Artículos

 

Áreas de respuesta homogénea para el muestreo de combustibles forestales

 

Homogeneous response areas for forest fuel sampling

 

José Armando Velasco Herrera¹, José Germán Flores Garnica², Bertha Márquez Azúa³ y Sergio López¹

 

¹ Facultad de Ingeniería, Universidad de Ciencias y Artes de Chiapas. Correo-e: velascoherrera@gmail.com

² CE. Centro Altos Jalisco CIR-Pacífico Centro. INIFAP

³ Departamento de Geografía, Universidad de Guadalajara.

 

Fecha de recepción: 2 de junio de 2010;
Fecha de aceptación: 7 de julio de 2012

 

RESUMEN

Los combustibles forestales muertos son evaluados in situ; por tanto, se requieren sitios de muestreo ubicados, generalmente, de manera sistemática y con intensidad de muestreo entre 1 y 3% con respecto al área total. Aunque esto significa una gran inversión de recursos económicos, humanos y de tiempo, las precisiones obtenidas son bajas. Por ello, se propone una alternativa que identifica zonas con características similares, denominadas áreas de respuesta homogénea (ARH), las cuales sirven de fundamento para la estructuración de un diseño de muestreo estratificado con una tendencia a reducir la varianza dentro de cada ARH, a fin de aumentar la precisión de las estimaciones. En la Reserva de la Biosfera Selva El Ocote, Chiapas, se definieron 19 ARH con base en diez tipos de vegetación: agricultura de temporal con cultivos anuales, bosque de encino, pastizal cultivado, pastizal inducido, sabana, selva alta y mediana perennifolia, selva alta y mediana perennifolia con vegetación secundaria arbustiva y herbácea, selva alta y mediana subperennifolia con vegetación secundaria arbustiva y herbácea, selva baja caducifolia y selva baja subcaducifolia; además se consideraron tres intervalos de altitud: 180 - 633 m, 634 - 1 086 m y 1 087 - 1 540 m. Cada ARH estuvo conformada por varios polígonos. El ARH con mayor extensión correspondió a la condición de selva alta y mediana perennifolia localizada entre los 634 y 1 086 m, y ocupó 38 808 ha; mientras que la menor perteneció a una condición de sabana entre 180 y 633 m, con 3.4 ha.

Palabras clave: Combustibles forestales, exposición, incendios forestales, percepción remota, Reserva de la Biosfera Selva El Ocote, SIG.

 

ABSTRACT

Dead forest fuels are assessed in situ, requiring sampling sites located in a systematic way, with a sampling intensity of 1-3% with respect to the whole area. Although this entails a large investment of financial, human and time resources, the accuracies obtained are still low. Therefore, we propose an alternative sampling strategy identifying areas with similar features known as homogeneous response areas (HRAs). These are the basis for the structuring of a stratified sampling design tending to reduce the variance within each HRA in order to increase the accuracy of the estimates. This work was carried out in the Selva El Ocote Biosphere Reserve, located in the state of Chiapas. 19 HRAs were defined based on ten different kinds of vegetation: rainfed annual crops, live oak groves, cultivated grasslands, human-induced grasslands, savannahs, tall/medium evergreen forests, tall/medium evergreen forests with secondary bushy and herbaceous vegetation, and low deciduous and sub-deciduous forests. Besides, three altitude intervals were considered: 180-633 m, 634-1 086 m, and 1 087-1 540 m. Each HRA comprises several zones. The largest HRA consists of tall/medium evergreen forests and is located between 634 and 1 086 m of altitude, with a surface of 38 808 ha; while the smallest is constituted by savannahs, at an altitude of 180 to 633 m and with a surface of 3.4 ha.

Key words: Forest fuels, exposure, forest fires, remote sensing, Selva El Ocote Biosphere Reserve, GIS.

