Enfoque espacial para modelación de carbono en el mantillo de bosques bajo manejo forestal maderable

Abstract

El piso forestal o mantillo es el almacén de carbono que regula la mayoría de los procesos funcionales de los ecosistemas forestales, influyendo directamente en la fertilidad del suelo y en la productividad del sitio. El contenido de carbono en el piso forestal es altamente variable en espacio y tiempo; por ello, obtener evaluaciones precisas del carbono contenido en este almacén representa un desafío metodológico importante a cualquier escala. En este estudio, se compararon cuatro métodos de modelación espacial para mapear el contenido de carbono en el piso forestal de un bosque templado. Los métodos fueron kriging ordinario, modelo lineal generalizado, modelo aditivo generalizado y random forest. Las estimaciones del contenido de carbono fueron realizadas para 2013 y 2018. Las variables predictoras representan la estructura espacial, del dosel y topográfica presente en el área de estudio. Todos los modelos fueron evaluados mediante validación cruzada y se determinó el error medio absoluto, el error cuadrático medio y el coeficiente de determinación. El desempeño de los métodos fue, en orden decreciente: random forest, modelo aditivo generalizado, modelo lineal generalizado y kriging ordinario. El método kriging ordinario reflejó el grado de dependencia espacial del contenido de carbono, pero las estimaciones espaciales fueron poco realistas (R2 ≤ 0.35). El modelo aditivo generalizado y el modelo lineal generalizado mostraron buen desempeño (R2 ≥ 0.70), pero mayor sobreestimación; random forest obtuvo el mejor ajuste (R2 ≥ 0.86) para modelar contenido de carbono en ambos años evaluados. Se concluye que random forest es un método prometedor, con gran potencial para mejorar las estimaciones de carbono en el mantillo a escala de paisaje.

Modelado espacial y temporal de contaminantes atmosféricos en la Zona Metropolitana de la Ciudad de México

“…La modelación espacial se clasifica de acuerdo con las técnicas estadísticas siguientes: a) interpolación espacial, b) regresión espacial y c) Machine Learning (Chen et al, 2019;Pérez et al, 2021). En este estudio, se comparó el desempeño predictivo de cuatro métodos: 1) interpolación espacial (Kriging Universal) y 2) Machine Learning considerando algoritmos supervisados (Neural Network, Supported Vector Machine y Random Forest, por sus nombres en inglés) (Castro et al, 2017;Pedrero et al, 2021).…”

“…Estas métricas permiten la identificación del mejor modelo que se ajusta a los datos; los valores bajos de RMSE indican un mejor ajuste, R 2 indica la bondad o la aptitud del modelo y el MAE es un puntaje lineal y significa que las diferencias individuales se ponderarán por igual en el promedio (Beguin et al, 2017;Pérez et al, 2021).…”

Modelos de descomposición del mantillo en ecosistemas templados del Noreste de México

“…Con base en el método de bolsas de descomposición propuesto por Bocock y Gilbert (1957), se evaluó durante un periodo de un año en condiciones de intemperie el proceso de descomposición del mantillo en tres ecosistemas templados. El mantillo corresponde a todo aquel material que se forma una vez que la hojarasca cae al suelo formando un estrato orgánico (Pérez-Vázquez et al, 2021); se manejó en los tres ecosistemas de manera uniforme, para ello se colocaron 10 g de peso seco de una mezcla uniforme de los componentes de la hojarasca (hojas, ramas, corteza, estructuras reproductivas y otros componentes misceláneos), la cual fue recolectada en cada uno de los ecosistemas un mes antes de iniciar el experimento con la finalidad de que fuera material fresco y se colocó en bolsas de papel, posteriormente, se secó a 65 °C. La recolecta se realizó de manera aleatoria en cada sitio (López-Hernández et al, 2018).…”