Académique Documents
Professionnel Documents
Culture Documents
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
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
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.
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).
Definicin y hiptesis sobre los residuos Distribucin Esta hiptesis se verifica grficamente mediante
normal de los una representacin grafica de los cuantiles
empricos en funcin de los cuantiles tericos.
residuos
A la observacin i-sima de la
variable de respuesta (Bi) y un
residuo (Ei) definido por:
Ei = Bi ^Bi 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