evaluaciÓn de modelos geoestadÍsticos aplicados...
TRANSCRIPT
EVALUACIÓN DE MODELOS GEOESTADÍSTICOS APLICADOS A VARIABLES
DE DENSIDAD DEL RODAL PARA LA PLANEACIÓN DE OPERACIONES DE
ENTRESACA EN PLANTACIONES DE MELINA (Gmelina arborea) A PARTIR
DE DATOS DE INVENTARIO EN EL MUNICIPIO DE ZAMBRANO (BOLÍVAR,
COLOMBIA)
MARÍA NATALIA ARIAS SÁNCHEZ
UNIVERSIDAD DISTRITAL FRANCISCO JOSÉ DE CALDAS
CENTRO DE INFORMACIÓN Y DESARROLLO EN INFORMACIÓN
GEOGRÁFICA (CIAF)
INSTITUTO GEOGRÁFICO AGUSTÍN CODAZZI (IGAC)
ESPECIALIZACIÓN EN SISTEMAS DE INFORMACIÓN GEOGRÁFICA
CONVENIO IGAC – CIAF
BOGOTÁ DC
2018
EVALUACIÓN DE MODELOS GEOESTADÍSTICOS APLICADOS A VARIABLES
DE DENSIDAD DEL RODAL PARA LA PLANEACIÓN DE OPERACIONES DE
ENTRESACA EN PLANTACIONES DE MELINA (Gmelina arborea) A PARTIR
DE DATOS DE INVENTARIO EN EL MUNICIPIO DE ZAMBRANO (BOLÍVAR,
COLOMBIA)
Proyecto de grado presentado como requisito para optar al título de
Especialista en Sistemas de Información Geográfica
DIRECTORA
Victoria Daniela Camacho Ochoa
UNIVERSIDAD DISTRITAL FRANCISCO JOSÉ DE CALDAS
CENTRO DE INFORMACIÓN Y DESARROLLO EN INFORMACIÓN
GEOGRÁFICA (CIAF)
INSTITUTO GEOGRÁFICO AGUSTÍN CODAZZI (IGAC)
ESPECIALIZACIÓN EN SISTEMAS DE INFORMACIÓN GEOGRÁFICA
CONVENIO IGAC – CIAF
BOGOTÁ DC
2018
TABLA DE CONTENIDO
GLOSARIO ............................................................................................................. 6
RESUMEN .............................................................................................................. 8
INTRODUCCIÓN .................................................................................................... 9
2. PLANTEAMIENTO DEL PROBLEMA ........................................................... 11
3. JUSTIFICACIÓN DEL PROBLEMA .............................................................. 12
4. OBJETIVOS ................................................................................................... 13
4.1. Objetivo general ......................................................................................... 13
4.2. Objetivos específicos .................................................................................. 13
5. MARCO TEÓRICO ........................................................................................ 14
5.1. Funciones de correlación espacial ............................................................. 15
5.2. Kriging ........................................................................................................ 18
5.3. Aplicaciones de la geoestadística en el manejo silvicultural ....................... 18
6. METODOLOGÍA ............................................................................................ 20
6.1. Caracterización del área de estudio ........................................................... 20
6.2. Caracterización de la base de datos .......................................................... 21
6.3. Técnicas de análisis ................................................................................... 26
6.3.1. Análisis exploratorio de los datos ............................................................ 27
6.3.2. Análisis estructural .................................................................................. 29
6.3.3. Validación cruzada .................................................................................. 30
6.3.4. Zonificación y cuantificación de áreas ..................................................... 31
7. RESULTADOS .............................................................................................. 34
7.1. Análisis exploratorio de los datos ............................................................... 34
7.2. Análisis estructural...................................................................................... 36
7.3. Validación cruzada ..................................................................................... 36
7.4. Superficies generadas a partir del Kriging .................................................. 37
7.5. Cuantificación de zonas por rodal .............................................................. 37
7.6. Generación de cartografía .......................................................................... 40
8. ANÁLISIS DE RESULTADOS ....................................................................... 42
9. CONCLUSIONES .......................................................................................... 47
10. BIBLIOGRAFÍA .......................................................................................... 48
11. ANEXOS .................................................................................................... 51
LISTA DE ILUSTRACIONES
Ilustración 1. Principales elementos del semivariograma (Tomado de Mejía, 2006)
....................................................................................................................... 17
Ilustración 2. Ubicación municipal y departamental del proyecto Monterrey ........ 20
Ilustración 3. Plantaciones de Ceiba roja (Izq.) y Melina (Der) ............................. 21
Ilustración 4. Ubicación de las parcelas y rodales que conforman la base de datos
....................................................................................................................... 22
Ilustración 5. Distribución de grupos para el análisis de los datos ....................... 24
Ilustración 6. Diagrama de flujo metodológico ...................................................... 26
Ilustración 7. Ejemplo de Histograma (Izq.) y diagrama de densidad (Der) para la
variable IDR del grupo de datos 4. ................................................................. 27
Ilustración 8. Ejemplo de transformación de los datos del grupo 6 de la variable N,
mediante la aplicación de una transformación Box-cox con parámetro 2.9 ... 28
Ilustración 9. Ejemplo análisis de tendencia visual para la variable IDR del grupo de
datos 6. Tendencia eje YZ (Izq.) y tendencia eje ZX (Der)............................ 29
Ilustración 10. Ejemplo de semivariograma obtenido en la aplicación del
Geostatistical wizard de ArcGIS, para la variable IDR del grupo de datos 6 con
un modelo lineal. ............................................................................................ 30
Ilustración 11. Modelo conceptual de transformación y obtención de áreas ........ 31
Ilustración 12. Modelo conceptual de la combinación de las variables N e IDR ... 33
Ilustración 13. Ejemplo de superficie generada mediante Kriging ordinario para las
variables N (Der) e IDR (Izq.) del grupo de datos 1. ...................................... 37
Ilustración 14. Ejemplo de reclasificación ráster (Izq.) y transformación a formato
vector (Der) para la variable IDR en el rodal Palma de vino 03 ..................... 38
Ilustración 15. Ejemplo de reclasificación ráster (Izq.) y transformación a formato
vector (Der) para la variable N en el rodal Palma de vino 03 ......................... 39
Ilustración 16. Ejemplo de reclasificación ráster (Izq.) y transformación a formato
vector (Der) para la combinación de variables IDR y N en el rodal Palma de vino
03 ................................................................................................................... 40
Ilustración 17. Ejemplo de comparación visual de las áreas obtenidas en la
interpolación de la variable IDR para el año 2013, con imagen satelital (SPOT,
enero 2017) .................................................................................................... 43
Ilustración 18. Ejemplo de comparación visual de las áreas obtenidas en la
interpolación de la variable N para el año 2014, con imagen satelital Google
earth PRO ...................................................................................................... 45
Ilustración 19. Ejemplo de comparación visual de las áreas obtenidas en la
combinación del krigado IDR y N para el año 2015, con imagen satelital Google
earth PRO ...................................................................................................... 46
LISTA DE TABLAS
Tabla 1. Distribución de parcelas entre años de siembra y rodales ..................... 22
Tabla 2. Distribución de los 14 grupos conformados para el análisis ................... 23
Tabla 3. Clases para la zonificación de la variable IDR ....................................... 32
Tabla 4. Clases para la zonificación de la variable N ........................................... 32
Tabla 5. Clases para la zonificación de las variables ponderadas N e IDR ......... 33
Tabla 6. Resultados del Análisis exploratorio de los 28 grupos de datos (N e IDR
por separado) ................................................................................................. 34
Tabla 7. Modelo seleccionado para cada grupo y variable, de acuerdo con los
resultados de la validación cruzada ............................................................... 36
Tabla 8. Áreas en hectáreas para cada año de la variable de IDR ...................... 38
Tabla 9. Áreas en hectáreas para cada año de la variable de N .......................... 39
Tabla 10. Áreas en hectáreas para cada año de la combinación de las variables
IDR y N........................................................................................................... 40
LISTA DE GRÁFICAS
Gráfica 1. Comparación de clasificación de variables estudiadas y coberturas
actuales para plantaciones con siembra 2013 ............................................... 43
Gráfica 2. Comparación de clasificación de variables estudiadas y coberturas
actuales para plantaciones con siembra 2014 ............................................... 44
Gráfica 3. Comparación de clasificación de variables estudiadas y coberturas
actuales para plantaciones con siembra 2015 ............................................... 45
LISTA DE ANEXOS
Anexo 1. Modelo diseñado en el Model builder del software ArcGIS 10.5. para la
extracción y cuantificación de la zonificación obtenida en el proceso de Kriging
....................................................................................................................... 51
Anexo 2. Parámetros y valores evaluados en la Validación cruzada para los 14
grupos ............................................................................................................ 52
Anexo 3. Año, clases y áreas obtenidas para cada rodal en el krigado de la variable
IDR ................................................................................................................. 56
Anexo 4. Año, clases y áreas obtenidas para cada rodal en el krigado de la variable
N .................................................................................................................... 57
Anexo 5. Año, clases y áreas obtenidas para cada rodal en el krigado de la
combinación de las variables IDR y N ............................................................ 59
Anexo 6. Esquema de mapa generado a partir de la zonificación obtenida mediante
el krigado, como insumo base para las operaciones de ingenieros y contratistas
en campo ....................................................................................................... 61
6
GLOSARIO
Anisotropía: Un material es anisótropo cuando sus propiedades dependen de la
orientación según la cual se hace la medición de ellas.
Asimetría: Deformación horizontal de las distribuciones de frecuencia.
Análisis exploratorio de datos: Proceso para examinar los datos previamente a la
aplicación de cualquier técnica estadística. De esta forma se consigue un
entendimiento básico de sus datos y de las relaciones existentes entre las variables
analizadas.
Autocorrelación espacial: Dado un conjunto de entidades y un atributo asociado,
evalúa si el patrón expresado está agrupado, disperso o es aleatorio.
Correlación: La correlación indica la fuerza y la dirección de una relación lineal y
proporcionalidad entre dos variables estadísticas.
Densidad: La densidad de un rodal está asociado a la ocupación del espacio
disponible para crecer, en relación con la cantidad de árboles, su tamaño y la
distribución espacial que éstos tengan.
Distribución espacial: Localización, comprensión y explicación de determinados
elementos sobre el espacio.
Estadística espacial: Comprende las técnicas formales que estudian las entidades
que utilizan sus propiedades topológicas, geométricas o geográficas.
Error cuadrático medio: Estimador que mide el promedio de los errores al
cuadrado, es decir, la diferencia entre el estimador y lo que se estima
Geoestadística: Rama de la Geografía matemática que se centra en los conjuntos
de datos de la superficie terrestre, conocidos también como datos espaciales o
espaciotemporales. La Geoestadística puede considerarse como una disciplina que
se ocupa del análisis estadístico de variables espacialmente distribuidas.
Interpolación: La interpolación se puede definir como un procedimiento que
permite calcular el valor de una variable en una posición del espacio (punto no
7
muestral, con un valor estimado) conociendo los valores de esa variable en otras
posiciones del espacio (puntos muestrales con valores reales).
Isotrópico: Es decir, cuando una propiedad tiene el mismo valor independiente de
la dirección según la cual se hace la medida.
Kriging: Conjunto de métodos que generan superficies que incorporan las
propiedades estadísticas de los datos muestrales y que proporcionan una medida
de error de estas.
Normalidad: En geoestadística son aquellas distribuciones comunes que presentan
histogramas en forma de campana y más o menos simétricos con respecto a la
media.
Probabilidad: Método por el cual se obtiene la frecuencia de un acontecimiento
determinado mediante la realización de un experimento aleatorio, del que se
conocen todos los resultados posibles, bajo condiciones suficientemente estables.
Raleo (Aclareo o entresaca): El raleo forestal consiste en reducir gradualmente el
número de árboles en la plantación para concentrar el crecimiento en los mejores
individuos. Mediante el raleo, se redistribuye el espacio de forma regular entre cada
vez menos árboles, de acuerdo con cierto criterio de selección basado en el método
del raleo.
Rodal: Es la unidad forestal básica que comprende un cultivo más o menos
homogéneo en términos de edad, composición de especies y condición1.
Tendencia: Es un patrón de comportamiento de los elementos de un entorno
particular durante un período.
Validación cruzada: Técnica utilizada para evaluar los resultados de un análisis
estadístico y garantizar que son independientes de la partición entre datos de
entrenamiento y prueba.
