Es importante analizar la dinámica entre coberturas de uso de suelo para comprender las relaciones existentes en las superficies donde se presentan los cambios. También, en ocasiones, las modificaciones de cobertura son ocasionados por actividades humanas, como los incendios utilizados en actividades agrícolas. El objetivo de este trabajo fue analizar espaciotemporalmente si existe una relación significativa entre las superficies agrícolas, pecuarias (pastizales) y forestales con la incidencia de puntos de calor, en San Luis Potosí, México. Varios autores han utilizado la percepción remota y los SIG para modelar coberturas de uso de suelo, y han aplicado diversos algoritmos con este propósito. Para estimar las superficies (forestal, agrícola y pecuaria) se aplicó una clasificación supervisada a escenas Landsat 5 TM y Landsat 8 OLI. Además, se integraron dichas superficies en modelos no lineales: polinomio (2° orden), exponenciales y potenciales, así como multivariados para estimar puntos de calor; lo que resultó en un aumento sustancial en los coeficientes de determinación en los segundos modelos. En cuanto a los resultados, es posible predecir la ocurrencia de puntos de calor de una variedad de áreas bajo la agricultura, la ganadería y la silvicultura. En este caso, la superficie forestal fue la variable más significativa, seguida de la superficie ganadera. Se concluye que existe una relación entre la presencia de puntos de calor con tierras agrícolas en el área de estudio y se puede predecir la ocurrencia de puntos de calor basados en variaciones de las tierras agrícolas, pecuarias y forestales.

Abstract. Typical testors are useful for both feature selection and feature relevance determination in supervised classification problems. However, reported algorithms that address the problem of finding the set of all typical testors have exponential complexity. In this paper, we propose to adapt an evolutionary method, the Hill-Climbing algorithm, with an acceleration operator in mutation process, to address this problem in polinomial time. Experimental results with the method proposed are presented and compared, in efficiency, with other methods, namely, Genetic Algorithms (GA) and Univariate Marginal Distribution Algorithm (UMDA).

No abstract

En el estado de Chiapas, Pinus oocarpa se distribuye ampliamente a lo largo de la Sierra Madre de Chiapas, específicamente, en las subprovincias de la Depresión Central, la Altiplanicie Central y las Montañas de Oriente. En el presente trabajo, se analizó la distribución espacial de esta especie a través del análisis de la densidad Kernel, para lo cual se empleó información generada por el Inventario Nacional Forestal y de Suelos. La comparación entre los diferentes mapas con la distribución de P. oocarpa se realizó mediante la definición de una matriz de confusión para cada uno de ellos, las cuales se basaron en una clasificación binaria. La exactitud de los datos obtenidos se determinó con el coeficiente Kappa. De acuerdo con la distribución definida por la estimación de la densidad Kernel, se confirma que P. oocarpa se ubica, básicamente, a lo largo de la Sierra Madre de Chiapas y la Altiplanicie Central, lo que coincide, en general, con la mayoría de las ilustraciones de su distribución geográfica. La metodología propuesta se puede emplear en otras regiones donde se cuente con información de inventarios forestales (nacionales, estatales, regionales, de manejo, etcétera), solo hay que limitar la definición de la distribución del taxon de interés al área que cubre el diseño de muestreo.

Mediante la estimación de la biomasa forestal es posible determinar la cantidad de recursos forestales existentes en un determinado territorio, sin embargo, este es un proceso costoso y que consume gran cantidad de tiempo. Por ello, el objetivo del presente estudio fue modelar la biomasa arbórea aérea de un ecosistema forestal ubicado en la región centro sur del estado de San Luis Potosí. Para definir este proceso se compararon métodos determinísticos (distancia inversa ponderada) y estocásticos (kriging y cokriging), con los que se determinó la biomasa forestal con base en datos de campo y espectrales. Los datos de campo correspondieron a 50 conglomerados del Inventario Nacional Forestal y de Suelos, a partir de los cuales se calculó la biomasa mediante el empleo de ecuaciones alométricas. Los datos espectrales (NDVI tradicional -bandas roja e infrarroja del espectro electromagnético) se derivaron de una imagen Landsat 5TM del año 2009. Con los resultados del cálculo de la biomasa y del NDVI, se probaron semivariogramas y variogramas cruzados con los modelos esférico, exponencial y gausiano para analizar el que resultara en el mejor ajuste. Posteriormente, se seleccionó el modelo exponencial derivado de la técnica cokriging, con base en el cual se obtuvo un valor de la raíz cuadrada del error cuadrático medio de 32.01 Mg ha-1. Finalmente, con base en el modelo seleccionado, se generó un mapa de la distribución de la biomasa aérea, en el cual se presentan resultados que van de 0.85 Mg ha-1 a 157 Mg ha-1.