Normal view MARC view ISBD view

Degradación de los stocks de carbono y validación a partir de sensores remotos en bosques tropicales de Wiwilí y El Cuá, Nicaragua :

by Argoty Benavides, Fredy Nelson; CATIE, Turrialba (Costa Rica). Escuela de Posgrado.
Publisher: Turrialba (Costa Rica) : CATIE ; 2013Description: 86 páginas : 14 ilustraciones, 20 tablas ; 21.59 x 27.94 cm +.Subject(s): BIOMASA | CARBONO | ALMACENAMIENTO | BOSQUE TROPICAL | ALOMETRIA | MODELOS | ESTIMACION | MEDICION | CICLO DEL CARBONO | DEFORESTACION | TELEDETECCION | IMAGENES POR SATELITE | ECUACIONES ALOMETRICAS | MODELOS ALOMETRICOS | BIOMASA AEREA | NICARAGUAOnline Resources: Texto completo (Es) Summary: Históricamente, la deforestación y la degradación forestal en Centroamérica han sido puntos críticos, afectando la función de los ecosistemas y servicios de regulación del clima tales como el almacenamiento de carbono. Los municipios de Wiwilí y El Cuá ubicados al norte de Nicaragua, no son la excepción y en ellos la agricultura de subsistencia y la expansión de la ganadería son los conductores de la deforestación y degradación de los ecosistemas y cuyo proceso acelerado ha afectado cerca del 56% de estos. La heterogeneidad estructural del bosque, la enorme extensión geográfica, la tasa de pérdida y de perturbación del bosque, tipo de suelo y variaciones topográficas, etc., limitan las estimaciones precisas de los stocks de carbono, por ello, se hace necesario reducir la incertidumbre en la cuantificación de la biomasa, centrándose particularmente en la biomasa aérea, la cual representa entre el 70 al 90% de la biomasa total del bosque. El objetivo del presente estudio fue por tanto crear un modelo para cuantificar la degradación de los stocks de carbono y validarlo a partir de sensores remotos en los bosques de Wiwilí (sector El Diamante) y en El Cuá (sector El Tabaco y Peñas Blancas). La muestra se estimó en función de la amplitud del intervalo de confianza, estableciendo 80 parcelas temporales de 50*20 m, las cuales fueron georeferenciadas bajo el sistema de coordenadas UTM Zona 16N Datum WGS 84. En cada parcela se estimaron variables dasométricas, además de cobertura y pendiente. La biomasa fue estimada a partir de modelos alométricos y posteriormente transformada a carbono. La biomasa se agrupo en categoría de tamaño: fustales (>10 cm dap) y latizales (59.9 cm dap), otras formas de crecimiento (helechos, lianas, palmas) y por compartimentos: biomasa aérea y detritos gruesos (árboles muertos en pie y madera caída). Los resultados muestran diferencias significativas entre la Z2 (Peñas Blancas) con el valor medio de carbono más bajo (83,42 Mg C ha-1 ±12,69), con la Z1 y Z3 de El Tabaco (153,04 Mg C ha-1 ±11,71), y El Diamante (172,38 Mg C ha-1 ±10,63) respectivamente, sin diferencias significativas entre ellos. Se diseñó una metodología para corregir espacialmente la escena RapidEye, al igual que se aplicaron algoritmos de corrección atmosférica, generando seis familias de procesamiento. Los datos obtenidos por parcela se correlacionaron con los valores de reflectancia generados a partir de 19 índices de vegetación y seis covariables (precipitación, temperatura, altitud, textura, pendiente y aspecto). El análisis de los datos se desarrolló bajo tres enfoques estadísticos: modelos lineales generales y mixtos, modelos aditivos y árboles de regresión. Los resultados indican que el mejor ajuste con la biomasa (R2=0,62), se encontró bajo modelos lineales generales y mixtos (y=15,75 +7,49(ORF_ GREENNESS)-0,03(ORFMCARI/MTVI2)). Buscando mejorar la estimación, se clasificó la biomasa a partir de análisis multivariado de conglomerados, designando umbrales bajo tres grados de degradación, ligera (246,8 Mg C ha-1), moderada (148,1 Mg C ha-1) y fuerte degradación (61,5 Mg C ha-1). Se hizo análisis multivariado discriminante y a partir de modelos aditivos se obtuvo la clasificación con menor porcentaje de error (13,24%), los índices de vegetación que aportaron al modelo fueron RededgeNDVI, MSAVI y temperatura como covariable. La matriz de confusión tuvo una exactitud global del 87%, mientras que el coeficiente de Kappa fue de 0,78.Summary: Deforestation and forest degradation have been historically critical in Central America, affecting the ecosystems function and climate-regulating services such as carbon storage. The Municipalities of Wiwilí and El Cuá, located in northern Nicaragua, have been no exception, where 56% of the forests and its ecosystem services have been affected mainly from subsistence farming and livestock expansion. The structural heterogeneity of the forest, the enormous geographic area, the forest disturbance rate loss, soil type and topographic variations, have limited accurate estimates of carbon stocks. Therefore, it is necessary to reduce the uncertainties of biomass quantifications, specially focusing on aerial biomass, which represents 70 to 90% of the total forest biomass. The aim of this study was to create a model to quantify carbon stocks degradation and validate Wiwilí (El Diamante) and El Cuas (El Tabaco and Peñas Blancas) forests from remote sensing. The sample was estimated based on the confidence interval width, establishing 80 temporary plots of 50 * 20 m, which were georeferenced in the UTM coordinate system Zone 16N WGS 84 Datum. Dasometric variables, coverage and slope measures were taken in each plot. Biomass was calculated using allometric models and converted to carbon. Biomass was classified into different size classes: upper-stem (> 10 cm dbh) and saplings (5-9.9 cm dbh), other growth forms (ferns, lianas, palms) and compartments: aerial biomass and detritus (standing dead trees and fallen timber). We found significant differences of lower carbon average value between Zone 2 (Peñas Blancas 83.42 Mg C ha-1 ± 12.69), and Zone 1 (El Tabaco 153.04 Mg C ha -1 ± 11.71) and 3 (El Diamante 172.38 Mg C ha-1 ± 10.63), but no significant differences amongst them. A methodology was designed to spatially correct the RapidEye image, and atmospheric algorithms were employed, generating six image processing families. Aboveground biomass was correlated with reflectance through 19 vegetation indices and 6 covariates (precipitation, temperature, elevation, aspect, slope, surface texture). We used three modeling approaches for this correlation: 1) general linear mixed model, 2) aditive models and 3) regression tree. Generalized linear and mixed models provided the best fit (R2= 0.62) Y=15,75+7,49 (0RF_Greenness) -0,03 (ORF_MCARI/MTVI2). The best image processing protocol was ORF (Orthorectify, convert to Radiance, FLAASH atmospheric correction) and the most representative vegetation index of degradation was MCARI/MTVI2. Seeking to improve the estimate, we classified the biomass from multivariate cluster analysis, and identified three degree of degradation from thresholds (light 246.8 Mg C ha-1, moderate 148.1 Mg C ha-1 and strong 61.5 Mg C ha-1) and categories: 1) additive models provided the lowest error (13.24%), 2) confusion matrix was accurate to 87% and 3) Kappa coefficient was 0.78. Generalized linear mixed models are an efficient tool to correlate remote sensing vegetation indices with field-measured forest carbon stocks, however, an accurate description of forest degradation requires more than just biomass and carbon stocks. Other variables to consider would be: species composition, ecological traits, stem density, etc. We suggest that a combination of the methods described here with historical LUC satellite imagery would be an alternative to study dynamics of forest area change and help estimate CO2 emissions from forest degradation.
    average rating: 0.0 (0 votes)
Location Collection Call number Copy Status Date due
BCO
Colección de Tesis Thesis A693 Available
BCO
Colección de Tesis Thesis A693 c.2 Available