1 Forestry Comission. 1991. Forestry practice.
8
RESUMEN
Se modela el comportamiento de las variables IDR (Índice de Densidad del Rodal) y N
(Densidad expresada en árboles por hectárea) para 14 grupos, a partir de los datos
registrados en 560 parcelas de muestreo provenientes de los inventarios forestales
desarrollados en plantaciones de Melina durante el 2017 y 2018, utilizando geoestadística
aplicada por medio del método Kriging ordinario, por su cualidad de representar fenómenos
cuyos valores varían en función de la localización espacial de puntos de muestreo. El
procedimiento se lleva a cabo en tres etapas: (1) Análisis exploratorio de los datos, para
determinar si es necesario o no la transformación de los datos y la existencia de tendencia
en los mismos. (2) Análisis estructural para el cálculo del semivariograma experimental y
el ajuste a 5 modelos seleccionados. (3) Predicciones para la obtención del Mapa de
zonificación. Los resultados obtenidos han permitido crear superficies de valores estimados
para las variables IDR, N y su combinación, que entre sus principales características
muestran como la mayoría de las plantaciones presentan una densidad apropiada para la
intervención de operaciones de entresaca, pero que a pesar de ello, no se cumple con el
IDR requerido de mínimo 270.
Palabras clave: Kriging, Melina, Índice de Densidad del Rodal, Entresaca.
ABSTRACT
The behavior of the variables SDI (Stand Density Index) and N (Density expressed in trees
per hectare) for 14 groups is modeled, based on the data recorded in 560 sampling plots
from forest inventories executed in Melina plantations during 2017 and 2018, using
geostatistics by ordinary Kriging method, for its quality of representing phenomena whose
values vary according to the spatial location of sampling points. The procedure is executed
in three stages: (1) Exploratory analysis of the data, to determine if data transformation is
necessary or not, and if presents trend. (2) Structural analysis for the calculation of the
experimental semivariogram and the adjustment to 5 selected models. (3) Predictions for
obtaining the “zoning” map. The results obtained have allowed to create surfaces of
estimated values for the variables SDI, N and their combination, which their main
characteristics show how most of the plantations have an appropriate density for the
intervention of thinning operations, but the required SDI of at least 270, it is not the required.
Key words: Kriging, Melina, Stand Density Index, Thinning.
9
INTRODUCCIÓN
El manejo de la densidad de un rodal es una de las actividades silviculturales que
se desarrolla sobre las masas forestales para ejercer control sobre la estructura de
la plantación, la productividad, el tamaño de los árboles y el tiempo transcurrido
hasta la cosecha final; en función de la especie, los objetivos de producción y la
calidad del sitio. Para su evaluación, se han desarrollado diversos métodos, entre
los más conocidos se pueden mencionar el área basal, el índice de espaciamiento
relativo, el índice de densidad del rodal y el factor de competición de copas, sin
embargo, el uso del Índice de Densidad del Rodal (IDR), ha sido considerado como
una de las herramientas más útiles para traducir objetivos de manejo dentro de un
programa de aclareos (Arias, 2004).
En este contexto, y a partir de la búsqueda de métodos para el manejo eficaz de
esta actividad surge la silvicultura de precisión, que representa un modelo de
gestión fundamentada en la recolección y análisis de datos geoespaciales y en el
conocimiento de la variabilidad espacial y temporal de la producción y productividad
de los bosques, buscando evaluar y modelar la estructura espacial de determinadas
variables, con el fin de elaborar mapas que ayuden en la identificación de los
factores que limitan la productividad de los asentamientos forestales (Ortiz, 2003).
Con base en lo anterior, resulta oportuna la aplicación de la geoestadística, cuya
ciencia es una rama de la estadística que trata fenómenos espaciales mediante la
estimación, predicción y simulación de estos, ofreciendo una manera de describir la
continuidad espacial a través de su aplicación sobre un conjunto de puntos con sus
atributos, y buscando la comprensión de su distribución y comportamiento espacial
(Boada, 2002). Esta ciencia está fundamentada en el estudio de una función
espacial numérica que varía de un lugar a otro con continuidad y cuyos valores se
relacionan con la posición que ocupan (Faraco et al., 2008), lo que permite la
estimación de una determinada variable en lugares no muestreados y la aplicación
en mapeamientos, planificaciones de muestreo y modelado (Gomes et al., 2007).
Aunque gran parte de su uso y desarrollo se ha aplicado en las ciencias de la tierra,
las técnicas geoestadísticas se aplican cada vez más donde se requieren
herramientas espaciales para comprender las características de un fenómeno. De
esta manera, y dado el interés de saber dónde se producen diversos recursos
naturales y la incertidumbre de esas estimaciones, la silvicultura y el análisis de los
10
recursos de vegetación terrestre es un área que requiere cada vez mayor aplicación
de estas técnicas (Riemann et al., 2005).
Sobre la base de las consideraciones anteriores, el presente estudio está dirigido a
la evaluación de técnicas geoestadísticas mediante el software ArcGIS 10.5. para
las variables N (Densidad expresada en arb/ha) e IDR (Índice de Densidad del
rodal), provenientes del inventario realizado en rodales de Melina (Gmelina
arborea). Esto, con el objeto de encontrar el modelo que mejor se ajusta a los datos
recolectados en campo y ejecutar los procesos de interpolación necesarios, para
finalmente mediante la transformación de las superficies resultantes hacia un
formato vector, zonificar a través de un producto cartográfico las áreas de cada rodal
que requieren intervenciones de entresaca. Lo anterior, orientado a mejorar la
planeación, reducción de costos de operación e impactos ambientales en el manejo
de plantaciones forestales de Melina en la Costa Caribe de Colombia.
11
2. PLANTEAMIENTO DEL PROBLEMA
Las técnicas estadísticas convencionales son generalmente inadecuadas para
describir espacialmente datos correlacionados, porque algunos de los atributos
tienen propiedades espaciales que no pueden ser analizadas a través de la
estadística tradicional que solo tiene en cuenta los aspectos no espaciales (Akhavan
et al., 2010).
El análisis y procesamiento de los inventarios forestales se realizan comúnmente
mediante procedimientos clásicos de estadística, que asumen que las variaciones
espaciales de una determinada característica son aleatorias, es decir,
independientes. Estas técnicas no consideran las posibles relaciones que pueden
existir entre las unidades de muestra, por lo que se hace necesario la inclusión de
las herramientas que brinda la Geoestadística, con el fin de tener en cuenta la
dependencia espacial y mejorar la calidad de las estimaciones sin que haya
aumento en los costes del inventario (Mello et al., 2005).
Ante la situación planteada, usualmente se busca que, a partir de las estimaciones
estadísticas mencionadas, se genere la estratificación o zonificación de los bosques
plantados. Sin embargo, la base de información como la edad, especie,
espaciamiento, régimen de manejo, entre otros, no tiene en cuenta la distribución
espacial de los diferentes puntos de muestreo realizados, por lo que no es posible
zonificar los lotes o unidades de manejo de forma eficiente (Reis et al., 2016).
En este orden de ideas, uno de los procesos forestales que requiere mayor
aplicación de zonificación y ejecución selectiva es la entresaca, dado que su
desarrollo es importante para mejorar el valor económico de los árboles en pie,
controlar las condiciones del dosel y por lo tanto las condiciones de luz dentro de un
bosque (Hirata et al., 2009), con el fin de favorecer el objetivo principal de
producción que es la obtención de madera valiosa.
12
3. JUSTIFICACIÓN DEL PROBLEMA
Los métodos estadísticos clásicos a menudo son débiles para la estimación de
áreas pequeñas dentro de los inventarios globales, por lo que se hace necesario un
conocimiento preciso de las estructuras espaciales para informar las directrices
silvícolas y las decisiones de gestión para la sostenibilidad a largo plazo de los
bosques, con el fin de estimar la cantidad de variación debido a la dependencia
espacial a diferentes escalas y generar el mapeo de los recursos forestales
(Akhavan et al., 2010).
Asimismo, el conocimiento de la variabilidad espacial y temporal de los factores que
afectan la producción y la productividad de los asentamientos forestales permite
realizar intervenciones precisas para obtener el máximo de rendimiento (Brandelero
et al., 2007), por lo que la Geoestadística mediante la aplicación de métodos como
el Kriging, puede ser una alternativa para la zonificación de masas forestales con
respecto a una variable de interés (Alvarenga et al., 2012).
De esta manera, a través del presente trabajo se estudiará cómo la metodología
geoestadística, que tiene su fundamento en la Teoría de las Variables
Regionalizadas, se adapta bien al estudio de las variables del inventario forestal,
resolviendo problemas de índole práctica que surgen en la gestión de estos recursos
naturales, por medio de los métodos de estimación y simulación espaciales (Olmo,
2005).
Al final de la evaluación de los modelos sobre las variables de interés, se espera la
obtención de mapas georreferenciados útiles para los ingenieros y contratistas
forestales, quiénes a través de la zonificación generada podrán tomar decisiones
sobre el ingreso (Vías y otras reformas), tiempos y costos de las operaciones de
entresaca en cada rodal, teniendo en cuenta las áreas que mayor ganancia
representan en términos de costo/beneficio.
13
4. OBJETIVOS
4.1. Objetivo general
Analizar el comportamiento de las variables de densidad del rodal para plantaciones
de Melina (Gmelina arborea) establecidas entre los años 2013 a 2015 en el
municipio de Zambrano (Bolívar) – compañía Forestal Monterrey Colombia SAS,
con el fin de obtener un insumo base para la zonificación y aplicación de
operaciones de entresaca.
4.2. Objetivos específicos
• Comparar los métodos de interpolación espacial de Kriging ordinario en el
software ArcGIS 10.5.
• Determinar el modelo estadístico que mejor se ajusta al comportamiento de las
variables a ser analizadas.
• Realizar la zonificación a nivel de rodal, de aquellas áreas que cumplen con los
requisitos para la intervención de operaciones de entresaca.
14
5. MARCO TEÓRICO
La geoestadística es entendida como el estudio de las variables numéricas
distribuidas en el espacio cuyo estimador es el kriging, término creado por G.
Matheron en 1962, que tiene como objetivo encontrar el mejor estimador lineal
insesgado. El uso de la geoestadística se ha generalizado en los últimos años
convirtiéndose en una herramienta útil para explicar la variación de propiedades en
el espacio, donde se conoce el rango de influencia de la propiedad, se estima su
valor en sitios donde no existe información y, por último, permite calcular el error de
la estimación efectuada (González et al, 2007).
Desde que Matheron (1970) formula su Teoría de Variables Regionalizadas en
1970, los métodos geoestadísticos han tenido una progresiva y amplia aceptación
en un amplio espectro del ámbito científico, como metodología capaz de dar una
respuesta adecuada a problemas “prácticos” relacionados con la estimación o
simulación de variables espaciales. Esta teoría se fundamenta en la interpretación
de las variables experimentales como variables regionalizadas, es decir como
variables caracterizadas por una distribución espacial y una estructura de
variabilidad espacial (o de correlación espacial) (Olmo, 2005).
El análisis espacial de datos experimentales constituye un tema importante en
cualquier proyecto relacionado con el estudio del medioambiente. Con gran
frecuencia, este análisis persigue el objetivo de crear información temática
cartográfica, a modo de mapas que representen de la forma más fiable posible la
distribución de la variable experimental en el área de estudio. Además, es muy
posible que dicha información sea posteriormente integrada con otras informaciones
incluidas en la base de datos SIG (Olmo, 2005).
Los interpoladores espaciales pueden dividirse en dos grupos: determinísticos y
estadísticos.
Métodos determinísticos
No se le asigna ningún comportamiento aleatorio o estocástico a la variable de
interés y las predicciones obtenidas dependen del grado de similitud o
suavizamiento entre los puntos (Torres, 2017). El interpolador determinista más
utilizado es el Inverso de la Distancia Ponderada (IDW), que, para la predicción de
lugares no muestreados, utiliza informaciones de puntos muestreados que
15
circundan el lugar de la predicción, es decir, los puntos muestreados vecinos
(Guedes et al., 2012).
Métodos estadísticos
Emplean las propiedades estadísticas de los datos para predecir, se conocen como
la familia de los Kriging, encontrándose el ordinario, simple, universal, probabilístico,
indicador, disyuntivo, entre otros (Torres, 2017). El “krigado” es un interpolador
estadístico que estima valores en puntos no muestreados a partir de informaciones
de los puntos muestreados, considerando la estructura de dependencia espacial de
la característica en estudio (Guedes et al., 2012).
