CAPITULO 1 CICLO BIOGEOQUÍMICO GLOBAL DEL CARBONO

Los resultados muestran que el parámetro Coherencia HV fue el que mejor correlacionó el fenómeno del carbono almacenado en la biomasa aérea de los bosques del Territorio de Conservación DF debido a que la retrodispersión recibida por el radar está directamente relacionada con el tamaño, forma y propiedades dieléctricas de Elementos de dispersión en cubiertas vegetales. En este trabajo se investigaron las asociaciones estadísticas de coherencia, coeficientes de opacidad y textura de imágenes de ALOS PALSAR, así como índices de vegetación y texturas de imágenes SPOT, donde el parámetro Coherencia HV es el que mejor explica el contenido de carbono almacenado en la biomasa aérea. de los bosques de conservación de Oyamel y Pino del Suelo del Distrito Federal.

CICLO BIOGEOQUÍMICO GLOBAL DEL CARBONO

PROCESOS DE RETROALIMENTACIÓN DE CARBONO ENTRE LOS SUBSISTEMAS
INTERACCIÓN DEL CICLO DEL CARBONO CON OTROS CICLOS
INTERACCIÓN DEL CICLO DEL CARBONO CON EL SISTEMA CLIMÁTICO

El proceso de transporte de carbono desde la superficie de los océanos hasta sus profundidades se conoce como bombeo biológico (Post et al. Chapin et al. El CO2 regresa a la atmósfera mediante el mismo proceso que en los ecosistemas, la respiración de los organismos fotosintéticos y el afloramiento de aguas profundas (Chapin et al.

OBJETIVOS DE LA INVESTIGACIÓN

OBJETIVO GENERAL

OBJETIVO PARTICULARES

EL PAPEL DE LA GEOMÁTICA EN LA ESTIMACIÓN DE LA DISTRIBUCIÓN

INTRODUCCIÓN

Para comprender la dinámica de acumulación e intercambio de gases de efecto invernadero (GEI) en la atmósfera, es fundamental conocer el funcionamiento del ciclo global de los elementos que la componen, como el dióxido de carbono (CO2), identificando sus fuentes, fluye. y almacenes. En las últimas décadas se han realizado investigaciones sobre estimaciones de la biomasa aérea en los bosques, lo que ha dado lugar a importantes debates sobre los datos y modelos satelitales clave para generar estimaciones más precisas (Lu Goetz et al., 2009:2; GOFC-GOLD.

SENSORES ÓPTICOS

PARÁMETROS FORESTALES
VALORES RADIOMÉTRICOS E ÍNDICES DE VEGETACIÓN

Se utilizaron árboles de decisión para correlaciones de las métricas derivadas de las propiedades espectrales y espaciales de los objetos de la imagen y los datos del inventario experimental. En conclusión, concluyen que este método proporciona un mapeo confiable de la biomasa aérea en los bosques de coníferas de Canadá.

SENSORES ACTIVOS

RADAR

COEFICIENTE DE RETRODISPERSIÓN
MODELOS TEÓRICOS

INTERFEROMETRÍA

COHERENCIA
MODELO DIGITAL DE ALTURA DEL DOSEL

LIDAR

32 altura y cobertura del dosel, por lo que concluyen que esto puede deberse al efecto de penetración de la longitud de onda de los datos SRTM y las condiciones del suelo. Los resultados muestran un coeficiente de correlación de 0,88, por lo que concluyen que los sistemas Lidar proporcionan datos tridimensionales de la estructura de la cubierta forestal y son susceptibles de manejo y análisis automatizados.

SINERGIAS

Los resultados muestran correlaciones generales de 0,58 con errores cuadráticos medios de los valores de estructura de 1,51 Mgha-1 respectivamente. Por tanto, una estrategia óptima para mapear la biomasa aérea es la combinación o fusión de información de múltiples sensores. Los resultados muestran valores promedio de error cuadrático medio de 1,43 tC/ha para el caso de regresión múltiple y 0,038 tC/ha para la red neuronal, concluyendo así que los algoritmos de redes neuronales son métodos consistentes para la estimación de biomasa aérea. en comparación con el uso de regresiones múltiples.