 

INTRODUCCIÓN

En México, los bosques y selvas son afectados constantemente por incendios forestales, lo cual provoca diferentes tipos de impacto en los recursos naturales. Al respecto, el estado de Chiapas, desde 1995, ha ocupado uno de los primeros lugares nacionales tanto en superficie afectada como por la frecuencia de ocurrencia de estos siniestros. En la Reserva de la Biosfera Selva El Ocote (REBISO), 90% de los incendios forestales tienen causas antropogénicas y el resto son producidos por fenómenos naturales (SEMARNAT, 2007); sin embargo, para su ocurrencia es imprescindible la coincidencia de una serie de factores, entre ellos, la presencia de los combustibles forestales. Materiales que están constituidos por toda aquella biomasa y necromasa que potencialmente puede arder al exponerse a una fuente de calor, y abarcan árboles en pie, ramas, troncos, arbustos, pastos, hierbas, hojarasca y humus (Villers, 2006). Asimismo, dichos materiales se clasifican de acuerdo a diferentes criterios: a) por su peso, en ligeros, medianos y pesados; b) por su tiempo de retardo (tiempo que tarda un combustible en equilibrar su contenido de humedad con la humedad relativa del ambiente), en combustibles de 1, 10, 100 y 1 000 h (Byram, 1963). Categorías que deben considerarse cuando se pretende estudiar su distribución espacial, ya que su cantidad y proporción se asocian al comportamiento potencial del fuego. No obstante, su estimación es uno de los mayores retos para los investigadores forestales vinculados al tema (Flores, 2001).

Dado que la evaluación directa de los combustibles forestales es costosa e implica mucho tiempo, se han diseñado varias estrategias para llevarla a cabo. A partir de los primeros trabajos efectuados por Kourtz (1977), respecto a las principales técnicas de clasificación digital, se sentaron las bases teóricas y prácticas que permitieron valorar los combustibles vivos. Para ello se han usado técnicas como las clasificaciones no supervisadas en imágenes Landsat (Rabii, 1979; Crist y Cicone, 1984); otros se han orientado a determinar los índices de vegetación de diferencia normalizada (NDVI) sobre imágenes satelitales (Miller et al., 1986; Burgan et al., 1998; Wijaya et al., 2010); y al uso de información auxiliar por medio de datos vectoriales topográficos y de precipitación (Root et al., 1986), información de altura, pendiente, iluminación y textura (Salas y Chuvieco, 1995), redes neuronales (Vasconcelos et al., 1998; Matthew et al., 2004); así como a la caracterización numérica de las cargas de combustibles, la cual consiste en la extracción de los componentes de brillo, verdor y humedad para explicar particularidades espectrales de los modelos de combustibles (Flores, 2001). Además de los procesos de estimaciones indirectas de la biomasa basadas en la obtención de variables como la altura, mediante lecturas de radar y de tecnología Lidar (Riaño et al., 2004; Lu, 2005; Sales et al., 2007).

A diferencia de los combustibles vivos, los materiales muertos se evalúan in situ a partir de muestreos directos, debido a que no pueden detectarse por sensores remotos, ya que se localizan debajo de las copas de los árboles. La técnica de medición directa se fundamenta en el empleo de intersecciones planares (Brown, 1974; McRae et al., 1979; Sánchez y Zerecero, 1983; Flores, 2007). No obstante, para realizar estos muestreos es necesario cubrir superficies extensas, por ende, los tiempos invertidos son largos y la actividad se torna costosa] (Keane et al., 2001).

Se han planteado estrategias alternativas con los diferentes tipos de combustibles, como el manejo de correlaciones espaciales de variables medibles (altitud, exposición, temperatura y tipo de vegetación). Sin embargo, es menester que estas estimaciones tengan un soporte en las evaluaciones de combustibles directas de campo, cuya operatividad y precisión requieren estar bien definidas para minimizar el grado de error. Existen varias técnicas para determinar el mejor diseño de muestreo, con un criterio de selección que procure disminuir la varianza de las muestras. Si se considera que la calidad y cantidad de los combustibles están asociadas a variables tales como tipo de vegetación, densidad y altitud, entonces es factible ubicar áreas o estratos con distribución homogénea con base en la teoría del diseño estratificado. No obstante, la cuestión básica de esta estrategia puede puntualizarse en dos aspectos: a) el criterio o criterios de estratificación, y b) las metodologías para implementarlos espacialmente.