Las técnicas de estimación geoestadística como los Krigeados son los mejores
estimadores lineales recomendados dado que minimizan la estimación en la varianza
del error, pero presentan fuerte dependencia en el número de datos, la posición espacial
y no reproducen la correlación espacial (Torres, 2017).
Cuando el objetivo es hacer predicción, la geoestadística opera básicamente en dos
etapas. La primera es el análisis estructural, en la cual se describe la correlación
entre puntos en el espacio. En la segunda fase se hace predicción en sitios de la
región no muestreados por medio de la técnica Kriging. Este es un proceso que
calcula un promedio ponderado de las observaciones muestrales. Los pesos
asignados a los valores muestrales son apropiadamente determinados por la
estructura espacial de correlación establecida en la primera etapa y por la
configuración de muestreo (Giraldo, 2002).
5.1. Funciones de correlación espacial
La primera etapa en el desarrollo de un análisis geoestadístico es la determinación
de la dependencia espacial entre los datos medidos de una variable. Esta fase es
también conocida como análisis estructural. Para llevarla a cabo, con base en la
información muestral, se usa principalmente la función de semivariograma.
Semivariograma
El semivariograma (también denominado variograma por simplicidad), es un modelo
estadístico de dependencia espacial estructural, es la herramienta más común en
geoestadística para caracterizar la continuidad espacial (Akhavan et al., 2010). El
16
variograma indica el grado de similitud entre los valores de una variable cuando las
muestras están en incrementos de distancia secuenciales llamados distancias de
retardo, alejadas unas de otras y en una dirección específica. La función de
semivarianza se estima así a partir de cada distancia de retardo y dirección
mediante la siguiente fórmula (Webster y Oliver citados por Akhavan et al., 2010):
Ecuación 1. Ecuación del Semivariograma
𝛾(ℎ) =1
2𝑁(ℎ)∑[𝑧(𝑥𝑖) − 𝑧(𝑥𝑖 + ℎ)]2𝑁(ℎ)
𝑖=1
Donde γ(h) es el estimador de semivarianza para N pares de datos, separados por
un vector de retraso particular de ℎ. 𝑧(𝑥𝑖) y 𝑧(𝑥𝑖 + ℎ), que corresponden a los valores
de la variable regionalizada x en las ubicaciones de i e i+h.
Para interpretar el semivariograma experimental se parte del criterio de que a menor
distancia entre los sitios mayor similitud o correlación espacial entre las
observaciones. Por ello, en presencia de autocorrelación se espera que para valores
de h pequeños el semivariograma experimental tenga magnitudes menores a las
que este toma cuando las distancias h se incrementan (Giraldo, 2002).
Modelos teóricos de Semivarianza
Existen diversos modelos teóricos de semivarianza que pueden ajustarse al
semivariograma experimental. Los no acotados (lineal, logarítmico, potencial) y los
acotados (esférico, exponencial, gaussiano), teniendo ambos tres parámetros
comunes descritos por Giraldo (2002):
Efecto pepita (Nugget): Se denota por C0 y representa una discontinuidad puntual
del semivariograma en el origen. Puede ser debido a errores de medición en la
variable o a la escala de esta. En algunas ocasiones puede ser indicativo de que
parte de la estructura espacial se concentra a distancias inferiores a las observadas.
Meseta (Sill): Es la cota superior del semivariograma. También puede definirse
como el límite del semivariograma cuando la distancia h tiende a infinito. La meseta
puede ser o no finita. Los semivariogramas que tienen meseta finita cumplen con la
hipótesis de estacionariedad fuerte; mientras que cuando ocurre lo contrario, el
semivariograma define un fenómeno natural que cumple sólo con la hipótesis
17
intrínseca. La meseta se denota por C1 o por (C0 + C1) cuando la pepita es diferente
de cero. Si se interpreta la pepita como un error en las mediciones, esto explica
porque se sugiere que en un modelo que explique bien la realidad, la pepita no
debe representar más del 50% de la meseta. Si el ruido espacial en las mediciones
explica en mayor proporción la variabilidad que la correlación del fenómeno, las
predicciones que se obtengan pueden ser muy imprecisas.
Rango (Range): En términos prácticos corresponde a la distancia a partir de la cual
dos observaciones son independientes. El rango se interpreta como la zona de
influencia. Existen algunos modelos de semivariograma en los que no existe una
distancia finita para la cual dos observaciones sean independientes. Por ello, se
llama rango efectivo a la distancia para la cual el semivariograma alcanza el 95%
de la meseta. Entre más pequeño sea el rango, más cerca se está del modelo de
independencia espacial.
Ilustración 1. Principales elementos del semivariograma (Tomado de Mejía, 2006)
Cuando la autocorrelación no es igual en todas las direcciones entonces se dice
que hay anisotropía. Ésta puede ser geométrica o zonal. La primera se presenta
cuando los semivariogramas calculados en varias direcciones tienen igual meseta
pero varían en el rango. En el segundo caso todos los semivariogramas
direccionales tiene igual rango pero diferente meseta (Giraldo, 2002).
18
5.2. Kriging
La palabra kriging (expresión anglosajona) procede del nombre del geólogo
sudafricano D. G. Krige, cuyos trabajos en la predicción de reservas de oro,
realizados en la década del cincuenta, suelen considerarse como pioneros en los
métodos de interpolación espacial. Kriging encierra un conjunto de métodos de
predicción espacial que se fundamentan en la minimización del error cuadrático
medio de predicción (Giraldo, 2002).
Kriging ordinario
El kriging ordinario es el más general y más utilizado de los métodos kriging y es el
predeterminado. Presupone que el valor medio constante es desconocido. El kriging
ordinario se usa cuando la variable es estacionaria con covarianza conocida y media
desconocida. Aunque el proceso es similar al del Kriging simple, no se puede centrar
la variable, ya que no se conoce µ, así que es necesario trabajar directamente con
la variable en estudio Z (Bohórquez, 2012).
5.3. Aplicaciones de la geoestadística en el manejo silvicultural
El proceso de inventario forestal continuo es el método de muestreado utilizado por
las empresas para supervisar el crecimiento del bosque. Sin embargo, el uso de
métodos de inventario forestal solo puede garantizar una buena precisión en las
estimaciones si el bosque es homogéneo para la variable de interés. Cuándo hay
variabilidad, el error de muestreo se puede reducir a través de la estratificación, es
decir, dividiendo el rodal en subáreas más homogéneas con respecto a la variable
de interés (Raimundo et al., 2016)
De esta manera, la geoestadística mediante la aplicación de kriging ordinario puede
ser una alternativa para la estratificación de rodales forestales con respecto a la
variable de interés (Alvarenga et al. 2012), aplicando técnicas de interpolación sobre
ésta y permitiendo que el rodal se divida en estratos de crecimiento y/o
productividad (Akhavan et al. 2010).
El conocimiento exacto de las estructuras espaciales es necesario para informar
directrices y tomar decisiones sobre la gestión silvícola, buscando obtener la
sostenibilidad en el largo plazo para el manejo de los bosques. En este sentido,
estimar la variación debido a la dependencia espacial ha proporcionado una base
19
para el diseño de experimentos, dónde la geoestadística se ha utilizado para
optimizar el diseño de muestreo. Así mismo la estimación y mapeo de recursos
forestales basado en el muestreo a escala forestal, ha permitido la producción de
mapas con datos georreferenciados de área basal, densidad o volumen en pie, a
escalas donde estas variables generalmente muestran autocorrelación espacial
(Akhavan et al., 2010).
Los métodos geoestadísticos, basados en la teoría de variables regionalizadas y
variogramas que cuantifican la autocorrelación espacial, se pueden utilizar para
representar por ejemplo la variabilidad espacial del índice de sitio forestal (IS). El
índice de sitio se usa a menudo para evaluar directamente la calidad de los bosques
en un sitio específico, sin embargo, es imposible e innecesario determinar un índice
de sitio en el campo para cada “subcompartimento” en un área grande. De esta
manera, para reducir el trabajo de campo, el diseño de muestreo está enfocado a la
recolección de un conjunto de datos, para usarlos posteriormente en ubicaciones y
predicciones de áreas no observadas mediante la combinación de SIG y métodos
de interpolación como Kriging (Tang, 2009).
Varios estudios en el ámbito forestal han utilizado la geoestadística mediante la
aplicación de diversas técnicas, buscando información adicional para la
caracterización espacial del bosque (Singh et al., 2014). En el 2009, Palmer et al.
utilizó el método de Kriging ordinario aplicado para predecir el volumen medio, el
incremento anual y altura máxima media para Pinus radiata, mientras que Viana et
al. (2012) realizó un estudio para la estimación de biomasa en la copa en rodales
de Pinus pinaster. El Kriging ordinario, entre otras técnicas, ha sido aplicado no
solo para delinear rodales forestales sino también para estudiar el stock de carbono
en la capa orgánica de los suelos del bosque boreal (Muukkonen et al. 2008).
20
6. METODOLOGÍA
6.1. Caracterización del área de estudio
La reforestadora Forestal Monterrey Colombia SAS desarrolla sus principales
actividades en la hacienda Monterrey ubicada en los municipios de Zambrano y
Córdoba (Bolívar), a 9°39’ de latitud Norte y 74°54’ de longitud Oeste. Las
principales especies forestales sembradas son Melina (Gmelina arborea) y Ceiba
roja (Pachira quinata) (Ver Ilustración 3), con un área de establecimiento
aproximado de 2.922,9 ha y 3.583,3 ha, respectivamente. La temperatura es
relativamente uniforme durante el año, con una media promedio anual de 27,5 °C,
mientras los registros de precipitación de los últimos 38 años muestran un promedio
acumulado anual de 970 mm, presentando una estructura climática monomodal con
las mayores lluvias ocurriendo entre junio y septiembre, y las menores entre
noviembre y febrero. La zona corresponde a bosque seco tropical, según la
clasificación de Holdridge.
Ilustración 2. Ubicación municipal y departamental del proyecto Monterrey
21
Ilustración 3. Plantaciones de Ceiba roja (Izq.) y Melina (Der)
6.2. Caracterización de la base de datos
Los datos utilizados en este estudio fueron obtenidos de inventarios realizados entre
los años 2017 y 2018, mediante un muestreo sistemático alineado dónde se utilizó
una cuadrícula fija para asignar parcelas en un patrón regular, con un área de 500
m2 y una intensidad de muestreo aproximada del 3.1%.
En todas las parcelas fue ejecutada la medición del DAP (Diámetro a la altura del
pecho) a 1.37 m del suelo de todos los árboles, altura total del 50% de los árboles,
altura comercial del 50% de los árboles, rectitud del árbol (3: recto, 2: eje sinuoso,
1: totalmente sinuoso), tipo de daño en el árbol (M: mecánico, I: insecto, B: ápice
quebrado, C: daño químico, A: daño animal, D: enfermo, FT: copa ramificada, T:
daño por viento, X: otro) y severidad del daño en el árbol (1: mínimo, 2: moderado,
3: severo, 4: letal, para ápice dañado o truncado por el viento tomar altura 0.1 m.).
En total fueron muestreadas 560 parcelas en rodales sembrados con la especie
Melina (Gmelina arborea) a una distancia de siembra de 3.1 m x 3.5 m, en un área
de 640.8 ha para el año 2013, 284.7 ha para el año 2014 y 170.5 ha para el año
2015, ubicadas en el proyecto Monterrey de la compañía Forestal Monterrey
Colombia SAS en el municipio de Zambrano (Bolívar, Colombia).
22
Ilustración 4. Ubicación de las parcelas y rodales que conforman la base de datos
Tabla 1. Distribución de parcelas entre años de siembra y rodales
Año Rodal Área (ha) #
2013
Andaluz 10 C91 26.36 13
Andaluz 12A C53 36.06 18
Andaluz 12A C60 21.61 11
Carreto 11 20.13 10
Casa Nueva 01 C129 46.03 22
Garciana 03 C60 27.81 14
Garciana 03 C61 22.38 11
Malicia 11 C53 59.51 28
Malicia 8A C79 19.93 10
Malicia 8B C91 57.76 29
Palma de vino 03 39.37 19
Portobello 01A C112 9.52 5
Portobello 03A C129 49.39 25
Portobello 05A C129 28.80 15
Portobello 05A C53 45.16 23
Portobello 05A C79 5.94 5
San Jose 02A C129 5.55 4
San Jose 03A C15 20.44 10
San Jose 15A C54 19.87 10
Tacaloa 01A C79 19.58 9
Tacaloa 02A C129 18.89 9
Toloda 02 C53 15.35 7
Toloda 03 C53 25.33 12
2014
Bongal 01 C91 39.43 10
Casa Nueva 02 C53 14.89 19
Casa Nueva 07 C53 38.78 18
Petate 06 C53 36.51 8
23
Petate 07 C66 14.24 17
Sierra 02 C66 4.68 10
Sierra 03A C66 24.40 5
Socorro 04A C78 42.76 8
Socorro 06B C78 12.21 3
Socorro 06C C78 11.70 7
Tacaloa 01 C51 5.10 14
Taruya 03 C112 10.21 21
Totumito 04 C91 29.48 20
2015
Carreto 5.61 25
Deseos 01 41.03 8
Reja 7.18 24
Sierra 05 12.39 15
Sierra 14A 48.18 5
Sierra 16 56.11 4
Calidad y distribución de la información
La elección de las parcelas de inventario se hizo teniendo en cuenta tres factores:
que hicieran parte de los inventarios más recientes (correspondientes a los años
2017 y 2018), que pertenecieran a rodales establecidos con la especie Melina
(Gmelina arborea), y que a su vez, éstos estuvieran dentro del programa de manejo
silvicultural de primera o segunda entresaca/raleo/aclareo.