GEOESTADÍSTICA

Los resultados muestran coeficientes de correlación de 0,88 con un valor de error cuadrático medio de 2,1 millones, por lo que concluyen que este enfoque proporciona un marco teórico y operativo para trabajos futuros que pueden centrarse en la estimación de la biomasa aérea. 2008), se realizó una comparación entre estimaciones de biomasa aérea derivadas de una regresión múltiple y un algoritmo de red neuronal, alimentados por información experimental de bosques de Nueva Inglaterra en Estados Unidos, índices de vegetación y parámetros de textura de imágenes de Ikonos, además de datos topográficos. , tipo de suelo y drenaje. Los resultados muestran un error cuadrático medio de 99,4 m3/ha y una correlación entre el volumen estimado y medido de 0,56, por lo que concluyen que este método está limitado en la estimación de parámetros cuyos valores varían abruptamente. 2007) mapeó la distribución espacial de la biomasa forestal utilizando Kriging con deriva externa, un estimador multivariado porque utiliza variables externas relacionadas con las variables de interés para una mejor estimación. Los resultados muestran un error cuadrático medio de 35,4, por lo que concluyen que utilizar la geoestadística es más apropiado para estimar la distribución de la biomasa en el aire que utilizar un promedio simple o técnicas estadísticas que no tienen en cuenta la correlación espacial. 2008) cartografió la biomasa aérea utilizando Kriging ordinario ajustando el variograma experimental con cinco modelos teóricos (lineal, esférico, circular, exponencial y gaussiano) en los bosques de Nueva Inglaterra en los Estados Unidos.

ÁREA DE ESTUDIO Y ANTECEDENTES DE ESTUDIOS DE CASO EN EL SUELO

LOCALIZACIÓN DEL SUELO DE CONSERVACIÓN DEL DISTRITO FEDERAL
GEOLOGÍA
CLIMA
SUELOS
VEGETACIÓN
ANTECEDENTES DE ESTUDIOS DE CASO EN EL SUELO DE CONSERVACIÓN

Las estimaciones de los parámetros de la línea de regresión obtenidas con este procedimiento son (Weimer. Los modelos de distribución espacial del carbono almacenado se muestran en el rango de la figura. Además de explorar la autocorrelación espacial del carbono almacenado en la biomasa aérea así como la de variables auxiliares o secundarios a utilizar.

MÉTODOS

ESTIMACIÓN DEL CARBONO ALMACENADO

La información recolectada en estas unidades es la siguiente: Nombre científico y común de la especie, su diámetro normalizado (DN) y su altura total (A) por árbol (INIFAP, 2010). El estimador de punto por hectárea para el i-ésimo grupo se muestra a continuación (INIFAP. Áreas de tipos de vegetación (2008) se obtienen de la base cartográfica proporcionada por el PAOT.

CÁLCULO DE PARÁMETROS ASOCIADOS AL CARBONO A PARTIR DE IMÁGENES

PREPROCESAMIENTO
CÁLCULO DE ÍNDICES DE VEGETACIÓN
CÁLCULO DE TEXTURAS

Las imágenes SPOT utilizadas para crear el mosaico se muestran en la Figura 5.4. Desde la década de 1960 se trabaja en la modelización de variables biofísicas en la cubierta forestal, siendo el desarrollo de índices de vegetación una de las líneas de investigación más exploradas. Las texturas son propiedades intrínsecas de las superficies, y su importancia radica en la identificación de objetos o un conjunto de objetos en una imagen, dado que están relacionadas con los arreglos estructurales de la superficie terrestre y las conexiones entre objetos vecinos.

