comparing model-assisted, model-based and hybrid estimation. Forest Ecosystems, 3, Article 5. https://doi.org/10.1186/s40663-016-0064-9 DOI: https://doi.org/10.1186/s40663-016-0064-9
Tanase, M., Martini, J. P., Miranda, P., García-García, D., Wilke, V., Diez, J., Natal, S., & San Martín, D. (2025). Estimación de variables forestales a partir de sensores Lidar y ópticos e inteligencia artificial. Cuadernos de Investigación Geográfica, 51(2), 121-132. https://doi.org/10.18172/cig.6767 DOI: https://doi.org/10.18172/cig.6767
Valbuena, R., Hernando, A., Manzanera, J. A., Görgens, E. B., Almeida, D. R. A., Mauro, F., García-Abril, A., & Coomes, D. A. (2017). Enhancing of accuracy assessment for forest above-ground biomass estimates obtained from remote sensing via hypothesis testing and overfitting evaluation. Ecological Modelling, 366, 15-26. https://doi.org/10.1016/j.ecolmodel.2017.10.009 DOI: https://doi.org/10.1016/j.ecolmodel.2017.10.009
Zadbagher, E., Marangoz, A. M., & Becek, K. (2024). Estimation of above-ground biomass using machine learning approaches with InSAR and LiDAR data in tropical peat swamp forest of Brunei Darussalam. iForest, 17(3), 172-179. https://doi.org/10.3832/ifor4434-017 DOI: https://doi.org/10.3832/ifor4434-017
Zhang, M., Zhu, J., Song, L., Qi, K., Zheng, X., Zhang, X., Ge, J., & Tian, H. (2025). How to characterize the decline of natural Pinus sylvestris var. mongolica forests on sandy land? Global Ecology and Conservation, 64, Article e03955. https://doi.org/10.1016/j.gecco.2025.e03955 DOI: https://doi.org/10.1016/j.gecco.2025.e03955
Zhao, A., Cheng, X., Cao, R., Huang, L., & Hou, Z. (2024). Continuous monitoring of forests in wetland ecosystems with remote sensing and probability sampling. Remote Sensing, 16(18), Article 3508. https://doi.org/10.3390/rs16183508 DOI: https://doi.org/10.3390/rs16183508
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2026 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.