La estratificación mediante el establecimiento de áreas homogéneas se ha utilizado en otros campos bajo el nombre de áreas de respuestas homogéneas (ARH), cuya aplicación tiende a agilizar los tiempos de muestreo; por ejemplo, Cantu (1981) las usó para seleccionar áreas homogéneas de investigación en ocho centros del Instituto Nacional de Investigaciones Forestales, Agrícolas y Pecuarias (INIFAP), y Palacios et al. (2007) realizaron un diagnóstico técnico basado en ese concepto para el cambio tecnológico en el cultivo del maíz.

Respecto a los criterios de estratificación, el uso de técnicas geomáticas ha sido una alternativa práctica en la definición de áreas homogéneas. En concreto, se ha trabajado con información generada por sensores remotos (imágenes de satélite), a través del criterio de reflectancia espectral para la diferenciación de estratos. En el ámbito de la agricultura: García et al. (1999) recurrieron a las áreas de respuestas espectrales homogéneas (AREH) para la identificación del patrón espacial del cultivo de maíz; además, se ha empleado la tipología ecológica, que consiste en la sobreposición de mapas edafológicos y de vegetación, con el propósito de precisar áreas ecológicas similares (Vela y Boyas, 1984; Estrada y Ángeles, 2007).

Sin embargo, el empleo de las ARH en la evaluación de combustibles forestales es reciente. Uno de los primeros trabajos es el de Flores et al. (2008), quienes las incluyeron como apoyo para el diseño de muestreo y evaluación de la respuesta a incendios en distintos ecosistemas, de seis entidades del país. No obstante, en la actualidad se carece de estudios que evalúen las cargas de combustibles forestales, donde el diseño de muestreo se fundamente en el concepto de ARH, y en el que la implementación espacial de los criterios de estratificación para ubicarlas y dimensionarlas se realice con base en estrategias geomáticas. En consecuencia, el objetivo de la presente investigación fue desarrollar un proceso integral para generar cartografía temática sobre los diferentes tipos de combustibles forestales. El proyecto se llevó a cabo en la Reserva de la Biosfera Selva El Ocote (REBISO), la cual está conformada por paisajes complejos y diversos (Flamenco et al., 2007), y por uno de los macizos forestales tropicales más sobresalientes de Mesoamérica (PEOT CHIS, 2000).

 

MATERIALES Y MÉTODOS

La Reserva de la Bióosfera Selva El Ocote se localiza en los municipios Ocozocoautla, Cintalapa, Tecpatán y Jiquipilas, al oeste del estado de Chiapas, México (Figura 1). Sus coordenadas extremas son 16°45'42" y 17°09'00" latitud norte, 93°54'19" y 93°21'20" longitud oeste. Tiene una superficie aproximada de 101 288 ha y su máximo nivel altitudinal es de 1 500 m (Mullerried, 1957).

Hacer clic para agrandar

Criterios de estratificación. Bajo el concepto de áreas de respuestas homogéneas se siguió un diseño estratificado, en el que posteriormente se ubicaron los sitios de muestro por estrato en forma sistemática o aleatoria. Una de las principales ventajas de este proceso es que se puede definir en cuáles estratos se requiere un mayor número de sitios, de acuerdo al grado de homogeneidad o variabilidad de cada uno. El criterio de estratificación aplicado se basa en un modelo de elevación digital y en las coberturas de vegetación.

Modelo de elevación digital. Se utilizaron cuatro modelos digitales de elevaciones (E15c47, E15c48, E15c57, E15c58) con resolución espacial de 50 m (Figura 2) y se convirtieron a un formato GRID mediante el Sistema de Información Geográfica ArcView 3.1. Para establecer los intervalos altitudinales se tomaron en cuenta los trabajos de clasificación climática de Köppen modificados por García (2004), quien sostiene que la temperatura en la república mexicana presenta una reducción en promedio de 0.65°C por cada 100 m de altura. Se obtuvieron tres intervalos. 180 - 633, 634 - 1 086 y 1 087 - 1 540 con temperatura menor a 3°C en cada uno.

