Términos relacionados

4 resultados encontrados para: AUTOR: Andres Mauricio, Juan
  • «
  • 1 de 1
  • »
PDF
Índice | Resumen en: Español |
Resumen en español

Este libro proporciona una guía para llevar a cabo el mapeo de la biomasa aérea del bosque en grandes superficies relacionando datos de campo con la información derivada de imágenes de satélite. La metodología para el mapeo de esta variable utiliza scripts desarrollados en el lenguaje R, e incluye la estimación de la biomasa en campo, preprocesamiento de las imágenes, ajuste de modelos de predicción, así como su aplicación para obtener mapas de distribución espacial. Esta obra se dirige a investigadores, estudiantes, técnicos forestales de organizaciones no gubernamentales y del gobierno, y a usuarios de la percepción remota en general que requieran obtener mapas de diferentes atributos de la vegetación en sus sitios de interés.

Índice

Presentación
Propósitos del manual
Estructura del manual
Convenciones de escritura
Introducción
Datos de campo para la estimación de la biomasa
Datos de radar de apertura sintética
Estimación de la biomasa aérea del bosque
La biomasa del bosque
Estimación de la distribución espacial de la biomasa área
Configuración del entorno del software
Descargar e instalar R
Descargar e instalar RStudio
Cómo iniciar con R y Rstudio
Paquetes de R
Cálculo de la biomasa aérea en campo
Área de estudio y unidades de observación
Creación de la base de datos
Correcciones taxonómicas
Extraer valores de densidad de la madera de bases de datos locales y globales
Cálculo de la biomasa a nivel de árbol individual
Cálculo de la biomasa y otros atributos de la vegetación por conglomerado
Preprocesamiento de las imágenes ALOS PALSAR
¿Cómo descargar las imágenes de ALOS PALSAR?
Preparación de datos y descompresión de archivos
Creación de un mosaico con las escenas de ALOS PALSAR y recorte del área de estudio
Convertir valores de números digitales a retrodispersión en las polarizaciones HH y HV
Aplicación del filtro de Lee
Convertir las coordenadas de las imágenes preprocesadas, de geográficas a proyectadas
Procesamiento de las imágenes ALOS PALSAR
Configuración del directorio de trabajo y lectura de datos
Cálculo de NDBI

Cálculo de las medidas de textura en HH, HV y NDBI
Corrección de archivos
Preparación de bases de datos para la modelación
Crear un archivo espacial con la base de datos de campo
Extracción de los valores de las imágenes de textura con las coordenadas de puntos
Extracción de los valores de las polarizaciones HH, HV y NDBI
Conversión de datos espaciales a dataframe
Modelación y mapeo de la biomasa
Construcción del modelo de Random Forest para estimar la biomasa
Validación del modelo para estimar la biomasa
Crear un mapa tipo raster con la estimación de la biomasa
Impresión de mapas
Consideraciones finales
Referencias
Apéndice


2.
Artículo
PDF
Resumen en: Inglés |
Resumen en inglés

Background: Reliable information about the spatial distribution of aboveground biomass (AGB) in tropical forests is fundamental for climate change mitigation and for maintaining carbon stocks. Recent AGB maps at continental and national scales have shown large uncertainties, particularly in tropical areas with high AGB values. Errors in AGB maps are linked to the quality of plot data used to calibrate remote sensing products, and the ability of radar data to map high AGB forest. Here we suggest an approach to improve the accuracy of AGB maps and test this approach with a case study of the tropical forests of the Yucatan peninsula, where the accuracy of AGB mapping is lower than other forest types in Mexico. To reduce the errors in field data, National Forest Inventory (NFI) plots were corrected to consider small trees. Temporal differences between NFI plots and imagery acquisition were addressed by considering biomass changes over time. To overcome issues related to saturation of radar backscatter, we incorporate radar texture metrics and climate data to improve the accuracy of AGB maps. Finally, we increased the number of sampling plots using biomass estimates derived from LiDAR data to assess if increasing sample size could improve the accuracy of AGB estimates.

Results: Correcting NFI plot data for both small trees and temporal differences between field and remotely sensed measurements reduced the relative error of biomass estimates by 12.2%. Using a machine learning algorithm, Random Forest, with corrected field plot data, backscatter and surface texture from the L‑band synthetic aperture radar (PALSAR) installed on the on the Advanced Land Observing Satellite‑1 (ALOS), and climatic water deficit data improved the accuracy of the maps obtained in this study as compared to previous studies (R²=0.44 vs R²= 0.32). However, using sample plots derived from LiDAR data to increase sample size did not improve accuracy of AGB maps (R²= 0.26). Conclusions: This study reveals that the suggested approach has the potential to improve AGB maps of tropical dry forests and shows predictors of AGB that should be considered in future studies. Our results highlight the importance of using ecological knowledge to correct errors associated with both the plot‑level biomass estimates and the mis‑match between field and remotely sensed data.


Resumen en español

A major focus of geographical ecology and macroecology is to understand the causes of spatially structured ecological patterns. However, achieving this understanding can be complicated when using multiple regression, because the relative importance of explanatory variables, as measured by regression coefficients, can shift depending on whether spatially explicit or non-spatial modeling is used. However, the extent to which coefficients may shift and why shifts occur are unclear. Here, we analyze the relationship between environmental predictors and the geographical distribution of species richness, body size, range size and abundance in 97 multi-factorial data sets. Our goal was to compare standardized partial regression coefficients of non-spatial ordinary least squares regressions (i.e. models fitted using ordinary least squares without taking autocorrelation into account; ‘‘OLS models’’ hereafter) and eight spatial methods to evaluate the frequency of coefficient shifts and identify characteristics of data that might predict when shifts are likely. We generated three metrics of coefficient shifts and eight characteristics of the data sets as predictors of shifts.

Typical of ecological data, spatial autocorrelation in the residuals of OLS models was found in most data sets. The spatial models varied in the extent to which they minimized residual spatial autocorrelation. Patterns of coefficient shifts also varied among methods and datasets, although the magnitudes of shifts tended to be small in all cases. We were unable to identify strong predictors of shifts, including the levels of autocorrelation in either explanatory variables or model residuals. Thus, changes in coefficients between spatial and non-spatial methods depend on the method used and are largely idiosyncratic, making it difficult to predict when or why shifts occur. We conclude that the ecological importance of regression coefficients cannot be evaluated with confidence irrespective of whether spatially explicit modelling is used or not. Researchers may have little choice but to be more explicit about the uncertainty of models and more cautious in their interpretation.


4.
Libro
Memoria: XXX congreso nacional de entomología
Congreso Nacional de Entomología (30 : 1995 : Chapingo, Estado de México) ;
Distrito Federal, México : Sociedad Mexicana de Entomología , 1995
Clasificación: 595.7 / C6/1995
Bibliotecas: Tapachula
Cerrar
SIBE Tapachula
ECO020001568 (Disponible)
Disponibles para prestamo: 1