En el marco de las anteriores observaciones, y dada la dispersión de las parcelas y
rodales, se tomó la decisión de conformar grupos que tuvieran la suficiente cercanía
para, en lo posible, garantizar la existencia de correlación espacial. Es así, que se
realizó la conformación de 14 grupos con sus respectivos rodales y parcelas de
muestreo, sobre los cuáles se realizaron las pruebas que en el siguiente apartado
serán expuestas.
Tabla 2. Distribución de los 14 grupos conformados para el análisis
Grupo # rodales Área (ha) Parcelas
1 7 164.56 108
2 2 40.68 19
3 1 29.48 20
4 3 145.33 17
5 2 46.55 43
6 4 109.91 80
7 2 50.20 25
8 3 43.56 32
9 3 41.46 30
10 4 106.10 28
11 3 110.26 53
24
12 2 77.69 39
13 3 84.03 42
14 3 45.86 24
Ilustración 5. Distribución de grupos para el análisis de los datos
Variables de estudio
El objetivo básico del muestreo en un primer inventario forestal es determinar si una
plantación requiere o no de un raleo o aclareo y con qué intensidad debe ejecutarse
según los objetivos de la plantación. De esta manera, la información básica
requerida será el diámetro promedio de la plantación y el número de árboles por
hectárea, con lo que se obtiene el IDR (Índice de Densidad del Rodal).
25
IDR (índice de Densidad del Rodal)
El IDR es una medida de densidad relativa, calculada con base en las medidas de
densidad absoluta, número de árboles por unidad de área y diámetro del árbol
promedio. Su cálculo matemático surge a partir de la relación logarítmica existente
entre el número de árboles y el diámetro para bosques es un estado de densidad
máxima (Vélez, 1994).
El IDR se expresa en número de árboles por unidad de área de un tamaño dado
(diámetro de referencia) equivalentes al número y tamaño de los árboles existentes
en el bosque bajo análisis, siendo calculado para cada parcela mediante la siguiente
ecuación:
Ecuación 2. Ecuación para el cálculo del IDR
𝐼𝐷𝑅 = 𝑁 ∗ (𝑑𝑔
25)−𝑏
Donde N es el número de árboles por hectárea, dg es el diámetro cuadrático
promedio de la plantación y “b” es una constante definida con un valor de 1,61 por
Reineke (1933).
El IDR de manejo en el caso de las plantaciones de Melina en la compañía Forestal
Monterrey Colombia SAS, depende del objetivo de producción que se haya
propuesto. Para plantaciones de melina cuyo objetivo es la producción de madera
de aserrado, los estudios de crecimiento con las PPC (Parcelas permanentes de
crecimiento) de Monterrey recomendaron inicialmente un IDR de 320, que luego de
diversas simulaciones se ajustó a un valor para la costa atlántica seca de 2702.
N (Número de árboles por hectárea)
A fin de obtener el máximo rendimiento de las plantaciones y la máxima calidad del
producto al final del turno, se realizan dos entresacas a los rodales Melina. Cuando
los rodales tienen entre 3 a 5 años, se realiza la primera entresaca y cuando
cumplen de 6 a 8 años, se realiza la segunda entresaca. Esta práctica se realiza
de acuerdo con el grado de desarrollo de la plantación y con base en el índice de
ocupación del rodal -IDR-. Cada entresaca tiene una intensidad entre el 30% y 40%
2 M. Rodríguez, comunicación personal, 11 de octubre de 2018
26
de la población remanente, con lo cual se espera obtener 650 árboles por hectárea
al final de la primera entresaca, y 400 árboles por hectárea al final de la segunda
entresaca y antes de finalizar el turno.
6.3. Técnicas de análisis
A continuación, se presenta el diagrama de trabajo a desarrollar, donde se plantea
el uso de métodos probabilísticos (Krigeados), mediante el procesamiento de datos
a partir del software ArcGIS 10.5.
Ilustración 6. Diagrama de flujo metodológico
Como hipótesis de partida se asume que las variables experimentales forestales,
p.e. área basal, volumen del tronco, índice de área foliar, IDR, etc., son variables
regionalizadas; es decir, son variables que tienen una distribución espacial y que
presentan una estructura de variabilidad, o de correlación, caracterizada por la
función variograma; características que, sin lugar a duda, posee cualquiera de las
variables del inventario forestal mencionadas.
27
6.3.1. Análisis exploratorio de los datos
El análisis exploratorio de datos espaciales es la parte inicial del análisis de datos
que permitirá describir la información y evaluar de manera previa algunos supuestos
estadísticos para aplicar la teoría geoestadística. Dentro de estos análisis se
encuentran la identificación de valores extremos, forma de la distribución y el cálculo
de medidas de localización, variabilidad y correlación (Giraldo, 2002).
Histograma y diagrama de densidad
El propósito del histograma y diagrama de densidad es inspeccionar de manera
visual si los datos de las variables IDR y N siguen una distribución normal, así como
la obtención de los parámetros de conteo, mínimo, máximo, media, desviación
estándar, asimetría, curtosis y mediana. Lo anterior a través del software R
mediante su extensión RCommander.
Ilustración 7. Ejemplo de Histograma (Izq.) y diagrama de densidad (Der) para la variable
IDR del grupo de datos 4.
Test de normalidad
Un segundo examen para validar la normalidad en la distribución de los datos fue
efectuada a través de la prueba de Shapiro-Wilk, trabajada con un nivel de
significancia de ρ = 5% (0.05) mediante el software R y los siguientes supuestos:
28
Ho: los datos provienen de una distribución normal si ρ > 0.05
H1: los datos no provienen de una distribución normal si ρ < 0.05
Cuando se cumple el supuesto de normalidad la variable es simétrica, pero para ser
simétrica no tiene que ser necesariamente normal. De no cumplirse el supuesto de
simetría estadística se transforma y en caso extremo (no recomendable) se
remueven atípicos espaciales.
Para la transformación de los grupos de datos que no presentaron una distribución
normal, se efectuó una inspección visual de transformación mediante la herramienta
Histogram del paquete Geostatistical Analyst/Explore Data del software ArcGIS
10.5, con el fin de conocer el tipo de transformación y parámetros necesarios para
su inclusión en el modelado posterior.
Ilustración 8. Ejemplo de transformación de los datos del grupo 6 de la variable N,
mediante la aplicación de una transformación Box-cox con parámetro 2.9
Interpretación visual del Análisis de tendencia
La finalidad de este análisis es descubrir la tendencia global que siguen los datos,
es decir, si los datos pueden ser ajustados por funciones de primer (lineal, no tiene
máximo ni mínimo), segundo (cuadrática, un máximo o un mínimo) o tercer grado
(cúbica, dos máximos y un mínimo), para que luego en el posterior análisis
estructural se le indique a la herramienta que sea removida. En términos
representativos es un gráfico de dispersión visto en tres dimensiones, en donde los
Dataset 10
Frequency 10
0.05 0.23 0.41 0.59 0.76 0.94 1.12 1.3 1.47 1.65 1.830
0.36
0.72
1.08
1.44
1.8
CountMinMaxMeanStd. Dev.
: 80 : 5263200 : 1.8304e8 : 8.2407e7 : 4.1346e7
SkewnessKurtosis1-st QuartileMedian3-rd Quartile
: -0.013385 : 2.5513 : 5.4136e7 : 8.4077e7 : 1.116e8
HistogramTransformation: Box-Cox, Parameter: 2.9
Dataset : 6 Attribute: N
29
datos se proyectan en dos direcciones: N-S sobre un plano Y,Z y la dirección E-W
sobre un plano X,Y, el cual se obtiene mediante la herramienta Trend analysis del
paquete Geostatistical Analyst/Explore Data del software ArcGIS 10.5.
Ilustración 9. Ejemplo análisis de tendencia visual para la variable IDR del grupo de datos
6. Tendencia eje YZ (Izq.) y tendencia eje ZX (Der).
Cuando no existe tendencia, el método de interpolación puede ser Kriging Simple
cuando la media es conocida, o Kriging Ordinario cuando la media es desconocida.
6.3.2. Análisis estructural
Posterior al análisis exploratorio de los datos, se continua con el análisis estructural
para validar los modelos de dependencia espacial, es decir se construyen los
semivariogramas, y haciendo uso del método de validación cruzada se selecciona
el modelo de dependencia espacial con menor error, obteniendo así el mapa de
interpolación.
De esta manera a través de la herramienta Geostatistical Wizard disponible en el
paquete Geostatistical Analyst de ArcGIS 10.5., se busca realizar un modelo
geoestadístico con los datos mediante la aplicación del método Ordinary Kriging →
Prediction Map. El kriging ordinario se basa en el modelo Z(s) = μ + ε(s), donde μ
es una constante desconocida. Se utiliza para datos que no tienen tendencia y cuya
media es desconocida. El kriging ordinario usa semivariogramas o covarianzas (que
son formas matemáticas de expresar la autocorrelación). También permite
transformaciones de los datos, eliminación de tendencias y proporciona medidas de
error (Cañada, 2006).
XX
YY
ZZ
Trend Analysis
Dataset : 6 Attribute: IDR
XX
YY
ZZ
Trend Analysis
Dataset : 6 Attribute: IDR
30
Para el modelado del semivariograma empírico se encuentran disponibles los
modelos Cuartico (Quartic), Polinomial (Polynomial 5), Exponential (Exponencial),
Gaussiano (Gaussian), y Lineal (Constant). El modelo seleccionado influye en la
predicción de los valores desconocidos, particularmente cuando la forma de la curva
cerca del origen difiere significativamente. Cuanto más empinada la curva cerca del
origen, más influencia a los vecinos más cercanos tendrán en la predicción.
Ilustración 10. Ejemplo de semivariograma obtenido en la aplicación del Geostatistical
wizard de ArcGIS, para la variable IDR del grupo de datos 6 con un modelo lineal.
Normalmente se usan tres parámetros para describir y modelar el comportamiento
de los variogramas: rango, meseta y pepita (nugget). El rango es la distancia donde
desaparece la correlación espacial y el variograma se nivela. La altura del
variograma después de nivelar se conoce como meseta (sill). La intersección del
variograma en el eje de ordenadas es el efecto pepita que representa el componente
aleatorio de la estructura espacial. Un variograma puede ser isotrópico
(omnidireccional) cuando la dependencia espacial es una función de la distancia
entre las muestras solamente, y anisotrópico (direccional) cuando la dependencia
espacial también es una función de la dirección (Akhavan, 2010).
6.3.3. Validación cruzada
Cuando se predicen valores en lugares no muestrales, se dispone de la herramienta
Cross Validation (Validación Cruzada) en el mismo panel abierto en el Geostatistical
wizard de ArcGIS 10.5., para comprobar la validez del modelo que se está
31
utilizando. El modelo por seleccionar será aquel que mejor reproduzca los datos
conocidos, por lo tanto cumplirá con las siguientes condiciones:
• Root-Mean-Square -RMS- (Raíz cuadrada del error medio): cuanto más
pequeño sea, mejor serán las predicciones.
• Average Standard Error -ASE- (Error estándar promedio): pequeño, próximo
a RMS, la variabilidad de la predicción se calcula correctamente
• Root-Mean-Square Standardized -RMSS- (Raíz media cuadrática
estandarizada): cerca de uno (1), los errores de la predicción son válidos.