Hcer clic para agrandar 

Coberturas de vegetación. La información sobre tipos de vegetación ubicados en la Reserva de la Biosfera Selva El Ocote correspondieron a datos vectoriales provenientes del Inventario Nacional Forestal del año 2000. El criterio de estratificación fue cada tipo de vegetación existente (Figura 3). Los cuerpos de agua y los lugares con agricultura de temporal se excluyeron del análisis, ya que, en el primer caso, no existe material combustible y en el segundo, el material inflamable, es removido de manera constante por los campesinos.

Hacer clic para agrandar

 

Implementación espacial de criterios de estratificación

Las áreas de respuesta homogénea se definieron con la estrategia de álgebra de mapas en un Sistema de Información Geográfica (SIG). Por tanto, se integraron los distintos niveles de altitud dentro de cada tipo de vegetación seleccionado, para lo cual se establecieron los algoritmos:

( [vegetación] = 1.AsGrid) and ([alturas] = 1.AsGrid) (1)

( [vegetación] = 1.AsGrid) and ([alturas] = 2.AsGrid) (2)

( [vegetación] = 1.AsGrid) and ([alturas] = 3.AsGrid) (3)

( [vegetación] = 2.AsGrid) and ([alturas] = 1.AsGrid) (4)

( [vegetación] = 2.AsGrid) and ([alturas] = 2.AsGrid) (5)

( [vegetación] = 2.AsGrid) and ([alturas] = 3.AsGrid) (6)

.
.
.

( [vegetación] = n.AsGrid) and ([alturas] = n.AsGrid) (8)

El algoritmo 1 modela todos aquellos pixeles relacionados con la vegetación tipo (1), correspondiente a pastizal cultivado y que se encuentran en el intervalo altitudinal (1): entre 180 y 633 msnm. El algoritmo 2 busca los pixeles de vegetación tipo (1), pero en un intervalo altitudinal superior (2): entre 634 y 1 086 msnm. Finalmente, el algoritmo 3 localiza los pixeles de la vegetación tipo (1) en el intervalo altitudinal (3): 1 087 - 1 540 msnm. De la misma forma, se continuó con la vegetación tipo (2) e intervalo altitudinal (1) ecuación 4; vegetación (2) con el intervalo altitudinal (2) ecuación 5; vegetación (2) con el intervalo altitudinal (3) ecuación 6. El proceso se repitió para todos los tipos de vegetación (3, 4, 5, 6, 7, 8, 9, 10) y los intervalos altitudinales (1, 2, 3).

En algunos casos al correr el algoritmo no se obtuvieron valores, lo que se interpretó como una ausencia de pixeles con la condición buscada; en otros, el resultado registró información de pixeles con las características deseadas, lo cual se denominó área de respuesta homogénea (ARH). Una vez concluido el proceso se calcularon las superficies de dichas áreas (Figura 4).

Hacer clic agrandar 

En la Figura 5, los cuadros en blanco representan una combinación donde no se definió un ARH. Los cuerpos de agua no se consideraron debido a la ausencia de combustible, tampoco las áreas de agricultura de temporal con cultivos anuales, ya que en ellas existe remoción constante de combustible en forma de forraje.

Hacer clic para agrandar

 

RESULTADOS

El proceso se ilustra en un mapa temático, en el que se ubican una serie de polígonos correspondientes a las combinaciones de los criterios de tipo de vegetación y alturas. De esta manera, se representaron 19 áreas de respuestas homogéneas con características similares; por lo tanto, el muestreo efectuado en una o varias arrojará resultados que podrían extrapolarse a otras ARH parecidas que no fueron muestreadas, lo que significa una enorme ventaja respecto al muestreo tradicional.

