Evaluación de dos métodos para la estimación de biomasa arbórea a través de datos LANDSAT TM en Jusnajab La Laguna, Chiapas, México: estudio de caso

 

Jorge Escandón Calderón* Ben H. J. de Jong** Susana Ochoa Gaona*** Ignacio March Mifsut**** Miguel Angel Castillo****

 

*El Colegio de la Frontera Sur (ECOSUR), Apdo. Postal 63. 29200, San Cristóbal de Las Casas, Chiapas, México.

**Departamento de Agroecología, División de Sistemas de Producción Alternativos, El Colegio de la Frontera Sur (ECOSUR;. Apdo. Postal 63. 29200. San Cristóbal de Las Casas. Chiapas, México. E-mail: bjong@sclc.ecosur.mx

***Departamento de Ecología y Sistemática, División Conservación y Biodiversidad. El Colegio de la Frontera Sur (ECOSUR) Apdo. Postal 63, 29200, San Cristóbal de Las Casas, Chiapas, México.

****Departamento de Ordenamiento Ecológico, División de Conservación y Biodiversidad. El Colegio de la Frontera Sur (ECOSUR), Apdo. Postal 63, 29200, San Cristóbal de Las Casas, Chiapas, México.

Recibido: 2 de enero de 1999
Aceptado en versión final: 16 de agosto de 1999

 

Resumen

Se evaluaron dos métodos para estimar biomasa arbórea con apoyo en sensores remotos (LANDSATTM). El primer método se realizó con base en una clasificación supervisada multiespectral con seis bandas Se utilizaron tipos de vegetación identificados a partir de la composición de biomasa de los géneros dominantes y de la altura promedio estimada del dosel habiéndose distinguido ocho clases de vegetación. Se obtuvo una biomasa total de 1 073 x 10³t (902 x 10³t a 1220 x 10³t). En el segundo método se utilizaron índices diferenciados de vegetación (NDVI) de las bandas TM4/TM3; TM4/TM5 y TM4/TM7. Se aplicó un modelo de regresión que relaciona la biomasa promedio con los valores digitales (VD) de los NDVI. El modelo exponencial fue el de mejor ajuste para los tres NDVI con una p ≤ 0.01 Los valores de los NVDI fueron TM4/TM3: R²=0.611; TM4/TM5: R²=0.671 y TM4/TM7: R²=0.676. La biomasa total estimada con cada NDVI fue de 1 164 x 10³t (490 x 10³t a 2 409 x 10³) para TM4/TM3; de 515 x 10³1 (331 x 10³t a 757 x 10³t) para TM4/TM5 y de 726 x 10ª t (398 x 10³1 a 1 210 x 10³1) para TM4/TM7. El resultado de la biomasa total calculada por el método de clasificación multiespectral, comparado con los valores estimados por el método de ordenamiento exponencial, mostró mayor similitud con el valor máximo del NDVI que relaciona las bandas TM4/TM7 (de mayor ajuste estadístico) y con el valor promedio del NDVI TM4/TM3 (de menor ajuste estadístico). Utilizando el NDVI TM4/TM5, todos los valores de biomasa resultaron más bajos. De este estudio se concluye que es posible asociar razonablemente la biomasa de vegetación arbolada de pino-encino y reservorios de carbono con los índices de vegetación A través del uso de sensores remotos se podrían predecir cambios de biomasa en escalas temporales y espaciales.

Palabras clave: Biomasa arbórea, sensores remotos, clasificación supervisada, índice normalizado de vegetación, modelos de regresión.

 

Abstract

Two approaches to estimate arboreal biomass with remote sensing (LANDSAT TM) are evaluated In the first approach a multi-spectral supervised classification with six bands was applied The classification of the vegetation types is based on biomass composition of the dominant tree species and canopy height. Eight vegetation types could be distinguished. According to this approach the total tree biomass amounted to 1 073 x 10³ t (902 to 1 220 x 10³t). In the second approach a Normal Differentiated Vegetation Index (NDVI) of the band combinations TM4/TM3, TM4/TM5 and TM4/TM7 was used, A regression equation was developed to relate arboreal biomass with NDVI. Using these equations, the total biomass was estimated at 1 164 x 10³ T (490 to 2 409 x 10³T) for TM4/TM3; at 515 x 10³t (331 to 757 x 10³t) for TM4/TM5 and 726 x 10³t (398 to 1 210 x 10³t) for TM4/TM7. The average biomass estimation of the NDVI using TM4rTM3 is similar to the estimation using the classification approach, but the 95% confidence Interval is wider. Meanwhile, the biomass estimation of the NDVI using TM4/TMI5 and TM4/TM7 was lower than the biomass estimation from the classification approach, but both showed a narrow 95% confidence interval. The results of this study Indicate that it is possible to estimate within a reasonable confidence interval the tree biomass of pine-oak forest using an ordination approach with NDVI As such, remote sensing could be used to estimate temporal and spatial changes in aboveground biomass.