Una vez que se presiona la tecla Finish (terminar) aparece el mapa de predicción o
Kriging. Por lo tanto, para seleccionar el modelo que mejor modela los datos, es
necesario aplicar a cada uno de ellos y escoger el que presente menor RMS, menor
ASE, RMSS más cercano a uno y mayor porcentaje de confiabilidad.
6.3.4. Zonificación y cuantificación de áreas
Dado que las superficies generadas a partir de Kriging no se encuentran en un
formato que permita el cálculo de áreas, se hace necesaria la transformación de las
superficies obtenidas a partir del proceso geoestadístico, hacia un formato vector
que permita la cuantificación de las zonas por cada rodal.
De esta manera, a través de la herramienta Model builder de ArcGIS 10.5. se diseñó
un modelo que permitiera realizar las transformaciones, divisiones y cálculos
necesarios mediante el proceso descrito en el siguiente modelo conceptual:
Ilustración 11. Modelo conceptual de transformación y obtención de áreas
32
Con la ejecución del modelo diseñado (Ver Anexo 1) se realizó la transformación de
los ráster obtenidos en los procesos de interpolación, a un formato vector que
permita la cuantificación en hectáreas de las variables N e IDR para cada año de
siembra y rodal. Durante el proceso de reclasificación manejado en el modelo se
tuvo en cuenta un rango de valores que corresponden a los parámetros establecidos
para la intervención de operaciones de entresaca en rodales de Melina para Forestal
Monterrey Colombia SAS, generando 3 clases diferentes (Ver Tabla 3 y Tabla 4).
Tabla 3. Clases para la zonificación de la variable IDR
Variable IDR (Índice de Densidad del Rodal)
2 Superficie con IDR inferior al requerido, dónde no se requiere intervención (0-270)
3 Superficie con IDR igual al requerido, dónde se requieren operaciones de entresaca ligeras (270 – 320)
4 Superficie con IDR superior al requerido, dónde se asegura una extracción superior a 15 m3/ha (>320)
Tabla 4. Clases para la zonificación de la variable N
Variable N (Número de árboles por hectárea)
2 Superficie con el N remanente esperado al final del turno, que no requiere primera entresaca (0-400)
3 Superficie con tendencia a una intervención de operaciones de segunda entresaca (400 – 650)
4 Superficie con N requerido para la ejecución de operaciones de primera entresaca (>650)
Adicional al proceso anterior, y cómo procedimiento experimental, se propone la
combinación de las capas ráster reclasificadas de la variable N e IDR, dando a cada
una el mismo peso en la ponderación con el fin de obtener áreas que no sólo
cumplan con el criterio de manejo a través del IDR, sino que a su vez correspondan
con los requisitos de densidad remanente para cada entresaca. Esto, mediante la
adición de la herramienta Combine (Combina múltiples ráster) en el modelo descrito
anteriormente (Ver modelo conceptual en Ilustración 12).
El resultado obtenido será evaluado y cuantificado a través del establecimiento de
una nueva clase de valores, que permitan definir una zonificación proveniente de
ambas variables IDR y N, y que den cumplimiento a los requisitos que se han
definido operativamente para cada una (Ver Tabla 5).
33
Ilustración 12. Modelo conceptual de la combinación de las variables N e IDR
Tabla 5. Clases para la zonificación de las variables ponderadas N e IDR
Combinación IDR - N
2 Zona con alta mortalidad, sin cumplimiento de los valores de densidad mínimos
3 Zona baja densidad, que cumple parcialmente con alguno de los valores de densidad
4 Zona con alta densidad, dónde se cumplen los supuestos de IDR y N, suficientes para realizar
operaciones de entresaca
34
7. RESULTADOS
En total se conformaron 14 grupos de datos, dentro de los cuáles se evaluó por
separado las variables de N e IDR, obteniendo así 28 grupos por ser verificados,
analizados y cartografiados mediante interpolación.
7.1. Análisis exploratorio de los datos
Como se muestra en la Tabla 6, de los 28 conjuntos de datos por evaluar se obtuvo
que para la variable IDR, 7 grupos presentaron una distribución de datos normal y
7 grupos no demostraron esta condición. En relación con la variable de N, 9 de los
grupos mostraron una normalidad en sus datos, mientras que 5 grupos no
consiguieron esta situación. Cómo se mencionó en el apartado anterior, la
evaluación de la normalidad de los datos se realizó mediante el histograma y el
diagrama de densidad, siendo posteriormente comprobado mediante el test de
Shapiro-Wilk, cuyos resultados también se presentan en la Tabla 6.
Tabla 6. Resultados del Análisis exploratorio de los 28 grupos de datos (N e IDR por separado)
Grupo Variable
Test Shapiro-Wilk (ρ-value)
Distribución de datos Transformación Parámetro Tendencia
1 IDR** 0.000904 No normal BoxCox 1.1 Primer orden
1 N** 0.010020 No normal BoxCox 1.3 Primer orden
2 IDR 0.891200 Normal Ninguna Primer orden
2 N 0.809500 Normal Ninguna Primer orden
3 IDR 0.091530 Normal Ninguna Primer orden
3 N 0.077290 Normal Ninguna Primer orden
4 IDR 0.984600 Normal Ninguna Primer orden
4 N 0.493400 Normal Ninguna Primer orden
5 IDR 0.210100 Normal Ninguna Primer orden
5 N 0.061580 Normal Ninguna Primer orden
6 IDR** 0.012120 No normal BoxCox 2 Primer orden
6 N** 0.000104 No normal BoxCox 2.9 Primer orden
7 IDR** 0.016960 No normal Logarítmica Primer orden
7 N 0.504100 Normal Ninguna Primer orden
35
8 IDR 0.266600 Normal Ninguna Primer orden
8 N 0.012010 No normal BoxCox 4.2 Primer orden
9 IDR 0.342200 Normal Ninguna Primer orden
9 N 0.116100 Normal Ninguna Primer orden
10 IDR 0.027020 No normal BoxCox 1.9 Primer orden
10 N 0.131300 Normal Ninguna Primer orden
11 IDR** 0.008453 No normal BoxCox 0.6 Primer orden
11 N 0.200700 Normal Ninguna Primer orden
12 IDR** 0.000213 No normal BoxCox 0.1 Primer orden
12 N** 0.014060 No normal BoxCox 0.5 Primer orden
13 IDR 0.362900 Normal Ninguna Primer orden
13 N 0.072950 Normal Ninguna Primer orden
14 IDR 0.000144 No normal BoxCox 0.3 Primer orden
14 N 0.003710 No normal BoxCox 0.3 Primer orden
* Ho: los datos provienen de una distribución normal si ρ > 0.05; H1: los datos no provienen de una distribución
normal si ρ < 0.05
** Grupos de datos dónde fue necesario eliminar los puntos de muestreo 0.0, para realizar las transformaciones
Teniendo en cuenta los anteriores resultados, para aquellos grupos que no
presentaron una distribución normal en sus datos, se ejecutó la transformación que
mayor ajuste presentó (Asimetría más baja y tendencia a una campana de Gauss)
en la representación del histograma obtenido mediante la herramienta Geostatistical
Analyst → Histogram del software ArcGIS 10.5., y cuyos datos se presentaron en la
Tabla 6. Cabe agregar, que para aquellos grupos que contenían datos con valores
0.0 en alguna de las variables, fue necesario remover estos puntos de muestreo,
dado que las transformaciones logarítmica y box-cox aceptan sólo valores positivos,
y los datos no son representativos si se comparan con el comportamiento general
de los mismos. Las transformaciones expresadas se consideraron al momento de
realizar la predicción.
Para el análisis de tendencia, en general los gráficos obtenidos mostraron la
ausencia de tendencia en el comportamiento de los datos proyectados en el eje Y,Z.
En particular, el trazado de la línea azul es una recta sin ninguna inclinación, por lo
que se concluye que no hay tendencia de N-S. Los datos proyectados en el eje X,Z
de dirección E-W, no presentan de forma clara las características típicas de las
funciones de primer, segundo o tercer grado. Por lo tanto, se concluye que no es
necesario modelar ni remover la tendencia en ninguna dirección.
36
7.2. Análisis estructural
El método geoestadístico utilizado correspondió al kriging ordinario, con la intención
de crear un mapa de predicción para cada grupo y cada variable. Los datos
correspondientes a los 14 conjuntos fueron divididos por variable, resultando 28
grupos (14 para IDR y 14 para N). Éstos fueron representados en un
semivariograma empírico y los modelos matemáticos usados para su
representación teórica (curva) correspondieron a Quartic, Polynomial 5,
Exponential, Gaussian y Constant.
7.3. Validación cruzada
La elección del número de vecinos a utilizar correspondió a 5 y un mínimo de 2, con
una elipse dividida en cuatro sectores con ángulos de 45°. Los parámetros de los
errores en la predicción se pueden observar en el Anexo 2. De esta forma,
seleccionar el modelo que mejor se adaptó a los datos correspondió al que cumplía
con los requerimientos de RMS pequeño, ASE pequeño próximo a RMS, RMSS
cerca de 1 y un alto porcentaje de confiabilidad (100 – M).
De esta manera para cada grupo y variable se obtuvo los modelos que se describen
en la Tabla 7, aclarando que en algunos casos aunque los parámetros establecidos
presentaban cumplimiento para otro modelo, se tuvo en cuenta que el valor del
Nugget (Pepita) fuera inferior al 50% del valor de la suma de la pepita y la meseta
(Co + C1), y que la anisotropía fuera la más baja.
Tabla 7. Modelo seleccionado para cada grupo y variable, de acuerdo con los resultados
de la validación cruzada
Grupo Variable Modelo seleccionado
1 IDR Lineal
1 N Lineal
2 IDR Lineal
2 N Lineal
3 IDR Lineal
3 N Lineal
4 IDR Lineal
4 N Lineal
5 IDR Lineal
5 N Lineal
6 IDR Lineal
6 N Exponencial
7 IDR Lineal
7 N Lineal
8 IDR Lineal
8 N Exponencial
9 IDR Lineal
9 N Lineal
10 IDR Polinomial 5
10 N Lineal
11 IDR Gaussiano
37
11 N Polinomial 5
12 IDR Cuartico
12 N Lineal
13 IDR Lineal
13 N Lineal
14 IDR Lineal
14 N Lineal
7.4. Superficies generadas a partir del Kriging
A partir de los anteriores análisis y tomando en cuenta los parámetros establecidos
durante la descripción de la metodología, se obtuvo la superficie de Kriging para
cada una de las variables (N e IDR) de los 14 grupos creados. De esta manera, al
final del ejercicio se obtuvieron 28 superficies que denotaban el comportamiento de
las variables objeto de estudio en las 14 zonas diferenciadas.
Ilustración 13. Ejemplo de superficie generada mediante Kriging ordinario para las
variables N (Der) e IDR (Izq.) del grupo de datos 1.
7.5. Cuantificación de zonas por rodal
De acuerdo con la ejecución del modelo diseñado a través de la herramienta Model
Builder de ArcGIS 10.5., la cantidad de áreas para cada rodal y año de siembra,
teniendo en cuenta los rangos descritos en la metodología fueron:
38
IDR (Índice de Densidad del Rodal)
En total para el 2013 se estima que el 90% del área de los rodales que fueron
establecidos para este año, no cumplen con los criterios requeridos para efectuar
operaciones de entresaca, dado que hay una subocupación o alta mortalidad del
bosque. En cuanto a las plantaciones del año 2014, éstas se encuentran con un
30% aproximadamente para cada rango, es decir que contienen la misma
proporción de zonas que no cumplen, cumplen medianamente y cumplen a
cabalidad con los requisitos para el ingreso y ejecución de operaciones de raleo.
Finalmente, para el año 2015 se considera que el 89% de sus plantaciones no
requieren de entresaca, dado que el IDR estimado no alcanza el rango requerido
para esta labor (Ver en Anexo 3 el listado de hectáreas para cada rodal).
Tabla 8. Áreas en hectáreas para cada año de la variable de IDR
Año Clase Área (ha)
2013
2 577.403
3 56.966
4 6.258
2014
2 94.174
3 90.230
4 99.695
2015 2 151.837
3 18.595
Ilustración 14. Ejemplo de reclasificación ráster (Izq.) y transformación a formato vector
(Der) para la variable IDR en el rodal Palma de vino 03
N (Densidad)
En general, para la variable de densidad N, las plantaciones objeto de estudio
presentaron un comportamiento diferente a la variable de IDR, dado que según las
39
estimaciones el 41% de las plantaciones requieren la ejecución de labores de
entresaca, ya que las áreas que se encuentran dentro de este porcentaje superan
los 650 árboles por hectárea requeridos para una intervención. Aun así, se confirma
que para el año 2013 las plantaciones presentan una alta subocupación,
probablemente por efectos de mortalidad, ya que el mayor porcentaje de las
plantaciones establecidas en este año (47%) se encuentran en la clase 2. En cuanto
a las áreas sembradas durante 2014 y 2015, estas presentan un comportamiento
diferente, ya que el mayor porcentaje de sus zonas se encuentran dentro de la clase
4, indicando que hay un requerimiento de entresaca para gran parte de estos
rodales (Ver en Anexo 4 el listado de hectáreas para cada rodal).