CÁLCULO DE PARÁMETROS ASOCIADOS AL CARBONO A PARTIR DE IMÁGENES

PREPROCESAMIENTO
CÁLCULO DE LOS COEFICIENTES DE RETRODISPERSIÓN
CÁLCULO DE COHERENCIA
CÁLCULO DE TEXTURAS

A continuación se muestra un ejemplo de una imagen SLC y el coeficiente de retrodispersión estimado a partir de ella (Figura 5.10). El rango de valores de coherencia de imagen es de 0 a 1 y nos ayuda a conocer la descorrelación que existe entre dos imágenes. Se aplicó el cálculo de coherencia entre pares de imágenes SLC con la misma polarización (HH – HH; HV – HV).

REMUESTREO

El presente estudio compara los modelos derivados de la aplicación de Cokriging Ordinario y Kriging de Regresión. Sólo en el caso de la textura Contraste en la banda del infrarrojo cercano no existe ningún patrón espacial. En esta investigación se investigaron las asociaciones estadísticas de coherencia, coeficientes de retrodispersión y textura de imágenes ALOS PALSAR, así como índices de vegetación y texturas de imágenes SPOT, siendo el parámetro Coherencia HV el que tiene asociación con la oferta almacenada. mejor carbono. contenido en la biomasa aérea de los bosques de Oyamel y Pino del Suelo de Conservación del Distrito Federal.

MÉTODOS PARA EL ANÁLISIS DE LA RELACIÓN ENTRE 2 VARIABLES

COEFICIENTES DE CORRELACIÓN
ÍNDICES DE MORAN

MODELOS DE DISTRIBUCIÓN ESPACIAL

MODELOS DE REGRESIÓN SIMPLE
MODELOS GEOESTADÍSTICOS

CO-KRIGING ORDINARIO
REGRESSION-KRIGING

77 RANGO: Corresponde prácticamente a la distancia a la que dos observaciones son independientes. Otro punto interesante de discusión es la polarización HV, que a diferencia de las polarizaciones con igual transmisión (HH y VV), es más sensible debido a la despolarización de las ondas electromagnéticas debido a los múltiples eventos de dispersión que ocurren en el dosel (Goetz et al. , 2009: 2). Espinoza, Mónica., 2005, Evaluación del contenido y secuestro de carbono en un bosque de Pinus hartwegii en la cuenca alta del río Magdalena, Magdalena Contreras, D.F.

VERIFICACIÓN

RESULTADOS Y DISCUSIÓN

SELECCIÓN DE SITIOS DE MUESTREO

De acuerdo al tamaño de muestra (Cuadro 6.1), solo se seleccionaron dos tipos de vegetación: bosque de oyamel (abies religiosa) y bosque de pino (Pinus spp.), dado que tienen muestras >30 y de acuerdo al teorema del límite central, este es el umbral, en el que independientemente de la distribución de la variable de interés, la distribución de la media muestral será aproximadamente normal (Weimer, 1996:378). Además, según datos cartográficos del PAOT (2008), el bosque de Pinos y Oyamel son los dos tipos de vegetación con mayor superficie en el suelo de conservación con 19.529,96 ha y 9.357,6 ha, respectivamente, lo que equivale al 73,5% del área total. ocupado por vegetación. El análisis propuesto en este estudio limita la modelación según el tipo de cobertura vegetal para considerar solo la variabilidad de la cobertura derivada de su estructura, composición y densidad, en contraste con Galeana (2008) e INIFAP (2010). , donde se tienen en cuenta todos los tipos de coberturas.

ANÁLISIS EXPLORATORIO DE LOS DATOS

82 realizó dos procesos de filtrado de datos: 1) un análisis visual de la presencia de nubes para el caso del mosaico de imágenes SPOT (figura 6.1) y 2) verificar que las ubicaciones de muestreo estén dentro de las imágenes de ALOS PALSAR, ya que no lo hacen. cubrir todas las tierras de conservación (figura 6.2); quedando 148 conglomerados en el caso del bosque de pino y 78 en el caso del bosque de Oyamel. Para la calibración de los modelos se seleccionaron aleatoriamente 74 y 39 sitios, respectivamente, además del mínimo y máximo de ambas muestras. El siguiente conjunto de datos se dividió para validar los modelos derivados.