Key words. Tree biomass, remote sensing, supervised classification, Normal Differentiated Vegetation Index, regression models.

 

DESCARGAR ARTÍCULO EN FORMATO PDF

 

AGRADECIMIENTOS

Agradecer a dos revisores anónimos por sus valiosos comentarios, y a Pedro F. Quintana-Ascencio por su asesoría en el análisis estadístico. El ECOSUR proporcionó la infraestructura y el subsidio para el desarrollo de este trabajo. Fondos recurrentes provinieron de US-Environmental Protection Agency (US-EPA) bajo convenio con ECOSUR (CR822200). A las autoridades y a la comunidad de Jusnajab, por permitir este estudio en su territorio. A Delfino Méndez Ton. por su ayuda en el Laboratorio de Información Geográfica y Estadística de ECOSUR. A Pablo Santís, Hipólito Pérez, Fortunato García y Rosario García, por su cálida hospitalidad y enseñanza de visión práctica. A Andrés González y John Taylor, por compartir sus experiencias de campo.

 

 

REFERENCIAS

Ayala López, R. (1998), Ecuaciones para estimar biomasa de pinos y encinos en la Meseta Central de Chiapas, Tesis de Licenciatura en Ingeniería Forestal, División de Ciencias Forestales, Universidad Autónoma de Chapingo, México.         [ Links ]

Baret, F. y G. Guyot (1991). "Potential and limits of vegetation indices for LAI and APAR assessment", Remote Sensing of Environment, 35: 161-173.         [ Links ]

Badhwar, G.D., R.B. Mc Donald, F.G. Hall y J.G. Carnes (1986), "Spectral characterization in a boreal forest: relationships between thematic mapper band reflectance and leaf area index for aspen", IEEE Transactions on Geoscience and Remote Sensing, 24: 322-326.         [ Links ]

Breedlove, D. E. (1981), "Introduction to the flora of Chiapas", Flora of Chiapas, 1, 1-35.         [ Links ]

Brown. S. y A.E. Lugo (1992), "Aboveground biomass estimates for tropical moist forests of the Brazilian Amazon", Interciencia. 17: 8-18.         [ Links ]

Cairns, M.A., R. Dirzo y F. Zadroga (1995), "Forest in Mexico: ¿A declining resource?", Journal of Forestry, 93: 21-24.         [ Links ]

Cohen, W.B. (1991), "Response of vegetation indices to changes in three measures of leaf water stress". Photogrametric Engineering and Remote Sensing, 57: 195-202.         [ Links ]

Congalton, R. (1991), "A review of assessing the accuracy of classifications of remotely sensed data", Remote Sensing of Environment, 37: 35-46.         [ Links ]

Chuvieco, E. (1990), Fundamentos de teledetección espacial, RIALP, España.         [ Links ]

Dixon, R.R., K.J. Andrasko, F.G. Sussman, M.A. Lavínson, M.C. Trexler y T.S. Vinson (1993), "Forest sector carbon offset projects: near-term opportunities to mitigate greenhouse gas emissions", Water, Air and Soli Pollution, 70: 561-577.         [ Links ]

Dixon, R.R., S. Brown, R.A. Houghton. A. M. Solomon, M.C. Trexler y J. Wisniewski (1994), "Carbon pools and flux of global forest ecosystems", Science, 263:185-190.         [ Links ]

Foody, G. M. y R. A. Hill (1996), 'Classification of tropical forests classes from Landsat TM data", International Journal of Remote Sensing, 17: 2353-2367.         [ Links ]

Foody, G. M., G. Palubrnskas, R. Lucas, P. Curran y M. Honzak (1996), "Identifying terrestrial carbon sinks: classification of succesional stages in regenerating tropical forest from Landsat TM data", Remote Sensing of Environment, 55: 205-216.         [ Links ]

González-Espinosa, M., N. Ramírez Marcial, P.F. Quintana-Ascencio y M. Martínez Icó (1995). "La utilización de los encinos y la conservación de la biodiversidad en Los Altos de Chiapas", Memorias del III Seminario Nacional sobre la Utilización de Encinos, 4-6 de noviembre de 1992. Reporte Científico UANL. núm. especial 15, Linares, Nuevo León, México.         [ Links ]

Hardisky, MA., F.C. Daiber, C.T. Roman y V. Klemas (1984). "Remote sensing of biomass and annual net aerial primary productivity of salt marsh", Remote Sensing of Environment, 16: 91-106.         [ Links ]

Houghton R. A. (1990), "The future role of tropical forest in affecting the carbon dioxide concentration of the atmosphere", Ambio, 19: 204-209.         [ Links ]

Hunt, E.R. y B.N. Rock (1989), "Detection of changes in leaf water content using near and middle-Infrared reflectances", Remote Sensing of Environment, 30: 43-54.         [ Links ]

INEGI (1984), Cartas; Uso actual del suelo y vegetación. 1984, escala 1: 50 000, INEGI, con clave E-15-D-62 San Cristóbal; E-15-D-63 Chanal.         [ Links ]

