Modelación geoespacial del potencial natural de bosques templados en Pueblo Nuevo, Durango
Geospatial modeling of natural potential of temperate forest in Pueblo Nuevo, Durango
DOI:
https://doi.org/10.54167/tch.v7i1.670Palabras clave:
Landsat, potencial natural, clasificación, matriz de errorResumen
El manejo, su condición y el conocimiento del potencial actual de los bosques templados en México es fundamental para la evaluación de estos ecosistemas. El uso de tecnologías actuales tales como los sensores remotos asociados a Sistemas de Información Geográfica (SIG), son herramientas muy precisas en la evaluación del potencial natural de bosques templados. El objetivo fue determinar el potencial natural de bosques templados en la región del ejido de Pueblo Nuevo, Durango. Se utilizó un Modelo Digital de Elevación (MDE), cartografía de suelos y una escena de satélite. A través de técnicas geoespaciales se crearon los mapas base de pendientes y exposiciones; una vez obtenida la información, y con la utilización de operadores matemáticos, se generó el mapa que ubicó las áreas con las condiciones ambientales adecuadas para el óptimo desarrollo de la especie (potencial natural). Los potenciales altos ocuparon una superficie de 5,969.38 ha, lo que comprende un 23.64% del área de estudio, el potencial medio 16,221.93 ha, con un 64.26% y el potencial bajo 3,054.65 ha, con un 12.10% de la superficie. Para la clasificación de la imagen de satélite Landsat TM, los bosques de pino-encino (Bpq) son los que mayor superficie ocuparon, con un 58.32% seguidos de bosque de encino-pino (Bqp) con un 23.97%, y áreas de pastizales (Ap) con 15.60%; finalmente, las áreas sin vegetación aparente (Asa) representaron un 2.10% del total del área. La exactitud global de la clasificación derivada del método supervisado para los datos de Landsat TM5 fue de 0.99, con un coeficiente Kappa (Khat) de 0.99, lo que indica que la clasificación es 99% mejor que la esperada por el simple azar. Estos resultados demuestran que el relieve y el suelo son factores determinantes en la distribución del potencial natural de bosques templados.
Abstract
Management, status and knowledge of the current potential of temperate forests in Mexico is essential for the assessment of these ecosystems. The use of current technologies such as remote sensing associated with Geographic Information Systems (GIS) are very precise tools in assessing the natural potential of temperate forests. The objective was to determine the natural potential of temperate forests in the region of Ejido Pueblo Nuevo, Durango. It was used a Digital Elevation Model (DEM), soil maps and a satellite scene. Through techniques were generated base maps of the slopes and exhibits geospatial after obtaining the information, and with the use of mathematical operators, it was generated a map to locate areas with suitable environmental conditions for the optimal development of the species (natural potential). The high potential occupied an area of 5,969.38 ha, which comprises a 23.64% of the study area, the average potential 16,221.93 ha, with 64.26% and the low potential 3,054.65 ha with 12.10% of the surface. For the classification of Landsat TM satellite image, the pine-oak forest (Bpq) are the largest area occupied, with 58.32% followed by oak-pine forest (Bqp) with 23.97% and grassland areas (Ap) with 15.60%, finally, the apparent nonvegetated areas (Asa) with 2.10% of total area. The overall accuracy of the classi- fication derived from the supervised method for Landsat TM5 data was 0.99, with a coefficient Kappa (Khat) of 0.99, indicating that the classification is 99% better than expected by chance alone. These results demonstrate that the relief and soil are determining factors in the distribution of natural potential of temperate forests.
Keywords: Landsat, natural potential, classification, error matrix.
Descargas
Citas
Born, J.D. & C. Pearlberg. 1987. Forest inventory and LANDSAT MSS vegetation mapping for Arizona. Rocky Mountain Forest and Range Experiment Station.
Carleer. A. & E. Wolff. 2004. Exploitation of very highresolution satellite data for tree species identification. Photogrametric Engineering & Remote Sensing 70(6): 135-140. https://doi.org/10.14358/PERS.70.1.135
Chuvieco, E. 2002. Fundamentos de Teledetección Espacial. Edición RIALP.
Cohen, W. B., M. Fiorella, J. Gray, E. Helmer & K. Anderson. 1998. An efficient and accurate method for mapping forest clearcuts in the Pacific Northwest using Landsat imagery. Photogrammetric Engineering & Remote Sensing 64(4): 293- 300. https://www.wwu.edu/faculty/wallin/envr442/pdf_files/cohen_etal_1998_apr_293-300.pdf
Coulter, M.C. 1989. Wood Storks of the Birdsville Colony and Swamps of the Savannah River Plant. 1988 Annual Report. Savannah River Ecology Laboratory. https://www.osti.gov/servlets/purl/7267287
Forestry Economics and Policy Division. 2010. Evaluación de los recursos forestales mundiales 2010. Informe principal. FAO. ISBN 92530666544. https://www.fao.org/publications/card/en/c/a4606b30-24e7-506d-9a10-5815d9f2b18c/
Felicísimo, A.M., E. Francés, J.M. Fernández, A González-Díez & J. Varas. 2002. Modelling the potential distribution of forest with a GIS. Photogrammetric Engineering and Remote Sensing 68(5):455-461. https://tinyurl.com/5n7prwu2
Franklin, J. 1986. Thematic Mapper Analysis of coniferus forest structure and composition. International Journal of Remote Sensing 7(10):1287-1301. https://doi.org/10.1080/01431168608948931
Franklin, S. E., D. R. Connery & J. A. Williams. 1994. Classification of alpine vegetation using Landsat Thematic Mapper, SPOT HRV and DEM data. Canadian Journal of Remote Sensing 20: 49-56.
