Evaluación de dos métodos para la estimación de biomasa arbórea a través de datos LANDSAT TM en Jusnajab La Laguna, Chiapas, México: estudio de caso

Se evaluaron dos métodos para estimar biomasa arbórea con apoyo en sensores remotos (LANDSATTM). El primer método se realizó con base en una clasificación supervisada multiespectral con seis bandas Se utilizaron tipos de vegetación identificados a partir de la composición de biomasa de los géneros dominantes y de la altura promedio estimada del dosel habiéndose distinguido ocho clases de vegetación. Se obtuvo una biomasa total de 1 073 x 103t (902 x 103t a 1220 x 103t). En el segundo método se utilizaron índices diferenciados de vegetación (NDVI) de las bandas TM4/TM3; TM4/TM5 y TM4/TM7. Se aplicó un modelo de regresión que relaciona la biomasa promedio con los valores digitales (VD) de los NDVI. El modelo exponencial fue el de mejor ajuste para los tres NDVI con una p ? 0.01 Los valores de los NVDI fueron TM4/TM3: R2=0.611; TM4/TM5: R2=0.671 y TM4/TM7: R2=0.676. La biomasa total estimada con cada NDVI fue de 1 164 x 103t (490 x 103t a 2 409 x 103) para TM4/TM3; de 515 x 1031 (331 x 103t a 757 x 103t) para TM4/TM5 y de 726 x 10ª t (398 x 1031 a 1 210 x 1031) para TM4/TM7. El resultado de la biomasa total calculada por el método de clasificación multiespectral, comparado con los valores estimados por el método de ordenamiento exponencial, mostró mayor similitud con el valor máximo del NDVI que relaciona las bandas TM4/TM7 (de mayor ajuste estadístico) y con el valor promedio del NDVI TM4/TM3 (de menor ajuste estadístico). Utilizando el NDVI TM4/TM5, todos los valores de biomasa resultaron más bajos. De este estudio se concluye que es posible asociar razonablemente la biomasa de vegetación arbolada de pino-encino y reservorios de carbono con los índices de vegetación A través del uso de sensores remotos se podrían predecir cambios de biomasa en escalas temporales y espaciales.

Abstract licence: CC BY-NC

15 more references, whose wording the paper’s licence keeps private.

A person counts once a day per paper. We keep no cookie and no address: a reader is a hash that changes every day. Any month under five reads shows no number.