INEGI (1988), Cartas: Uso actual del suelo y vegetación, 1988, escala 1: 50 000, INEGI, con clave E-15-D-64 Morelia; E-15-D-73 Comitán: E-15-D-74 Las Margaritas; E-15-D-84 El Triunfo: E-15-D-85 Amparo Aguatinta.         [ Links ]

Intergovernmental Panel on Climate Change (IPCC; 1992), Climate Change 1992: The Supplementary Report to the IPCC Scientific Assessment, Cambridge University Press. Melbourne, Australia.         [ Links ]

Lee, D.C., Y. Shimabukuro, B. Rudorff y T. Krug (1995), "Timber volume estimation using qualitative variables", Memorias del VII Simposio Latinoamericano de Percepción Remota, Pto. Vallarta, México, noviembre, pp. 613-621.         [ Links ]

Lee, N.J. y K. Nakane (1996), "Forest vegetation classification and biomass estimation based on Landsat TM data in mountainous region of west Japan", en Gholz, H.L., Nakane, K. y Shimoda, H. (eds.), The use of remote sensing in the modeling of forest productivity, Kluwer Acad. Publ., Dordrecht, The Netherlands, pp. 159-171.         [ Links ]

Masera. O., M. de J. Ordóñez y R. Dirzo (1997), "Carbon emissions from Mexican forest: current situation and long-term scenarios". Climatic Change, 35; 265-295.         [ Links ]

Miranda, F. (1952). La vegetación de Chiapas, Ediciones del Gobierno del Estado. Tuxtla Gutiérrez, Chiapas, México.         [ Links ]

Miranda, F. y X. Hernández (1963), "Los tipos de vegetación de México y su clasificación", Boletín de la Sociedad Botánica de México, 28: 29-179.         [ Links ]

Montoya, G., L. Soto, B. De Jong, K. Nelson, P. Farias, Pajal Yakac'Tíc, y J. Taylor (1995), Desarrollo forestal sustentable: captura de carbono en las zonas tzeltal y tojolabal del estado de Chiapas. Cuadernos de trabajo (4), Instituto Nacional de Ecología, México.         [ Links ]

Myers, N. (1989), Deforestation rates in tropical forest and their climatics implications, Friends of Earth, London.         [ Links ]

Ojima, D. S., K. A. Galvin, y B. L. Turner II (1994), "The global impact of land-use change", Bioscience, 44: 300-304.         [ Links ]

Peterson, D. L., M.A. Spanner, S.W. Running y K.B. Teuber (1987), "Relationships of thematic mapper simulator data to leaf area of temperate coniferous forests", Remote Sensing of Environment, 22:323-341.         [ Links ]

Rey-Benayas, J.M. y K.O. Pope (1995), "Landscape ecology and diversity patterns in the seasonal tropics from Landsat TM imagery", Ecological Applications, 5: 386-394.         [ Links ]

Ripple, W.J. (1986), "Spectral reflectance relationships to leaf water stress". Photogrammetric Engineering and Remote Sensing, 52: 1669-1675.         [ Links ]

Rzedowski, J. (1978), Vegetación de México, Limusa, México.         [ Links ]

Sayer. J. A. y T. C. Whitmore (1991), Tropical moist forest: destruction and spejies extinction". Biological Conservation, 55: 199-213.         [ Links ]

Sellers, P. (1985), "Canopy reflectance, photosynthesis and transpiration", International Journal of Remote Sensing, 6: 1335-1372.         [ Links ]

Spanner, M.A., L. L. Pierce, D.L. Peterson y S.W. Running (1990). "Remote sensing of temperate coniferous forest leaf area index: the influence of canopy closure, understory vegetation and background reflectance". International Journal of Remote Sensing. 11: 95-112.         [ Links ]

Steven, M.D. T. J. Malthus, F.M. Dawson K.W Jaggard y B. Andriew (1992), "Monitoring responses of vegetation to stress", Remote Sensing from Research to Operation. Proceeding of 18th Annual Conference of the Remote Sensing Society. Arthur P Cracknell y Robin A Vaughan (ed.). University of Dundee, pp. 369-377.         [ Links ]

Turner D. P., G. Koerper, H. Gucinski y C. Peterson (1993), "Monitoring global change: comparison of forest cover estimates using remote sensing and inventory approaches", Environmental Monitoring and Assessment, 26: 295-305.         [ Links ]

Tucker, C.J. (1979), "Red and photographic infrared linear combinations for monitoring vegetation", Remote Sensing of Environment, 8: 127-150.         [ Links ]

Warin, R. H. y W.H. Schlesinger (1985), Forest ecosystems: concepts and management, Academic Press, Inc. San Diego, California.         [ Links ]

WRI (World Resources Institute; 1994), Worid Resources 1994-95. Oxford University Press, New York.         [ Links ]

Wofsy. S.C, M.L. Gculden, J.W. Munger, et al. (1993). "Net exchange of C02 in the mid-latitude forest", Science, 260: 1314-1317.         [ Links ]