Tesis (Mag. Sc. en Manejo y Gestión Integral de Cuencas Hidrográficas) -- CATIE. Escuela de Posgrado. Turrialba (Costa Rica), 2013

Bibliografía páginas 64-74

Históricamente, la deforestación y la degradación forestal en Centroamérica han sido puntos críticos, afectando la función de los ecosistemas y servicios de regulación del clima tales como el almacenamiento de carbono. Los municipios de Wiwilí y El Cuá ubicados al norte de Nicaragua, no son la excepción y en ellos la agricultura de subsistencia y la expansión de la ganadería son los conductores de la deforestación y degradación de los ecosistemas y cuyo proceso acelerado ha afectado cerca del 56% de estos. La heterogeneidad estructural del bosque, la enorme extensión geográfica, la tasa de pérdida y de perturbación del bosque, tipo de suelo y variaciones topográficas, etc., limitan las estimaciones precisas de los stocks de carbono, por ello, se hace necesario reducir la
incertidumbre en la cuantificación de la biomasa, centrándose particularmente en la biomasa aérea, la cual representa entre el 70 al 90% de la biomasa total del bosque. El objetivo del presente estudio fue por tanto crear un modelo para cuantificar la degradación de los stocks de carbono y validarlo a partir de sensores remotos en los bosques de Wiwilí (sector El Diamante) y en El Cuá (sector El Tabaco y Peñas Blancas).
La muestra se estimó en función de la amplitud del intervalo de confianza, estableciendo 80 parcelas temporales de 50*20 m, las cuales fueron georeferenciadas bajo el sistema de coordenadas UTM Zona 16N Datum WGS 84. En cada parcela se estimaron variables dasométricas, además de cobertura y pendiente. La biomasa fue estimada a partir de modelos alométricos y posteriormente transformada a carbono. La biomasa se agrupo en categoría de tamaño: fustales (>10 cm dap) y latizales (59.9 cm dap), otras formas de crecimiento (helechos, lianas, palmas) y por compartimentos: biomasa aérea y detritos gruesos (árboles muertos en pie y madera caída). Los resultados muestran diferencias significativas entre la Z2 (Peñas Blancas) con el valor medio de carbono más bajo (83,42 Mg C ha-1 ±12,69), con la Z1 y Z3 de El Tabaco
(153,04 Mg C ha-1 ±11,71), y El Diamante (172,38 Mg C ha-1 ±10,63) respectivamente, sin diferencias significativas entre ellos. Se diseñó una metodología para corregir espacialmente la escena RapidEye, al igual que se aplicaron algoritmos de corrección atmosférica, generando seis familias de
procesamiento. Los datos obtenidos por parcela se correlacionaron con los valores de reflectancia generados a partir de 19 índices de vegetación y seis covariables (precipitación, temperatura, altitud, textura, pendiente y aspecto). El análisis de los datos se desarrolló bajo tres enfoques estadísticos: modelos lineales generales y mixtos, modelos aditivos y árboles de regresión. Los resultados indican que el mejor ajuste con la biomasa (R2=0,62), se encontró bajo
modelos lineales generales y mixtos (y=15,75 +7,49(ORF_ GREENNESS)-0,03(ORFMCARI/MTVI2)). Buscando mejorar la estimación, se clasificó la biomasa a partir de análisis
multivariado de conglomerados, designando umbrales bajo tres grados de degradación, ligera (246,8 Mg C ha-1), moderada (148,1 Mg C ha-1) y fuerte degradación (61,5 Mg C ha-1). Se hizo análisis multivariado discriminante y a partir de modelos aditivos se obtuvo la clasificación con menor porcentaje de error (13,24%), los índices de vegetación que aportaron al modelo fueron RededgeNDVI, MSAVI y temperatura como covariable. La matriz de confusión tuvo una exactitud global del 87%, mientras que el coeficiente de Kappa fue de 0,78.