Tabla 9. Áreas en hectáreas para cada año de la variable de N
Año Clase Área (ha)
2013
2 298.243
3 172.232
4 169.961
2014
2 8.463
3 83.914
4 191.726
2015
2 20.937
3 65.734
4 83.730
Ilustración 15. Ejemplo de reclasificación ráster (Izq.) y transformación a formato vector
(Der) para la variable N en el rodal Palma de vino 03
Combinación de variables IDR y N
Con relación a la combinación de los ráster obtenidos para las variables IDR y N,
este proceso se fundamentó en la necesidad de comparar los resultados obtenidos
para cada variable, buscando definir aquellas áreas que cumplieran con los
parámetros establecidos en ambas variables. En este contexto, las estimaciones
40
efectuadas confirman que un gran porcentaje de las plantaciones establecidas en
el año 2013 (73%) no cumplen con los requerimientos para efectuar operaciones de
entresaca, y que por el contrario demuestran una alta subocupación. Con relación
a las plantaciones del 2014, el porcentaje de área más alto se encuentra en la clase
4, sugiriendo un crecimiento adecuado y la necesidad de ejecutar el primer raleo.
Finalmente, para los rodales con siembra en el 2015 se obtuvo que la mayor
zonificación corresponde a la clase 2, con lo que se infiere que estas plantaciones
poseen subocupación (Ver en Anexo 5 el listado de hectáreas para cada rodal).
Tabla 10. Áreas en hectáreas para cada año de la combinación de las variables IDR y N
Año Clase Área (ha)
2013
2 470.1478
3 107.4839
4 62.85029
2014
2 66.90469
3 50.09391
4 167.1018
2015
2 86.58622
3 65.30828
4 18.50764
Ilustración 16. Ejemplo de reclasificación ráster (Izq.) y transformación a formato vector
(Der) para la combinación de variables IDR y N en el rodal Palma de vino 03
7.6. Generación de cartografía
Teniendo en cuenta las superficies obtenidas a partir de los procesos de
interpolación y transformación, estas áreas serán entregadas mediante un mapa de
“Zonificación para entresaca” a los ingenieros y contratistas encargados de las
operaciones de raleo, para cada uno de los rodales objeto de esta labor. El mapa
contendrá la información básica de la división sugerida con su extensión y ubicación,
paso de vías, paso de drenajes y rodales adyacentes (Ver ejemplo en Anexo 6).
41
Aunada a esta entrega, los vectores generados serán cargados en los equipos GPS
necesarios con su respectiva transformación a “track”, permitiendo al operador de
la actividad tener claridad sobre la zonificación observada en el mapa.
Tanto los mapas cómo la información digital para GPS, vendrán acompañados del
mecanismo de marcación, es decir la cantidad de árboles y método que deberá ser
usado para la ejecución de la entresaca, teniendo en cuenta los resultados que en
materia de volumen arroja el inventario forestal.
42
8. ANÁLISIS DE RESULTADOS
Aunque el resultado concreto del análisis efectuado en el presente estudio, debe
ser comprobado en campo mediante la observación y medición de los rodales dónde
se ejecute esta propuesta de zonificación, actualmente es posible comparar los
resultados con las coberturas existentes en el proyecto, que para los rodales
productivos se maneja como Melina (Presencia de plantación), plantación fallida
(Zonas descartadas por baja productividad) y disponible (Zonas descartadas que ya
se encuentran disponibles para siembra).
En este contexto, es necesario mencionar que para las plantaciones de Melina hubo
una reclasificación de coberturas en enero de 2017, dónde a través de una imagen
satelital SPOT adquirida por la compañía, se extrajeron todas aquellas zonas con
alta mortalidad que por efectos del costo/beneficio de las operaciones, tuvieron que
ser descartadas.
Mediante esta validación de coberturas se detectó una alta mortalidad en los rodales
establecidos en el 2013, debido a las afectaciones provocadas por el fenómeno del
niño, por lo que la mayoría de las áreas establecidas en ese año se encuentran
clasificadas como Plantación fallida, validando este hecho mediante la asignación
de la clase 23 a más de 250 ha a través del proceso de krigado para las dos variables
(IDR y N) y su combinación (Ver Gráfica 1). Sin embargo, dentro de la categoría 2
también se puede observar una cifra significativa de más de 200 ha en la superficie
obtenida para la variable IDR correspondiente a Melina, lo que sugiere que a pesar
de existir Melina en estas zonas actualmente, éstas áreas no presentan
plantaciones que cumplan con los criterios de manejo bajo el IDR. Por otro lado,
las clases 3 y 4 que corresponden a zonas con cumplimiento parcial y completo de
los requisitos para efectuar entresaca, están representadas en su mayoría por las
coberturas de Melina, confirmando lo obtenido mediante el proceso de interpolación.
Finalmente, se puede inferir que la variable que mejor representa la situación actual
de las plantaciones es la N, dado que las áreas obtenidas mediante la interpolación
de sus datos se aproximan más a la realidad de las coberturas actuales.
3 Clase 2: Zona con alta mortalidad, sin cumplimiento de los valores de densidad mínimos.
43
Gráfica 1. Comparación de clasificación de variables estudiadas y coberturas actuales
para plantaciones con siembra 2013
Para corroborar lo anteriormente descrito, en la siguiente imagen se presenta un
ejemplo de la comparación visual realizada para los rodales 2013, dónde se detecta
que las zonas en rojo correspondientes a la clase 2 se encuentran sobre áreas con
alta mortalidad. En cuanto a las zonas en amarillo, indican franjas dónde a pesar
de haber plantaciones, éstas no cumplen con los requerimientos de IDR para el
ingreso de operaciones. Y finalmente, los sectores en verde muestran pequeños
parches dónde es posible y necesaria una intervención de entresaca.
Ilustración 17. Ejemplo de comparación visual de las áreas obtenidas en la interpolación
de la variable IDR para el año 2013, con imagen satelital (SPOT, enero 2017)
44
Con relación a la comparación realizada para las plantaciones del año 2014, de
nuevo se presenta un sesgo para la variable IDR, ya que como se observa en la
Gráfica 2, hay una gran cantidad de áreas de Melina clasificadas como 2 en las
superficies obtenidas en el krigado. Con esto se infiere que la variable IDR clasifica
de una manera más rigurosa las superficies obtenidas, dado que la estimación de
este índice tiene en cuenta el diámetro de los individuos, por lo que se puede
presumir que aquellas zonas con cobertura de Melina actual que se clasificaron con
2 mediante el krigado, son plantaciones con bajos crecimientos a nivel de diámetro,
que aunque poseen una densidad normal, no cumplen con los criterios establecidos
para realizar una entresaca. En cuanto a la variable de N, nuevamente se puede
comprobar que es la que mejor representa en su interpolación la designación de
cobertura actual de las plantaciones.
Gráfica 2. Comparación de clasificación de variables estudiadas y coberturas actuales
para plantaciones con siembra 2014
Para el caso de las plantaciones 2014, la comparación visual de áreas obtenidas en
el krigado y las coberturas actuales fue posible mediante las imágenes que provee
el software Google earth PRO. De esta manera y como se aprecia en la siguiente
imagen se corrobora lo observado en la Gráfica 2, dónde la mayor parte de las
zonas con Melina se encuentran en la clase 4 cumpliendo los criterios para la
variable N en mayor medida, seguida de los resultados obtenidos para la
interpolación de la variable IDR.
45
Ilustración 18. Ejemplo de comparación visual de las áreas obtenidas en la interpolación
de la variable N para el año 2014, con imagen satelital Google earth PRO
Para las plantaciones establecidas en el 2015 la mayor cantidad de área de Melina
se encuentra clasificada en la categoría 2 mediante el krigado de IDR, lo cual es
bastante coherente teniendo en cuenta que son plantaciones jóvenes con diámetros
bajos, que no están cumpliendo hasta el momento con los criterios para entresaca
bajo este índice. De igual forma, el comportamiento de las superficies obtenidas de
la interpolación y combinación de ambas variables (IDR_N) sostiene un
comportamiento similar al de la variable IDR, con lo que se podría inferir que aunque
las plantaciones de esta edad poseen un N admisible para la ejecución de
operaciones de entresaca, los diámetros indican que aún hay una subocupación del
bosque y debe haber un período de espera para cumplir con el IDR ideal de 270.
Gráfica 3. Comparación de clasificación de variables estudiadas y coberturas actuales
para plantaciones con siembra 2015
46
Lo descrito anteriormente se ratifica con las siguientes imágenes, dónde la
comparación demuestra que aunque el rodal ejemplificado presenta una plantación
más o menos homogénea, tiene asignadas las clases 2 y 3 de la combinación del
krigado de las variables N e IDR, demostrando que aunque hay zonas con
plantaciones efectivas, éstas no cumplen completamente con los requerimientos de
IDR para el ingreso de operaciones de entresaca.
Ilustración 19. Ejemplo de comparación visual de las áreas obtenidas en la combinación
del krigado IDR y N para el año 2015, con imagen satelital Google earth PRO
47
9. CONCLUSIONES
La aplicación del método kriging ordinario para la predicción de datos de IDR, N y
la combinación de ambas variables, resultó útil para representar una zonificación
estimada de las áreas que requieren o no operaciones de entresaca, en función de
la variabilidad espacial (autocorrelación) y tratando de asegurar la mínima varianza.
Como paso previo, el análisis exploratorio de los datos es indispensable para
conocer si estos cumplían o no con los requisitos necesarios para que el mapa de
predicción sea válido y entregue información adecuada.
Al representar los datos en un semivariograma empírico y ajustarlo a uno de los
modelos evaluados para su representación teórica, fue posible comparar los
resultados de error en la predicción. Para el caso del presente estudio, el más
común y utilizado en la representación de las variables para la mayoría de los
grupos fue el Lineal (Constant).
Los resultados obtenidos han permitido crear superficies estimadas de zonificación
para las plantaciones establecidas en los años 2013 a 2015, que entre sus
principales características presentan una marcada diferencia entre el estudio de sus
variables, dado que aunque gran parte del bosque cumple con la densidad deseada,
el IDR requerido para las operaciones de entresaca no es el adecuado en su
totalidad.
El número de puntos de muestreo utilizados para realizar las interpolaciones resulta
ser un factor condicionante para el uso de la herramienta Geostatistical Analyst,
dado que cuándo se cuenta con un número muy bajo de puntos el error medio
cuadrático resulta ser superior, así como los valores de anisotropía.
Se debe considerar que la mayoría de los métodos geoestadísticos sólo son óptimos
si las variables de estudio (N e IDR para este caso) siguen una distribución normal,
por lo que siempre será determinante la evaluación de los datos como primera
medida para aplicar las transformaciones correspondientes.
Es necesario evaluar más métodos de interpolación sobre otras variables e índices
calculados en el inventario forestal, dado que cada uno de ellos valora diferentes
condiciones del bosque, por lo que se podrían obtener resultados más precisos,
intuitivos y que orienten otras operaciones silviculturales.
48
10. BIBLIOGRAFÍA
Akhavan, R., Kia-Daliri, H. (2010). Spatial variability and estimation of tree attributes
in a plantation forest in the Caspian region of Iran using geostatistical analysis.
Caspian J. Env. Sci. Vol. 8 No.2 pp. 163~172.
Alvarenga, L., Mello, J., Guedes, I., & Scolforo, J. (2012). Desempenho da
estratificação em um fragmento de cerrado stricto sensu utilizando interpolador
geoestatístico. CERNE, 18(4), 675-681. doi: 10.1590/s0104-77602012000400018
Arias, D. (2004). Validación del Índice de Densidad del Rodal para el manejo de
plantaciones forestales de Tectona grandis L.f. en el trópico. Recuperado de
http://revistas.tec.ac.cr/index.php/kuru/article/view/593
Boada, A. (2002). Conceptos básicos de geoestadística. Instituto Geográfico
Agustín Codazzi. Bogotá, Colombia.
Bohorquez, M. (2012). Estadística espacial. Universidad Nacional de Colombia.
