Estimación de la densidad forestal mediante imágenes Landsat ETM+ en la región sur del Estado de México

Mireles, Miguel Acosta; Miranda, Ramiro Pérez; Sánchez, Martín Enrique Romero; Hernández, Antonio González; Angel, Luis

doi:10.29298/rmcf.v8i41.25

Cited by 5 publications

(12 citation statements)

References 7 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Estas diferencias en AB, VTA y B, se consideran debido al empleo de las nuevas ecuaciones desarrolladas para ciertas especies en el estado de Quintana Roo por el proyecto "Sistema biométrico para la planeación del forestal sustentable de los ecosistemas con potencial maderable de México" (Vargas-Larreta et al, 2017). Las correlaciones negativas entre la asociación de variables forestales con las reflectancias del sensor Landsat y los índices positivos de vegetación coinciden con lo obtenido por Torres-Vivar et al (2017) al realizar un inventario y mapeo de un bosque bajo manejo de pino con datos del sensor SPOT 6 y los obtenidos por Acosta et al (2017) al realizar la estimación de la densidad forestal mediante imágenes Landsat ETM+.…”

Section: Discussionunclassified

“…Mediante un análisis de Matriz de Correlación de Pearson, se estudiaron las correlaciones asociadas entre las variables forestales con las variables espectrales e índices de vegetación, siendo esta una medida estadística para evaluar si dos variables cuantitativas guardan una relación lineal. La información derivada de este análisis permitió seleccionar las variables espectrales e índice de vegetación de mayor grado de asociación con las variables forestales, como variables auxiliares para estimar el inventario total mediante los estimadores de razón (ERaz) y de regresión (EReg) (Acosta et al, 2017).…”

Section: Análisis Estadísticos De Las Variables De Campo Y De Imágenes Landsat Etm+unclassified

“…Donde: Y i = variable forestal de interés (B (Mg ha -1 ), VTA (m 3 ha -1 ) y (AB m 2 ha -1 )) X i bandas; A, V, R, IRC, IRM, NDVI β i coeficientes de regresión ε i vector de error aleatorio Con la finalidad de seleccionar y medir la capacidad predictiva de los modelos, se evaluaron tres indicadores de ajuste: i) mayor valor de coeficiente de determinación ajustado �R adj 2 �; ii) menor valor de la raíz del cuadrado medio de error (RMSE); y iii) valor de probabilidad de rechazo en la prueba de hipótesis de los parámetros menor al 0.05 de confiabilidad (Avitabile, Baccini, Friedl, y Schmullius, 2012;López-Serrano et al, 2015;Acosta et al, 2017). Los modelos más precisos de cada variable fueron utilizados para generar mapas que describen la distribución espacial de las variables forestales mediante la calculadora Raster del programa ArcMap 10.2 ® (Torres-Vivar et al, 2017).…”

Section: Ajuste De Modelos De Regresión Linealunclassified

“…Sin embargo, este tipo de inventario implica tiempo y costos elevados en la evaluación de las variables forestales (Hawbaker et al, 2010). Por tal razón, los métodos indirectos, como los que ofrecen los sensores remotos en combinación con los datos del inventario forestal adquieren mayor relevancia en la actualidad porque ofrecen información actualizada de la estructura del bosque a costo relativamente accesible (Acosta et al, 2017), con una optimización en tiempo, además ofrecen la ventaja de construir mapas cartográficos de la distribución espacial de cada variable forestal (Foody, Boyd y Cutler, 2003).…”

Section: Introductionunclassified

“…La existencia de sensores de resoluciones alta (SPOT 5 y 6, Quickbird, Ikonos, y otros), moderada (Landsat 5 TM, Landsat 7 ETM+ y Landsat 8 OLI) y baja (Aqua/Terra MODIS) permiten evaluar las variables forestales minimizando costos y tiempo (Hawbaker et al, 2010;Torres-Rojas, Romero-Sánchez, Velasco-Bautista y González-Hernández, 2016;Nelson et al, 2017), representan una opción para estimar las variables forestales de manera eficiente y confiable (Ortiz-Reyes et al, 2015;Acosta et al, 2017).…”