Deforestation and forest degradation have been historically critical in Central America, affecting the ecosystems function and climate-regulating services such as carbon storage. The
Municipalities of Wiwilí and El Cuá, located in northern Nicaragua, have been no exception, where 56% of the forests and its ecosystem services have been affected mainly from subsistence farming and livestock expansion. The structural heterogeneity of the forest, the enormous geographic area, the forest disturbance rate loss, soil type and topographic variations, have limited accurate estimates of carbon stocks.
Therefore, it is necessary to reduce the uncertainties of biomass quantifications, specially focusing on aerial biomass, which represents 70 to 90% of the total forest biomass. The aim of this study was to create a model to quantify carbon stocks degradation and validate Wiwilí (El Diamante) and El Cuas (El Tabaco and Peñas Blancas) forests from remote sensing. The sample was estimated based on the confidence interval width, establishing 80 temporary plots of 50 * 20 m, which were georeferenced in the UTM coordinate system Zone 16N WGS 84 Datum. Dasometric variables, coverage and slope measures were taken in each plot. Biomass was calculated using allometric models and converted to carbon. Biomass was classified into different size classes: upper-stem (> 10 cm dbh) and saplings (5-9.9 cm dbh), other growth forms (ferns, lianas,
palms) and compartments: aerial biomass and detritus (standing dead trees and fallen timber). We found significant differences of lower carbon average value between Zone 2 (Peñas
Blancas 83.42 Mg C ha-1 ± 12.69), and Zone 1 (El Tabaco 153.04 Mg C ha -1 ± 11.71) and 3 (El Diamante 172.38 Mg C ha-1 ± 10.63), but no significant differences amongst them. A methodology was designed to spatially correct the RapidEye image, and atmospheric algorithms were employed, generating six image processing families. Aboveground biomass was correlated with reflectance through 19 vegetation indices and 6 covariates (precipitation, temperature, elevation, aspect, slope, surface texture). We used three modeling approaches for this correlation: 1) general linear mixed model, 2) aditive models and 3) regression tree. Generalized linear and mixed models provided the best fit (R2= 0.62) Y=15,75+7,49 (0RF_Greenness) -0,03 (ORF_MCARI/MTVI2). The best image processing protocol was ORF (Orthorectify, convert to Radiance, FLAASH atmospheric correction) and the most representative vegetation index of degradation was MCARI/MTVI2. Seeking to improve the estimate, we classified the biomass from multivariate cluster analysis, and identified three degree of degradation from thresholds (light 246.8 Mg C ha-1, moderate 148.1 Mg C ha-1 and strong 61.5 Mg C ha-1) and categories: 1) additive models provided the lowest error (13.24%), 2) confusion matrix was accurate to 87% and 3) Kappa coefficient was 0.78. Generalized linear mixed models are an efficient tool to correlate remote sensing vegetation indices with field-measured forest carbon stocks, however, an accurate description of forest degradation requires more than just biomass and carbon stocks. Other variables to consider would be: species composition, ecological traits, stem density, etc. We suggest that a combination of the methods described here with historical LUC satellite imagery would be an alternative to study dynamics of forest area change and help estimate CO2 emissions from forest degradation.

Click on an image to view it in the image viewer