1.

ECUACIONES
ALOMTRICAS PARA LA
ESTIMACIN DE
VOLUMEN Y BIOMASA
DE RBOLES
Los bosques proporcionan muchos servicios,
como por ejemplo la produccin de madera,
lea y el almacenamiento de carbono. Ellos
requieren una estimacin rigurosa del
volumen y de la biomasa de los rboles. En
la escala de parcela, bosque o grupo de
bosques, la exactitud de esta estimacin
sigue siendo un desafo no solo por la
capacidad tcnica, humana y financiera, sino
tambin por las herramientas cientficas para
obtener y analizar los datos
 UN MANUAL PARA
MEJORAR LAS
ESTIMACIONES DE
VOLUMEN Y BIOMASA DE
LOS BOSQUES
Otro mtodo ms accesible para obtener una
estimacin de la biomasa de un rbol consiste en
utilizar la relacin existente entre el dimetro del rbol
y de la biomasa. Es en este nivel las ecuaciones
entran en juego. La alometra estudia las relaciones
existentes entre las caractersticas dimensionales de
los individuos en una poblacin. De hecho existe una
relacin estadstica entre cantidades fciles de medir a
gran escala (dimetro, altura, densidad de madera) y
variables difciles de medir, como la biomasa o el
volumen. Por lo tanto las mediciones costosas y
destructivas podrn ser limitadas a una muestra de
rboles y tendrn como objetivo identificar
estadsticamente los parmetros alomtricos para todo
el conjunto de arboles presente en el rea de
investigacin
 A. Seleccin delas
variables a
considerar y del
rea de validez del
modelo

B. Diseo del plan

G. Prediccin y
de muestreo y
validacin de
seleccin de
modelos
rboles a medir

C. Preparacin y
F. Ajuste de la ejecucin de la
ecuacin campaa de
alomtrica a partir medicin en
de los datos campo y en
laboratorio

E. Exploracin
D. Entrada de
grfica de los
datos
datos
 2.- SELECCIN DE LOS FACTORES QUE INFLUYEN EN LA BIOMASA DE
LOS RBOLES Y ZONA DE VALIDEZ DE LA ECUACIN

Para La validez de las ecuaciones alomtricas

debe existir una relacin proporcional entre
los crecimientos relativos de los componentes
de un individuo.ejem. La biomasa de un rbol
est relacionada con su dimetro
Las variables explicativas entonces tienen que ser
buscadas entre aquellos parmetros que
efectivamente tienen una influencia sobre el
crecimiento de los arboles
 La fertilidad de la estacin a travs de la
relacin entre la edad de su poblacin y
su altura dominante H0 (ley Eichhorn
extendida, vlida para poblaciones de la
misma edad y mono especcas),

El crecimiento de los arboles tanto en longitud y

dimetro depende de su patrimonio gentico
,del estadio de desarrollo y de los factores
ambientales
La densidad de la poblacin (factor de
espaciamiento de Hart-Becking, ndice de
Densidad de Reinecke, RDI, coeciente
de esbeltez, H/D, coeciente de solidez
D1/2/H) para tener en cuenta la
competencia entre rboles,

El estado social de los rboles (H/H0 o

estos factores se puede D/D0, donde D0 es el dimetro
interpretar en variables dominante de la poblacin).
matemticas como por
ejemplo
 TOMA DE MUESTRAS Y ESTRATFICACIN DE
LOS RBOLES PARA MEJORAR LA RELACIN
ENTRE COSTO Y PRECISIN DEL MODELO
FINAL

el error de muestreo
es asociado con el hecho de que slo algunos rboles se miden
puede reducirse durante el diseo del plan de muestreo, es decir
En el proceso de durante la seleccin de los rboles que sern parte de la muestra.
moldelizacion de
biomasa se forman dos
tipos de error

error de prediccin
es asociado con el hecho de que el modelo nal dar siempre una
el manual ofrece
aproximacin del volumen o de la biomasa
muchos consejos para
est estrechamente relacionada con la construccin del modelo.
evitarlos
 A mayor variabilidad de la poblacin mayor ser el tamao de muestra
Por lo tanto, una poblacin mono-especfica y coetnea (una
Tamao de la plantacin industrial, por ejemplo) requiere un tamao de muestreo ms
muestra pequeo que un bosque tropical para el mismo error.

La seleccin de los rboles en la muestra tiene inuencia sobre el error

Toma de muestras de muestreo
para determinar la en el caso de una regresin lineal (1) la precisin aumenta con el
biomasa de un Seleccin de tamao de la muestra y (2) es preferible muestrear rboles en todo el
los arboles rango de valores de la variable de entrada (ver el Recuadro 3)
rbol

Se hace en base a algunos criterios como por ejemplo edad de la

poblacin , fertilidad, estacin, silvicultura, variedad o especie, altitud,
La profundidad de las aguas subterrneas, etc.
estratificacin Sirve para hacer una mejor precisin de la estimacin para un tamao
de la zona a determinado de la muestra(ver el Recuadro 4).
inventariar
 para estimar la biomasa de una poblacin se mide todos
los arboles dentro de una parcela
el muestreo para
estimar la biomasa de
una poblacin aparte de estas
herramientas para
mejorar la
precisin de la toma de
muestras, la realizacin
de una ecuacin
alomtrica depende de
muchos otros factores,
como los recursos
financieros, humanos,
tcnicos y
medioambiental
 4. ENTRADA DE LOS DATOS

Las tablas tienen que ser anidadas si se consideran varios niveles

de datos.