La suma total de la superficie de los polígonos que componen el mapa resultante de las áreas de respuestas homogéneas fue de 85 182 ha (Figura 6). De ellas, la que mayor extensión ocupó fue la 8-2 que pertenece a selva alta y mediana perennifolia localizada entre 634 y 1 086 msnm, con una superficie igual a 38 808 ha (Cuadro 1). El área de respuesta homogénea con menor superficie correspondió a la 10-1, con 3 ha. Una vez conocida la ubicación y extensión de cada área de respuesta homogénea, el siguiente paso es la planeación del diseño de muestreo (intensidad y distribución de las muestras), el cual, con base en el concepto de ARH, se apoya en una distribución aleatoria dentro de las ARH (estratos) definidas. Dado que, en muchos casos, no es posible el muestreo en todas las zonas de una ARH (estrato), se propone seleccionar solo algunas. Para ello, se deben considerar los caminos, brechas y veredas que faciliten el acceso al sitio.

Hacer clic para agrandar

De 19 áreas de respuestas homogéneas se determinó que las 3-1, 3-2, 5-1, 7-2, 9-1, 10-1 están integradas por un solo polígono (Figura 7) y superficie diferente (Figura 6), y corresponden a selva alta y mediana subperennifolia con vegetación secundaria arbustiva y herbácea, y una altitud de 180 a 633 m; selva alta y mediana sub-perennifolia con vegetación secundaria arbustiva y herbácea, y una altitud de 634 a 1 086 m; pastizal inducido y una altitud de 180 a 633 m; bosque de encino y una altitud de 634 a 1 086 m; selva baja caducifolia y subcaducifolia y una altitud de 180 a 633 m; sabana y una altitud de 180 a 633 m, respectivamente.

 

Hacer clic para agrandar

 

DISCUSIÓN

La selección de sitios de muestreo para la estimación de los combustibles forestales generalmente se ha realizado mediante muestreos: a) probabilístico aleatorio simple (Flores et al., 2008); b) sistemáticos con sobreposición de mapas topográficos (Flores y Moreno, 2005; Root et al., 1986); y c) estratificados al azar y en rodales (Bautista et al., 2005). Métodos tradicionales que se distinguen por el gran número de muestras requeridas para representar la variabilidad de una zona de estudio (Guimarães, 1993). En consecuencia, la preocupación por desarrollar técnicas y estimadores más eficientes que permitan determinar las características de una zona o porción de la superficie terrestre han sido los objetivos de varios estudios, no solo en la ciencia del suelo, sino también en otras áreas del conocimiento (Wojciechowski et al., 2009).

La importancia de la metodología expuesta sobre la generación de mapas de áreas de respuesta homogénea radica en que reduce el trabajo de campo, pues los sitios de muestreo se reparten en cada ARH; por lo tanto los puntos son seleccionados de manera directa. Además, las ARH cumplen con una de las condiciones del muestreo en inventarios forestales: disminuir la varianza, contrario a lo que ocurre con el uso de un muestreo al azar, en el que la muestra se distribuye en forma aleatoria en toda la zona de estudio, lo que muy probablemente implica la obtención de una varianza muy alta. Por otro lado, se tiene la opción del muestreo por medio de estratos, en el cual se espera cierta homogeneidad que aminore la varianza. Para lograr la homogeneidad en las ARH se utilizan las variables con mayor injerencia: vegetación, altura y clima (Flores y Benavides, 2004); no obstante, es primordial estudiar los parámetros: pendiente, exposición, humedad, temperatura y suelo; toda vez que guardan una relación estrecha con la vegetación del lugar, así como con la acumulación y disposición de los combustibles forestales. De acuerdo a lo anterior, la definición de áreas de respuesta homogénea implica dos ventajas básicas:

1) Desde la perspectiva de la estadística tradicional, se disminuye la varianza, con ello se tiende a aumentar la precisión de los resultados. Esto se debe a la estrategia de estratificación, en la que se espera que las cargas de combustibles dentro de cada estrato estén distribuidas espacialmente en forma homogénea.

2) Desde la perspectiva de la estadística espacial, se tiene la gran ventaja de que se pueden extrapolar las estimaciones de cargas de combustibles entre ARH similares. Así, se ahorra una considerable cantidad de tiempo.

En resumen, estadísticamente se tiende a una mayor precisión, mientras que geoestadísticamente se ahorra trabajo y tiempo de muestreo.