Departamento de Estadística. Bogotá, Colombia.
Brandelero, C., Antunes, M.,Giotto, E. (2007). Silvicultura de precisão: nova
tecnologia para o desenvolvimento florestal. Ambiência, v. 3, n. 2, p. 269-281.
Cañada, R. (2006): “Análisis exploratorio de datos espaciales: gráficos de
distribución”, en Moreno, A. (ed.): Sistemas y análisis de la información geográfica.
Madrid, Ra-Ma, p. 745-780.
Faraco, M., Uribe-Opazo, M., Silva, E., Johann, J., & Borssoi, J. (2008). Seleção de
modelos de variabilidade espacial para elaboração de mapas temáticos de atributos
físicos do solo e produtividade da soja. Revista Brasileira De Ciência Do Solo, 32(2),
463-476. doi: 10.1590/s0100-06832008000200001
Giraldo, R. (2002). Introducción a la Geoestadística. Bogotá: Universidad Nacional
de Colombia. Recuperado del Sitio Web Red Colombiana de Agricultura de
Precisión - Universidad Nacional: http://www.reddeagriculturaprecision.unal.edu.co/
Gomes, N., Silva, A., Mello, C., Faria, M., & Oliveira, P. (2007). Métodos de ajuste
e modelos de semivariograma aplicados ao estudo da variabilidade espacial de
49
atributos físico-hídricos do solo. Revista Brasileira De Ciência Do Solo, 31(3), 435-
443. doi: 10.1590/s0100-06832007000300003
González, J., & Guerra, F., & Gómez, H. (2007). CONCEPTOS BÁSICOS DE
GEOESTADÍSTICA EN GEOGRAFÍA Y CIENCIAS DE LA TIERRA: MANEJO Y
APLICACIÓN. Geoenseñanza, 12 (1), 81-90.
Guedes, Isabel Carolina de Lima, Mello, José Márcio de, Mello, Carlos Rogério de,
Oliveira, Antônio Donizette de, Silva, Sérgio Teixeira da, & Scolforo, José Roberto
Soares. (2012). TÉCNICAS GEOESTATÍSTICAS E INTERPOLADORES
ESPACIAIS NA ESTRATIFICAÇÃO DE POVOAMENTOS DE Eucalyptus sp..
Ciência Florestal, 22(3), 541-550. https://dx.doi.org/10.5902/198050986621
Hirata, Y., Furuya, N., Suzuki, M., & Yamamoto, H. (2009). Airborne laser scanning
in forest management: Individual tree identification and laser pulse penetration in a
stand with different levels of thinning. Forest Ecology And Management, 258(5), 752-
760. doi: 10.1016/j.foreco.2009.05.017
Mejía, O., Betancur, T., Londoño, C. (2006). APLICACIÓN DE TÉCNICAS
GEOESTADISTICAS EN LA HIDROGEOLOGÍA DEL BAJO CAUCA
ANTIOQUEÑO. Dyna, julio, año/vol. 74, número 152. Universidad Nacional de
Colombia. Medellín, Colombia. pp. 137-149
Mello, J. M. de. et al. (2005). Estudo da dependencia espacial de características
dendrométricas para Eucalyptus grandis. Cerne, Lavras, v. 11, n. 2, p. 113-126.
Muukkonen, P., Häkkinen, M., & Mäkipää, R. (2008). Spatial variation in soil carbon
in the organic layer of managed boreal forest soil—implications for sampling design.
Environmental Monitoring And Assessment, 158(1-4), 67-76. doi: 10.1007/s10661-
008-0565-2
Olmo, M. (2005). La geoestadística como herramienta de análisis espacial de datos
de inventario forestal. Actas de la I Reunión de Inventario y Teledetección Forestal.
Cuad. Soc. Esp. Cienc. For. 19: 47 – 55.
Ortiz, J. L. (2003). Emprego do geoprocessamento no estudo da relação entre
potencial produtivo de um povoamento de eucalipto e atributos do solo e do relevo.
Dissertação (Mestrado em Recursos Florestais) – Universidade de São Paulo,
Piracicaba – São Paulo.
50
Palmer, D., Höck, B., Kimberley, M., Watt, M., Lowe, D., & Payn, T. (2009).
Comparison of spatial prediction techniques for developing Pinus radiata productivity
surfaces across New Zealand. Forest Ecology And Management, 258(9), 2046-
2055. doi: 10.1016/j.foreco.2009.07.057
Raimundo, M., Ferraco, H., Mello, J., Soares, J., McTague, J., Reis, A. (2016).
Geostatistics Applied to Growth Estimates in Continuous Forest Inventories, Forest
Science, Volume 63, Issue 1, 24 February 2017, Pages 29–38,
https://doi.org/10.5849/FS-2016-056
Reis, A., Mello, J., Raimundo, M., Acerbi Júnior, F., Oliveira, M., & Diniz, J. (2016).
Estratificação de um povoamento de eucalipto por interpoladores geoestatísticos e
sensoriamento remoto. Pesquisa Agropecuária Brasileira, 51(10), 1751-1761. doi:
10.1590/s0100-204x2016001000007
Riemann, R., Ramirez, M., Drake, D. (2005). Using geostatistical techniques to
map the distribution of tree species from ground inventory data
(https://www.fs.fed.us/ne/rsb/nant.html). USDA Forest Service.
Singh, T., & Das, S. (2014). Predictive Analysis for Vegetation Biomass Assessment
in Western Ghat Region (WG) Using Geospatial Techniques. Journal Of The Indian
Society Of Remote Sensing, 42(3), 549-557. doi: 10.1007/s12524-013-0335-7
Tang, D., Fuling, B. (2009). Forest Site Evaluation Based on GIS and Kriging. The
1st International Conference on Information Science and Engineering. IEEE
Computer Society, 2063 – 2067.
Torres, L. (2017). Análisis de la evaporación de corrientes hídricas usando métodos
de interpolación espacial en Antioquia. Universidad de Manizales. Facultad de
Ciencia e Ingeniería. Manizales, Colombia.
Viana, H., Aranha, J., Lopes, D., & Cohen, W. (2012). Estimation of crown biomass
of Pinus pinaster stands and shrubland above-ground biomass using forest
inventory data, remotely sensed imagery and spatial prediction models. Ecological
Modelling, 226, 22-35. doi: 10.1016/j.ecolmodel.2011.11.027
Vélez, F. (1994). Manejo silvicultural de plantaciones de Ciprés (Cupressus
lusitánica Mill) con base en la densidad del bosque. Medellín, Colombia.
51
11. ANEXOS
Anexo 1. Modelo diseñado en el Model builder del software ArcGIS 10.5. para la extracción y cuantificación de la zonificación obtenida en el proceso de Kriging
52
Anexo 2. Parámetros y valores evaluados en la Validación cruzada para los 14 grupos
Valores
Modelo Quartic
Modelo Polynomial 5
Modelo Exponential
Modelo Gaussian
Modelo Constant
1
IDR
ASE 30.1633 32.0585 23.8208 37.4755 55.7356
RMS 60.0543 60.1083 59.1523 59.9289 57.9605
RMSS 2.0203 1.9013 2.5028 1.6169 1.0470
N
ASE 174.8280 178.0506 101.4699 166.8542 185.2944
RMS 185.3996 185.0854 186.7897 183.7337 179.8052
RMSS 1.1104 1.0866 1.8629 1.1473 1.0076
2
IDR
ASE 51.5204 51.5380 48.1331 51.3701 52.1857
RMS 64.0806 64.2046 63.6841 64.2034 63.5050
RMSS 1.2063 1.2098 1.2855 1.2126 1.1770
N
ASE 152.6853 153.5491 139.1220 152.4880 151.1902
RMS 175.6008 176.7662 172.0597 176.1310 169.9984
RMSS 1.1359 1.1376 1.2207 1.1412 1.1107
3
IDR
ASE 58.8875 59.0138 31.5216 54.9137 68.2581
RMS 68.1903 68.1433 68.0506 67.7611 69.3984
RMSS 1.1594 1.1561 2.1612 1.2355 1.0164
N
ASE 122.6005 123.0191 68.1035 115.0241 129.6320
RMS 165.6905 165.9897 173.6319 169.7206 142.8195
RMSS 1.3174 1.3149 2.5036 1.4381 1.0575
4
IDR
ASE 51.3133 51.8999 48.9870 51.3829 54.3582
RMS 57.9526 57.9584 59.2099 58.4268 55.9220
RMSS 1.1271 1.1146 1.2055 1.1345 1.0247
N
ASE 88.2111 87.7582 84.2870 87.8213 88.8635
RMS 92.7390 92.8275 93.8305 92.8055 90.0509
RMSS 1.0496 1.0562 1.1115 1.0552 1.0116
53
5
IDR
ASE 46.7859 48.0957 42.8752 47.3074 65.1512
RMS 72.3338 72.4796 73.8476 73.1521 68.3082
RMSS 1.5363 1.4975 1.7128 1.5370 1.0512
N
ASE 94.9217 95.4843 33.1646 81.1791 134.8574
RMS 150.5051 151.1112 154.2310 152.5598 149.9710
RMSS 1.5756 1.5726 4.6186 1.8674 1.1250
6
IDR
ASE 66.7653 87.2161 50.1722 81.5718 95.5264
RMS 86.5153 86.3249 84.7502 85.3182 82.4061
RMSS 1.4776 1.2060 1.8086 1.2435 0.9953
N
ASE 226.5412 226.5669 223.5207 226.8353 225.7155
RMS 162.6423 162.6258 162.5510 162.6469 162.0451
RMSS 0.8417 0.8416 0.8502 0.8394 0.8454
7
IDR
ASE 52.6559 53.1088 31.5829 48.8923 67.5488
RMS 55.9122 55.9215 54.3058 55.6662 51.9328
RMSS 1.2045 1.1980 1.9331 1.2937 0.9051
N
ASE 126.0163 126.3365 96.6204 125.8544 134.7402
RMS 154.3825 154.4045 149.2724 147.1440 136.2521
RMSS 1.2181 1.2149 1.5331 1.1588 1.0092
8
IDR
ASE 45.6275 45.9937 38.4526 42.7628 52.4699
RMS 55.6479 55.7189 56.4976 56.4035 55.5969
RMSS 1.2123 1.2041 1.4655 1.3157 1.0543
N
ASE 183.3373 186.6392 139.1856 179.5693 174.8077
RMS 129.3423 132.2906 126.8866 131.0771 126.5457
RMSS 0.7688 0.7860 1.0085 0.8183 0.7919
9
IDR
ASE 77.1976 77.5298 76.6755 77.0009 76.6031
RMS 84.1962 84.1250 83.9905 84.9451 80.4751
54
RMSS 1.0879 1.0823 1.0909 1.1005 1.0479
N
ASE 176.4639 176.3379 166.1832 177.5693 183.5390
RMS 200.2783 200.1248 197.3528 197.6949 197.5218
RMSS 1.1310 1.1315 1.1828 1.1087 1.0688
10
IDR
ASE 107.4885 109.3070 87.9460 121.6033 110.8878
RMS 83.2336 83.4105 79.1317 81.1500 73.1667
RMSS 1.0606 1.0418 1.2417 0.8840 0.8639
N
ASE 126.2709 126.9654 60.8832 116.6375 146.5466
RMS 154.9047 154.8893 152.1336 154.3125 129.1020
RMSS 1.2284 1.2216 2.5018 1.3248 0.9029
11
IDR
ASE 78.7269 79.0744 72.7693 78.0948 76.6111
RMS 73.1046 73.2239 73.5223 73.1187 70.0087
RMSS 0.9868 0.9833 1.0775 0.9968 0.9789