Pasos que limitan los errores en la fase Para asegurar una buena comprensin de los datos, puede ser
de ajustamiento de modelo. til incluir informacin sobre ellos (meta-informacin).

Un mtodo costoso pero que asegura una buena fiabilidad de

los datos consiste en realizar una doble entrada por dos
operadores diferentes.
 EXPLORACIN GRFICA DE LOS DATOS

Los resultados de un modelo se componen de dos trminos: la media

y el error estndar (o residual).

Permite definir la forma de la media y de los residuos sin determinar

Pasos clave en la bsqueda de variables los parmetros del modelo .
explicativas relevantes para la modelizacin de la
biomasa.

El mtodo consiste en la representacin de los valores de la variable a

explicar en funcin de cada variable explicativa y observar si la nube
de puntos obtenidos sigue una forma particular o no, y si la varianza
de los residuos es constante o no.
Este paso tambin permite encontrar errores importantes de entrada de datos.Los grficos siguientes (Figura 9)
ilustran estos cuatro tipos de relacin.

Figura 9. A: relacin lineal, varianza constante de los

residuos; B: relacin no lineal, varianza constante de
los residuos; C: relacin lineal, varianza de los residuos
no constante; D: relacin no lineal, varianza de los
residuos no constante.
 5. AJUSTE DE LA ECUACIN A
PARTIR DE LOS DATOS
Se utilizara mtodos y pruebas
estadsticas.
Todos estas herramientas se basan en el
comportamiento de los residuos del modelo
Definicin y hiptesis sobre los residuos
A la observacin i-sima de la
variable de respuesta (Bi) y un
residuo (Ei) definido por:
Ei = Bi ^Bi
Las herramientas estadsticas para determinar los
parmetros del modelo se basan en el
comportamiento de estos residuos y sobre la verificacin
a posteriori de tres hiptesis:
Esta hiptesis no suele verificarse mediante
Independencia clculo
de los residuos Se debe averiguar en el momento del muestro de
los rboles.
Distribucin Esta hiptesis se verifica grficamente mediante
normal de los una representacin grafica de los cuantiles
empricos en funcin de los cuantiles tericos.
residuos
Varianza Esta hiptesis es tambin conocida como
homocedasticidad.
constante de Se habla de heterocedasticidad cuando este
los residuos: supuesto no se ha verificado.
Figure 1. A la izquierda la varianza de los residuos es homognea, a la derecha la distribucin
de los residuos es normal.
 Los diferentes tipos de ajuste

Tabla 1. Tabla que muestra varias pruebas estadsticas utilizadas para el ajuste del modelo.
El conjunto de smbolos y los clculos es explicado en el manual.
 MTODO DE REGRESIN LINEAL
SELECCIN ENTRE LOS
MODELOS YA EXISTENTES
En el caso de modelos anidados,
El mtodo de los mnimos cuadrados consiste en el
la seleccin vuelve a probar si los
calcular la suma de los cuadrados de los residuos (SCE),
parmetros adicionales del modelo
y luego en el encontrar el conjunto de parmetros que
ms completo son significativas o
minimiza esta suma. Este clculo es relativamente fcil,
no. La hiptesis nula se rechaza si
pero es adecuado slo para los modelos ms simples:
el p-value de la prueba (Fischer
regresin lineal simple o mltiple.
para los modelos lineales o 2
para los modelos no lineales) es
menor que el nivel de significacin
(el modelo completo es el mejor en
este caso).
En el caso de los modelos con la
misma variable de respuesta, el
mejor modelo es el que minimiza
el criterio de informacin de Akaike
(AIC). Este criterio se basa en la
verosimilitud del modelo utilizado.
ESTRATIFICACIN Y AGREGACIN DE
LAS OBSERVACIONES

Cuando los datos son estratificados, hay dos mtodos

para ajustar el conjunto de datos: (1) cada estrato se
ajusta separadamente utilizando los mtodos descritos
anteriormente o (2) se analiza el conjunto de datos en su
totalidad. En el segundo caso, el anlisis utilizado se
llama anlisis de covarianza. Se supone que todos los
residuos tienen la misma varianza dentro y entre los
diferentes estratos. Se utiliza un test de Fisher para
probar si los parmetros del modelo son
significativamente diferentes de 0. Cuando el nmero de
estratos es demasiado grande, el manual presenta otras
soluciones. Este caso puede ocurrir en la estratificacin
por especies de rboles. Por ltimo, el manual tambin
presenta soluciones para integrar los modelos para cada
compartimento del rbol en un nico modelo, por ejemplo Figura 01 . Prediccin de la biomasa en cuatro tipos
mediante el uso de los modelos multivariados diferentes (slidos, trazos, puntos, punto-de trazos)
ajustado a los datos de 42 rboles (puntos) medido en
Ghana