La siguiente etapa del presente proyecto consistirá en la validación de los resultados a partir del muestreo de sitios localizados en el interior de la Reserva de la Biosfera Selva el Ocote y se extraerán muestras de los diferentes tipos de combustibles, de acuerdo a la metodología descrita por Brown (1974), a fin de construir mapas de combustibles forestales de 1, 10, 100 y 1 000 h, bajo la aplicación de métodos geoestadísticos de interpolación para determinar los datos de sitios no muestreados. Con ello se pretende definir la precisión de los mapas de ARH generados con la metodología descrita en este documento.

 

CONCLUSIONES

Los sistemas de información geográfica (SIG) constituyen una revolución tecnológica y metodológica para efectuar la adquisición, manejo y análisis de información geográfica; integran el eje que sustenta los sistemas de consulta y análisis empleados en aplicaciones forestales, y permiten el manejo de volúmenes de información cartográfica relevante para el proceso de toma de decisiones. Además, son una alternativa más precisa para realizar clasificaciones edafo-climáticas y fisiográficas, con la ventaja de que se pueden estimar los valores para cada píxel (imagen raster y matrices de valores); y permiten cuantificar superficies y sobreponer vectores; derivado de esto, los mapas resultantes tienen un carácter más objetivo. A partir de esas ventajas es posible la construcción de mapas de áreas de respuestas homogéneas en los cuales se agrupan pixeles similares para apoyar el muestreo orientado a la evaluación de los combustibles forestales.

Aunque el presente trabajo está encauzado, originalmente, a facilitar la selección de sitios de muestreo de combustibles forestales en la Reserva de la Biósfera Selva El Ocote, el concepto de ARH es aplicable en otros campos disciplinarios, pues a partir de él se comparten criterios básicos predeterminados a través de la combinación de variables incidentes en el problema estudiado, se generan mapas específicos, lo cual favorece el uso eficiente de los recursos económicos y materiales, y, con ello, la optimización del factor tiempo dedicado a la selección y muestreo de los sitios.

 

AGRADECIMIENTOS

A las autoridades de la Universidad de Ciencias y Artes de Chiapas (UNICACH), al Consejo de Ciencia y Tecnología del estado de Chiapas (COCyTECH) y al Consejo Nacional de Ciencia y Tecnología (CONACyT) por la beca otorgada para cubrir los gastos de campo; a la Comisión Nacional de Áreas Naturales Protegidas (CONANP) por las facilidades brindadas para el ingreso a la Reserva de la Biósfera Selva El Ocote; a todos los revisores por sus valiosos comentarios.

 

REFERENCIAS

Bautista, R. A., G. Treviño, C. Navar, C. Aguirre y S. Cantú. 2005. Caracterización de combustibles leñosos en el ejido pueblo nuevo, Durango. Revista Chapingo. Serie Ciencias Forestales y del Ambiente 11 (1):51-56.         [ Links ]

Brown, J. K. 1974. Handbook for inventorying downed woody material. USDA Forest Service. UT USA. pp. 1-24.         [ Links ]

Burgan, R. E., R. W. Klaver and J. M. Klaver. 1998. Fuel models and fire potential from satellite and surface observations. International Journal of Wildland Fire. 8 (3):159-170.         [ Links ]

Byram, G. M. 1963. An analysis of the drying process in forest fuel material. International Symposium of Humidity and Moisture. Washington, DC USA. 38 pp.         [ Links ]

Cantu, V. J. 1981. Estructura, objetivos, políticas y programas pecuarios actuales del INIFAP. Instituto Nacional de Investigaciones Forestales, Agrícolas y Pecuarias. SARH. México, D.F. México. 15p.         [ Links ]

Crist, E. P. and R. C. Cicone. 1984. Application of the tasseled cap concept to simulated Thematic Mapper data. Photogrammetric Engineering of Remote Sensing 50: 343-352.         [ Links ]