N
ASE 172.5260 173.2259 167.7476 172.6163 169.5038
RMS 176.4487 176.6062 176.0724 176.5201 173.2556
RMSS 1.0239 1.0206 1.0504 1.0237 1.0218
12
IDR
ASE 57.2444 57.3359 27.9991 45.7529 78.4981
RMS 61.1232 61.1002 60.1991 60.3361 57.9450
RMSS 1.1401 1.1446 2.4056 1.4950 0.8000
N
ASE 153.6477 153.3306 85.0818 124.9492 183.2363
RMS 187.4192 187.6085 186.9365 187.5686 187.8763
RMSS 1.1954 1.1990 2.1608 1.4783 1.0201
13
IDR
ASE 33.2928 34.1389 22.5716 33.3240 36.0177
RMS 39.8309 39.9216 40.1789 40.1662 39.7471
RMSS 1.1984 1.1713 1.7836 1.2074 1.1050
N
ASE 115.1661 116.7313 77.6189 111.9696 135.4578
RMS 140.9946 141.7802 141.8746 143.1483 139.2800
55
RMSS 1.2259 1.2162 1.8308 1.2803 1.0296
14
IDR
ASE 32.2318 32.3754 28.3178 31.8961 31.2109
RMS 33.9389 33.9885 33.9102 33.8247 31.7524
RMSS 1.2365 1.2330 1.3548 1.1965 1.0739
N
ASE 157.3829 158.8430 109.5079 149.0425 149.5539
RMS 164.9701 165.1857 165.1586 166.7402 151.4270
RMSS 1.2233 1.2148 1.7140 1.3334 1.1669
56
Anexo 3. Año, clases y áreas obtenidas para cada rodal en el krigado de la variable IDR
Año Clase Rodal Área (ha)
2013 2 Andaluz 10 C91 26.354
2013 2 Andaluz 12A C53 36.057
2013 2 Andaluz 12A C60 21.607
2014 2 Bongal 01 C91 6.741
2014 3 Bongal 01 C91 7.151
2014 4 Bongal 01 C91 0.947
2015 2 Carreto 52.010
2015 3 Carreto 4.088
2013 2 Carreto 11 20.126
2013 2 Casa Nueva 01 C129 25.860
2013 3 Casa Nueva 01 C129 20.033
2013 4 Casa Nueva 01 C129 0.129
2014 2 Casa Nueva 02 C53 2.664
2014 3 Casa Nueva 02 C53 4.657
2014 4 Casa Nueva 02 C53 31.427
2014 2 Casa Nueva 07 C53 9.889
2014 3 Casa Nueva 07 C53 11.448
2014 4 Casa Nueva 07 C53 15.166
2015 2 Deseos 01 2.506
2015 3 Deseos 01 9.866
2013 2 Garciana 03 C60 27.807
2013 2 Garciana 03 C61 22.374
2013 2 Malicia 11 C53 59.496
2013 2 Malicia 8A C79 19.919
2013 2 Malicia 8B C91 57.757
2013 2 Palma de vino 03 14.897
2013 3 Palma de vino 03 18.335
2013 4 Palma de vino 03 6.129
2014 2 Petate 06 C53 8.240
2014 3 Petate 06 C53 3.961
2014 2 Petate 07 C66 23.239
2014 3 Petate 07 C66 6.194
2013 2 Portobello 01A C112 9.520
2013 2 Portobello 03A C129 49.374
2013 2 Portobello 05A C129 28.788
2013 2 Portobello 05A C53 45.157
2013 3 Portobello 05A C53 0.003
2013 2 Portobello 05A C79 5.940
2015 2 Reja 48.167
2013 2 San Jose 02A C129 5.551
2013 2 San Jose 03A C15 20.435
2013 2 San Jose 15A C54 19.863
2014 2 Sierra 02 C66 8.892
2014 3 Sierra 02 C66 5.333
2014 3 Sierra 03A C66 1.444
2014 4 Sierra 03A C66 3.215
2015 2 Sierra 05 36.381
2015 3 Sierra 05 4.641
2015 2 Sierra 14A 7.173
2015 2 Sierra 16 5.601
2014 2 Socorro 04A C78 11.689
2014 2 Socorro 06B C78 2.432
2014 3 Socorro 06B C78 2.657
2014 2 Socorro 06C C78 1.910
2014 3 Socorro 06C C78 8.256
2014 2 Tacaloa 01 C51 9.677
2014 3 Tacaloa 01 C51 14.707
2013 2 Tacaloa 01A C79 0.974
2013 3 Tacaloa 01A C79 18.596
2013 2 Tacaloa 02A C129 18.882
2014 2 Taruya 03 C112 7.519
2014 3 Taruya 03 C112 9.460
2014 4 Taruya 03 C112 25.764
2013 2 Toloda 02 C53 15.344
2013 2 Toloda 03 C53 25.321
2014 2 Totumito 04 C91 1.282
2014 3 Totumito 04 C91 14.962
2014 4 Totumito 04 C91 23.175
57
Anexo 4. Año, clases y áreas obtenidas para cada rodal en el krigado de la variable N
Año Clase Rodal Área (ha)
2015 2 Carreto 17.622
2015 2 Reja 3.315
2015 3 Carreto 28.797
2015 3 Reja 36.443
2015 3 Sierra 14A 0.182
2015 3 Sierra 16 0.312
2015 4 Carreto 9.649
2015 4 Deseos 01 12.373
2015 4 Reja 8.407
2015 4 Sierra 05 41.022
2015 4 Sierra 14A 6.991
2015 4 Sierra 16 5.288
2014 2 Bongal 01 C91 0.192
2014 2 Casa Nueva 02 C53
0.025
2014 2 Casa Nueva 07 C53
2.765
2014 2 Petate 06 C53 0.008
2014 2 Petate 07 C66 0.090
2014 2 Socorro 04A C78
4.557
2014 2 Taruya 03 C112 0.827
2014 3 Bongal 01 C91 6.021
2014 3 Casa Nueva 02 C53
5.044
2014 3 Casa Nueva 07 C53
5.930
2014 3 Petate 06 C53 12.193
2014 3 Petate 07 C66 13.708
2014 3 Sierra 02 C66 10.931
2014 3 Sierra 03A C66 0.109
2014 3 Socorro 04A C78
6.898
2014 3 Socorro 06B C78
1.660
2014 3 Socorro 06C C78
6.527
2014 3 Tacaloa 01 C51 0.681
2014 3 Taruya 03 C112 9.650
2014 3 Totumito 04 C91
4.564
2014 4 Bongal 01 C91 8.623
2014 4 Casa Nueva 02 C53
33.681
2014 4 Casa Nueva 07 C53
27.808
2014 4 Petate 07 C66 15.636
2014 4 Sierra 02 C66 3.295
2014 4 Sierra 03A C66 4.549
2014 4 Socorro 04A C78
0.235
2014 4 Socorro 06B C78
3.430
2014 4 Socorro 06C C78
3.641
2014 4 Tacaloa 01 C51 23.703
2014 4 Taruya 03 C112 32.269
2014 4 Totumito 04 C91
34.856
2013 1 Portobello 03A C129
0.041
2013 2 Andaluz 12A C53
28.001
2013 2 Andaluz 12A C60
5.482
2013 2 Carreto 11 8.081
2013 2 Garciana 03 C60 23.434
2013 2 Garciana 03 C61 10.038
2013 2 Malicia 11 C53 50.187
2013 2 Malicia 8A C79 5.022
2013 2 Malicia 8B C91 46.207
2013 2 Palma de vino 03
0.383
2013 2 Portobello 01A C112
3.804
2013 2 Portobello 03A C129
26.657
2013 2 Portobello 05A C129
4.069
2013 2 Portobello 05A C53
0.820
2013 2 San Jose 02A C129
5.548
2013 2 San Jose 03A C15
20.435
2013 2 San Jose 15A C54
19.863
2013 2 Toloda 02 C53 14.889
2013 2 Toloda 03 C53 25.321
2013 3 Andaluz 10 C91 11.036
2013 3 Andaluz 12A C53
8.055
58
2013 3 Andaluz 12A C60
14.020
2013 3 Carreto 11 11.035
2013 3 Casa Nueva 01 C129
3.307
2013 3 Garciana 03 C60 4.373
2013 3 Garciana 03 C61 12.335
2013 3 Malicia 11 C53 9.308
2013 3 Malicia 8A C79 14.897
2013 3 Malicia 8B C91 11.548
2013 3 Palma de vino 03
12.326
2013 3 Portobello 01A C112
5.716
2013 3 Portobello 03A C129
18.395
2013 3 Portobello 05A C129
13.167
2013 3 Portobello 05A C53
16.318
2013 3 Portobello 05A C79
5.940
2013 3 San Jose 02A C129
0.003
2013 3 Toloda 02 C53 0.455
2013 4 Andaluz 10 C91 15.317
2013 4 Andaluz 12A C60
2.105
2013 4 Carreto 11 1.008
2013 4 Casa Nueva 01 C129
42.715
2013 4 Palma de vino 03
26.652
2013 4 Portobello 03A C129
4.139
2013 4 Portobello 05A C129
11.552
2013 4 Portobello 05A C53
28.021
2013 4 Tacaloa 01A C79
19.570
2013 4 Tacaloa 02A C129
18.882
59
Anexo 5. Año, clases y áreas obtenidas para cada rodal en el krigado de la combinación de las variables IDR y N
Año Clase Rodal Área (ha)
2015 2 Carreto 46.333
2015 3 Carreto 5.736
2015 4 Carreto 4.001
2015 3 Deseos 01 2.506
2015 4 Deseos 01 9.866
2015 2 Reja 39.759
2015 3 Reja 8.407
2015 3 Sierra 05 36.381
2015 4 Sierra 05 4.641
2015 2 Sierra 14A 0.182
2015 3 Sierra 14A 6.991
2015 2 Sierra 16 0.312
2015 3 Sierra 16 5.288
2014 2 Bongal 01 C91 4.716
2014 2 Casa Nueva 02 C53
1.490
2014 2 Casa Nueva 07 C53
8.352
2014 2 Petate 06 C53 8.240
2014 2 Petate 07 C66 13.798
2014 2 Sierra 02 C66 7.281
2014 2 Socorro 04A C78 11.454
2014 2 Socorro 06B C78 1.579
2014 2 Socorro 06C C78 1.909
2014 2 Tacaloa 01 C51 0.681
2014 2 Taruya 03 C112 6.485
2014 2 Totumito 04 C91 0.918
2014 3 Bongal 01 C91 3.521
2014 3 Casa Nueva 02 C53
2.965
2014 3 Casa Nueva 07 C53
1.879
2014 3 Petate 06 C53 3.961
2014 3 Petate 07 C66 9.441
2014 3 Sierra 02 C66 5.259
2014 3 Sierra 03A C66 0.109
2014 3 Socorro 04A C78 0.235
2014 3 Socorro 06B C78 0.933
2014 3 Socorro 06C C78 4.619
2014 3 Tacaloa 01 C51 8.996
2014 3 Taruya 03 C112 4.166
2014 3 Totumito 04 C91 4.010
2014 4 Bongal 01 C91 6.600
2014 4 Casa Nueva 02 C53
34.294
2014 4 Casa Nueva 07 C53
26.272
2014 4 Petate 07 C66 6.194
2014 4 Sierra 02 C66 1.685
2014 4 Sierra 03A C66 4.549
2014 4 Socorro 06B C78 2.576
2014 4 Socorro 06C C78 3.640
2014 4 Tacaloa 01 C51 14.707
2014 4 Taruya 03 C112 32.093
2014 4 Totumito 04 C91 34.491
2013 2 Andaluz 10 C91 11.036
2013 2 Andaluz 12A C53 36.057
2013 2 Andaluz 12A C60 19.502
2013 2 Carreto 11 19.117
2013 2 Casa Nueva 01 C129
3.289
2013 2 Garciana 03 C60 27.807
2013 2 Garciana 03 C61 22.374
2013 2 Malicia 11 C53 59.496
2013 2 Malicia 8A C79 19.919
2013 2 Malicia 8B C91 57.757
2013 2 Palma de vino 03 12.352
2013 2 Portobello 01A C112
9.520
2013 2 Portobello 03A C129
45.093
2013 2 Portobello 05A C129
17.236
2013 2 Portobello 05A C53
17.138
2013 2 Portobello 05A C79
5.940
2013 2 San Jose 02A C129
5.551
2013 2 San Jose 03A C15 20.435
2013 2 San Jose 15A C54 19.863
2013 2 Toloda 02 C53 15.344
2013 2 Toloda 03 C53 25.321
2013 3 Andaluz 10 C91 15.317
2013 3 Andaluz 12A C60 2.105
60
2013 3 Carreto 11 1.008
2013 3 Casa Nueva 01 C129
22.587
2013 3 Palma de vino 03 2.902
2013 3 Portobello 03A C129
4.139
2013 3 Portobello 05A C129
11.552
2013 3 Portobello 05A C53
28.019
2013 3 Tacaloa 01A C79 0.974
2013 3 Tacaloa 02A C129 18.882
2013 4 Casa Nueva 01 C129
20.145
2013 4 Palma de vino 03 24.107
2013 4 Portobello 05A C53
0.003
2013 4 Tacaloa 01A C79 18.596
61
Anexo 6. Esquema de mapa generado a partir de la zonificación obtenida mediante el krigado, como insumo base para las operaciones de ingenieros y contratistas en campo