COEFICIENTES DE CORRELACIÓN

90 Respecto a las correlaciones encontradas para los coeficientes de retrodispersión (oyamel 0.52 y pino 0.56 en polarizaciones HV), comparado con lo reportado en la investigación de Foody et al. En el caso del estudio de Kuplich et al. 2000), la relación se investigó con información del sensor JERS-1 (r2= 0,15) y bosques en regeneración en Camerún, limitando la asociación sólo a la polarización HH, que no es tan sensible como es el caso de la polarización HV. Por otro lado, respecto a los trabajos de Kuplich et al. 2009), se presentan coeficientes de Pearson bajos.

ÍNDICES DE MORAN

En el caso de los bosques de Oyamel, los valores se presentan con una autocorrelación espacial positiva que va desde moderada (Coherencia HV) hasta alta (Disimilitud del Cinturón Verde). En el caso de los pinares, se presentan valores medios con autocorrelación espacial positiva para los parámetros Coherencia HV y Coeficiente de retorno HV. En el caso del NDVI apareció una autocorrelación espacial negativa, lo que indica que las unidades espaciales vecinas presentan valores muy diferentes y por tanto una tendencia en su distribución.

MODELOS DE DISTRIBUCIÓN ESPACIAL

Los covariogramas experimentales encontrados para ambos tipos de vegetación muestran que los parámetros seleccionados muestran estructuras de dependencia espacial, dado que no presentan semivarianzas constantes en función de la distancia. 95 para Pina entre 8,850 y 14,180 metros, que son las distancias respectivas a partir de las cuales las observaciones son independientes, y considerando que la distancia máxima entre sitios de muestreo para los bosques de Oyamel es de 13 km y 34 km para Pina, lo cual es grande en el sentido de que representa un tercio de la distancia máxima en cuestión. a) Coherencia HV b) Sigma HV. En este caso, los rangos encontrados en los modelos teóricos ajustados tienen un intervalo entre 1299 y 17460 metros para la cobertura de Oyamel y para Pina entre 990 y 9360 metros, que son las distancias correspondientes sobre las cuales las observaciones son independientes y considerando que el Máximo La distancia entre los sitios de muestreo para los bosques de Oyamel es de 13 km y de 34 km para Pina, la cual es sólo alta para el parámetro de coherencia HV en términos de representar un tercio de las distancias máximas correspondientes.

VERIFICACIÓN

En el estudio de Flores (2006) en los bosques de la cuenca del río Magdalena en la delegación Magdalena Contreras, se evidencia el alto índice de incendios en la zona, ya que para el periodo 1995-2004 se presentaron 157 incendios, siendo el año 1998 con la mayor incidencia. Además de muestrear otros tipos de vegetación que no están incluidos ni en la información del PAOT-CORENA ni en la PAOT-INIFAP, como Bosques de Encino y Humedales, esto para poder mapear la densidad de carbono en la biomasa aérea en un área mayor de Tierra Conservada. Reservorios de carbono: Este estudio se centró únicamente en el carbono almacenado en la biomasa aérea (tallos, ramas y hojas), por lo que se evalúan los otros cuatro reservorios a) biomasa subterránea (raíces), b) necromasa (árboles muertos, ramas, entre otros), c) Mantillo y d) Suelo, permitirían una comprensión integral de la conservación del sumidero del suelo.

CONCLUSIONES

Hyde, P., et al., 2006, Forest structure mapping for wildlife habitat analysis using multi-sensor synergy (LiDAR, SAR/InSAR, ETM+, Quickbird). López-Quiroz, P., et al., 2009, Time series analysis of landslip in Mexico City constrained by radar interferometry. Tansey, K., et al., 2004, Forest volume resource classification using ERS successional coherence and JERS return data.