Estrada, C. y C. Ángeles. 2007. Evaluación de combustibles forestales en el Parque Nacional "El Chico", Hidalgo. Ecología y biodiversidad, claves de la prevención. Sevilla, España. http://www.fire.uni-freiburg.de/sevilla-2007/contributions/doc/cd/SESIONES_TEMATICAS/ST3 /Estrada_Angeles_SPAIN_Zaragoza.pdf. (26 de agosto 2009).         [ Links ]

Flamenco, S. A., R. M. Martínez and O. R. Masera. 2007. Assessing implications of land-use and land-cover change dynamics for conservation of a highly diverse tropical rain forest. Biological Conservation. 138: 131-145.         [ Links ]

Flores, J. G. 2001. Modeling the spatial variability of forest fuel arrays. Ph. D. Dissertation. Department of Forest Sciences, Colorado State University. Fort Collins CO, USA. 201 p.         [ Links ]

Flores G., J. G. y J. D. Benavides S. 2004. Avances de la Investigación en incendios forestales en México. Grupo Mundi-Prensa. México, D.F. México. 2: 11-25.         [ Links ]

Flores G., J. G. y D. A. Moreno G. 2005. Modelaje espacial de la influencia de combustibles sobre la regeneración natural de un bosque perturbado. Agrociencia. 3 (39):339-349.         [ Links ]

Flores G., J. G. 2007. Plan de protección contra incendios forestales en el estado de Chiapas, basado en la ubicación de áreas de mayor riesgo. Instituto Nacional de Investigaciones Forestales, Agrícolas y Pecuarias. Centro-Altos de Jalisco. Guadalajara, Jal. México. 224p.         [ Links ]

Flores G., J. G., A. A. Chávez D., C. Xelhuantzi J. y G. S. Villela A. 2008. Establecimiento de áreas de respuesta homogénea en el proyecto "Evaluación de la respuesta de diferentes ecosistemas forestales a los incendios forestales". Mesa Reforestación y Restauración de Suelos. II Coloquio Internacional de Medio Ambiente y Desarrollo. Instituto Politécnico Nacional. México D.F. México. 15 p.         [ Links ]

García C., J., G. Cisneros y E. Navarro. 1999. Alternativas a la determinación de las zonas espectrales homogéneas. In: VIII Congreso Nacional de Teledetección. Albacete, España. pp. 191-194.         [ Links ]

García, E. 2004. Modificaciones al sistema de clasificación climática de Köppen, para adaptarlo a las condiciones de la República Mexicana. Instituto de Geografía, Universidad Nacional Autónoma de México. México, D.F. México. 243 p.         [ Links ]

Guimarães, E. C. 1993. Variabilidade espacial da umidade e da densidade do solo em um latossolo-roxo. Faculdade de Engenharia Agrícola, Universidade Estadual de Campinas. Campinas, São Paulo. Brasil.160 p.         [ Links ]

Keane, R. E., R. Burgan and J. Van Wagtendonk. 2001. Mapping wildland fuels for fire management across multiple scales: Integrating remote sensing, GIS, and biophysical modeling. International Journal of Wildland Fire. 10: 301-319.         [ Links ]

Kourtz, P. H. 1997. An application of Landsat digital technology to forest fire fuel type mapping. 11th International Symposium on Remote Sensing of Environment. Ann Arbor. pp. 1111-1115.         [ Links ]

Lu, D. 2005. Aboveground biomass estimation using Landsat TM data in Brazilian amazon. International Journal of Remote Sensing. 26 (12):2509-2525.         [ Links ]

Matthew, G. R., E. K. Robert and A. P. Russel. 2004. Mapping fuels and fire regimes using remote sensing, ecosystem simulation, and gradient modeling. Ecological Applications. 14 (1):75-95.         [ Links ]

McRae, D. J., M. E. Alexander and B. J. Stocks. 1979. Measurement and description of fuels and fire behavior on prescribed burns: a handbook. Canadian Forestry Service, Department of the Environment. Sault Ste Marie, Ontario. Canada. 44 p.         [ Links ]

Miller, W. A., S. M. Howard and D. G. Moore. 1986. Use of AVHRR data in an information system for fire management in the Western United States. 20th International Symposium on Remote Sensing of Environment. Nairobi, Kenya. pp. 67-79.         [ Links ]