García, A. 1998. Pinaceas de Durango. Primera Edición. Instituto de Ecología. ISBN 9687863307, 9789687863306.
Hall, F.G., D.B. Botkin, D.E. Strebel, K.D. Woods & S.J. Goetz. 1991. Large Scale patterns of forest succesion as determined by remoting sensing. Ecology 72(2):628-640. https://doi.org/10.2307/2937203
Horler, D.N.H. & F.J. Ahern. 1986. Forestry information content of thematic mapper data. International Journal of Remote Sensing 7(3):405-428. https://doi.org/10.1080/01431168608954695
Karteris, M. A. 1985. Mapping of forest resources from a Landsat diazo colour composite. International Journal of Remote Sensing 6(12):1792-1811. https://doi.org/10.1080/01431168508948329
Kilpeläinen, P. & T. Tokola. 1999. Gain to be achieved from stand delineation in Landsat TM image based estimates of stands volume. Forestry Ecology and Management 124(2-3):105-111. https://doi.org/10.1016/S0378-1127(99)00059-6
Lebgue, T., M. Sosa, & R. Soto. 2005. La flora de las barrancas del cobre, Chihuahua, México. Ecología aplicada 4(1-2):17-23. http://www.scielo.org.pe/scielo.php?script=sci_arttext&pid=S1726-22162005000100003
Lunetta, R.S., R.G. Congalton, L.K. Fenstermaker, R.J. Jensen, K.C. McGwire & L.R. Tinney.1991. Remote sensing and geographic information system data integration: Error sources and research issues. Photogrammetric Engineering & Remote Sensing 57(6):677-687. https://www.asprs.org/wp-content/uploads/pers/1991journal/jun/1991_jun_677-687.pdf
Madrigal, S. & H. Ramirez. 2002. Comparación de nueve modelos empíricos para la determinación del índice de sitio en Michoacán. Ciencia Forestal. Revista de Ciencia Forestal Mexicana 20(78): 35-57. http://cienciasforestales.inifap.gob.mx/index.php/forestales/article/view/1008
Martínez, S.M., R. Armendáriz, R. Valdez & L.F. Beltrán. 2006. Clasificación de Potenciales Naturales en los Bosques Templados del Sur de Chihuahua. Folleto Técnico No. 35. INIFAP.
Muinonen, E., M. Maltamo, H. Hyppanen & V. Vainikainen. 2001. Forest stand characteristics estimation using a most similar neighbor approach and damage spatial structure information. Remote Sensing and Environment 78(3): 223-228. http://dx.doi.org/10.1016/S0034-4257(01)00220-6
Pax Lenney, M., C.E. Woodcock, S.A. Macomber, S. Gopal & C. Song. 2001. Forest mapping with a generalized classifier and Landsat TM data. Remote Sensing and Environment 77(3):241-250. https://doi.org/10.1016/S0034-4257(01)00208-5
Reese, H., M. Hilson, P. Sandström & H. Olsson. 2002. Application using estimates of forest parameters derived from satellite and forest inventory data. Computers and Electronics in Agriculture 37(1-3): 37-55. https://doi.org/10.1016/S0168-1699(02)00118-7
Rosenqvist, A., M. Imhoff, A. Milne & C. Dobson.1999. Workshop report on Remote Sensing and the Kyoto Protocol. A Review of Available and Future Technology for Monitoring Treaty Compliance. International Society for Photogrammetry and Remote Sensing (ISPRS). https://sedac.ciesin.columbia.edu/rs-treaties/Remote_Sensing_Kyoto.pdf
Salas, C., L. Ene, N. Ojeda & H. Soto. 2010. Métodos estadísticos paramétricos y no paramétricos para predecir variables de rodal basados en Lansat ETM+: una comparación en un bosque de Araucaria araucana en Chile. Bosque 31(3):179-194. http://dx.doi.org/10.4067/S0717-92002010000300002
Secretaría de Recursos Naturales y Medio Ambiente del Estado de Durango 2006. Programa Estratégico Forestal 2030 Durango. Secretaría de Recursos Naturales y Medio Ambiente del Estado de Durango. https://tinyurl.com/4s4r2uhb
Servicios Técnicos Forestales del Ejido Pueblo Nuevo. 2007. Programa de Manejo Forestal 2007-2016, Zona La Peña. Características Silvícolas-Dasométricas de la Unidades de Manejo Aprovechables. STFEPN.
Shefield, D. 1985. Analysis of thermal data in Landsat multispectral classification. Photogrametric Engineering of Remote Sensing 47:229-236.
Shresta, H.L. 2003. Comparative Evaluation of Multi-Spatial resolution data for Timber Volume Estimation. Himalayan Conservation Group. https://www.isprs.org/proceedings/XXXVI/1-W3/PDF/129-shrestha.pdf
Tomppo, E., M. Nilsson, M. Rosengren, P. Aalto & P. Kennedy. 2002. Simultaneous use of Landsat-TM and IRS-1C WiFS data inestimating large area stem volume and aboveground biomass. Remote Sensing and Environment 82(1):156 - 171. https://doi.org/10.1016/S0034-4257(02)00031-7
Tueller, P.T. 1989. Remote sensing technology for rangeland management applications. Journal of Range Management 42(6):442-453. https://doi.org/10.2307/3899227
Wulder, M.A., R.S. Skakun, W. A. Kurz & J.C. White. 2004. Estimating time since forest harvest using segmented Landsat ETM+imagery. Remote Sensing of Environment 93(1-2):179-187. https://doi.org/10.1016/j.rse.2004.07.009
Publicado
Cómo citar
-
Resumen189
-
PDF152
-
HTML29