Section: Introductionunclassified

See 4 more Smart Citations

Inventario y mapeo de variables forestales mediante sensores remotos en el estado de Quintana Roo, México

Hernández-Ramos

García-Cuevas

Miranda

et al. 2020

MYB

View full text Add to dashboard Cite

Los sensores remotos en combinación con información derivada de los inventarios forestales estiman variables de interés con precisión y bajo costo. El objetivo de este trabajo fue estimar el área basal (AB), volumen maderable (VTA) y biomasa aérea (B) en diferentes ecosistemas de selvas mediante información Landsat ETM+ e Inventario Nacional Forestal y de Suelos (INFyS) en Quintana Roo, México. Se generó una matriz de correlación entre datos del INFyS e información espectral, posteriormente, un modelo de regresión lineal múltiple. Con las ecuaciones seleccionadas se generaron mapas de distribución espacial de AB (m2 ha-1), VTA (m3 ha-1) y B (Mg ha-1). El inventario total se estimó mediante tres enfoques: i) estimadores de razón (ERaz), ii) estimadores de regresión (EReg) y iii) estimadores del muestreo simple al azar. Los dos primeros enfoques corresponden al inventario alternativo mediante sensores remotos y el tercero al inventario tradicional. El coeficiente de correlación resultó mayor del índice de diferencia normalizada con 0.35, 0.39 y 0.39 para AB, VTA y B. Los modelos de regresión presentaron coeficientes de determinación ajustada de 0.28, 0.32 y 0.32 para estimar AB, VTA y B, respectivamente. Los tres estimadores son estadísticamente diferentes y muestran que el EReg es el más conservador y con precisión en AB, VTA y B de 2.73%, 2.92% y 2.71%, respectivamente, además de intervalos de confianza de menor amplitud que el MSA y ERaz. Con la actualización del inventario mediante sensores remotos se mejora el proceso de evaluación de los recursos forestales y su planificación.

show abstract

Section: Discussionunclassified

Section: Análisis Estadísticos De Las Variables De Campo Y De Imágenes Landsat Etm+unclassified

Section: Ajuste De Modelos De Regresión Linealunclassified

Section: Introductionunclassified

See 3 more Smart Citations

Inventario y mapeo de variables forestales mediante sensores remotos en el estado de Quintana Roo, México

Hernández-Ramos

García-Cuevas

Miranda

et al. 2020

MYB

View full text Add to dashboard Cite

show abstract

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

López-Serrano

Vega-Nieva

Aldaba

et al. 2021

RMCF

View full text Add to dashboard Cite

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.

show abstract

Estimación de volumen forestal mediante imágenes de satélite Landsat 8 OLI en bosques templados mixtos

García-Ramírez

Domínguez-Calleros

Corral-Rivas

et al. 2020

IyCUAA

View full text Add to dashboard Cite

El objetivo fue estimar el volumen forestal (m3 ha-1) mediante información obtenida del Sistema de Planeación Forestal (SiPlaFor) y datos espectrales de imágenes de satélite del sensor Landsat 8 OLI en el Ejido La Victoria Pueblo Nuevo, Durango, México. Se utilizó la técnica no paramétrica Random Forest para la estimación del volumen forestal. Los resultados mostraron que empleando un modelo con 400 árboles de decisión, la raíz cuadrada del cuadrado medio del error (RMSE) se mantiene estable. La variable predictiva de mayor importancia fue el Índice de Vegetación de Área Foliar Especifica (SLAVI), con una RMSE de 12.99%. El modelo de Random Forest presentó un coeficiente de determinación (R2) de 0.84 y un valor de RMSE de 28.8 m3 ha-1. La información espectral de un sensor de media resolución en combinación con datos de campo es una alternativa viable para estimar volumen forestal en bosques templados mixtos.

show abstract

Estimación de la densidad forestal mediante imágenes Landsat ETM+ en la región sur del Estado de México

Cited by 5 publications

References 7 publications

Inventario y mapeo de variables forestales mediante sensores remotos en el estado de Quintana Roo, México

Inventario y mapeo de variables forestales mediante sensores remotos en el estado de Quintana Roo, México

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

Estimación de volumen forestal mediante imágenes de satélite Landsat 8 OLI en bosques templados mixtos

Contact Info

Product

Resources

About