Mullerried, F. K. G. 1957. La geología de Chiapas, México, Gobierno Constitucional del Estado de Chiapas. [cd] Chiapas. México.180 p.         [ Links ]

Palacios C., V., M. Vázquez G, D. R. González E., E. Villareal F and K. F. Byerly M. 2007. Technical diagnosis for technology change in the corn Crop. TERRA Latinoamericana 25 (3):321-332.         [ Links ]

Programa Estatal de Ordenamiento Territorial Chiapas. (PEOT CHIS) 2000. Programa de ordenamiento territorial de Chiapas. Colegio de la Frontera Sur. Tuxtla Gutiérrez. Chis. México. 291 p.         [ Links ]

Rabii, H. A. 1979. An investigation of the utility of Landsat-2 MSS data to the fire-danger rating area,and forest fuel analysis within Crater Lake National Park. Oregon State University. Corvallis OR USA. 419 p.         [ Links ]

Riaño, D., E. Chuvieco, S. Condés, J. González-Matesanz and S. L. Ustin. 2004. Generation of crown bulk density for Pinus sylvestris L. from Lidar. Remote Sensing of Environment 92: 345-352.         [ Links ]

Root, R. R., S. C. F. Stitt, M. O. Nyquist, G. S. Waggoner and J. K. Agee. 1986. Vegetation and fire fuel models mapping of North Cascades National Park. ACSM-ASPRS Annual Convention. Washington, D.C. USA. pp. 75-85.         [ Links ]

Salas F., J. y E. Chuvieco. 1995. Aplicación de imágenes Landsat-TM a la cartografía de modelos combustibles. Revista de Teledetección. 5:18-28.         [ Links ]

Sales M., H., C. M. Souza, P. C. Kyriakidisb, D. A. Roberts and E. Vidal. 2007. Improving spatial distribution estimation of forest biomass with geostatistics. A case study for Rondonia, Brazil. Ecological Modelling 205 (1-2): 221-230.         [ Links ]

Sánchez C., J. y L. G. Zerecero. 1983. Método práctico para calcular la cantidad de combustibles leñosos y hojarasca. Nota Divulgativa No 9 CIFONOR – INIF. SFF. SARH. México, D.F. México.14 p.         [ Links ]

Secretaría del Medio Ambiente y Recursos Naturales (SEMARNAT). 2007. Programa de manejo integrado del fuego de la Reserva de la Biosfera Selva El Ocote. Chiapas, México. 43p.         [ Links ]

Vasconcelos M., J. P., J. C. U. Paul, S. Silava, J. M. C. Pereira, M. S Caetano, F. X. Catry and T. M. Oliveira. 1998. Regional fuel mapping using a knowledge based system approach. III International Conference on Forest Fire Research.14th Conference on Fire and Forest Meteorology. 2: 2111-2123.         [ Links ]

Vela G., L. y J. D. Boyás. 1984. La tipología ecológica como base de la planeación agropecuaria y forestal. SARH-INIFAP. Rev. Cienc. For. en Mex. 9 (47): 3-20.         [ Links ]

Villers R., L. 2006. Parámetros ambientales físico bióticos y modelos para estudiar el comportamiento del fuego. Mundi-Prensa. Comisión Nacional Forestal, México, D.F., México. pp 27-37.         [ Links ]

Wijaya, A., S. Kusnadi, R. Gloaguen and H. Heilmeier. 2010. Improved strategy for estimating stem volume and forest biomass using moderate resolution remote sensing data and GIS. Journal of Forestry Research. 21 (1):1-12.         [ Links ]

Wojciechowski, J. C., M. V. Schumaher, C. A. da F. Pires, P. R. de A. Madruga, R. de V. Kilca, E. J. Brun, C. R. S. da Silva, S. Vaccaro and N. M. R. Rondon. 2009. Geostatistics applied to the study of soil physiochemical characteristics in seasonal deciduous forest areas. Ciência Florestal. 19 (4):383-391.         [ Links ]