105198

Master Thesis ǀ Tesis de Maestría submitted within the UNIGIS MSc programme presentada para el Programa UNIGIS MSc at/en

Interfaculty Department of Geoinformatics- Z_GIS Departamento de Geomática – Z_GIS University of Salzburg ǀ Universidad de Salzburg

Estimación de Biomasa Área y Carbono con Teledetección en el Bosque de Galilea – Tolima, Colombia.

Biomass Area and Carbon Estimation with Remote Sensing in the Galilea Forest – Tolima, Colombia. by/por

Ing. Juan Diego Marín Herrera 11825872 A thesis submitted in partial fulfilment of the requirements of the degree of Master of Science– MSc Advisor ǀ Supervisor: Anton Eitzinger PhD

Ibagué - Colombia, febrero 14 de 2021

Compromiso de Ciencia Por medio del presente documento, incluyendo mi firma personal certifico y aseguro que mi tesis es completamente el resultado de mi propio trabajo. He citado todas las fuentes que he usado en mi tesis y en todos los casos he indicado su origen.

Ibagué-Colombia, 14 de febrero de 2021 ___________________________________ (Lugar, Fecha) (Firma)

Agradecimientos A mi familia quienes fueron un gran apoyo en todo este proceso.

A la Ingeniera Lorena Alzate y al Ingeniero Miguel Acuña, quienes fueron una gran ayuda y un gran apoyo en el desarrollo de este Documento.

A mi director de tesis, Dr. Anton Eitzinger, quien brindo una acertada asesoria para culminar con éxito este documento.

A la Corporación Autonoma Regional del Tolima y La Universidad del Tolima, quienes desarrollaron la ruta para la declaratoria como area protegida al Bosque de Galilea, y en este proceso capturaron informacion necesaria para el desarrollo de esta investigación.

Resumen Los bosques son ecosistemas importantes en los ciclos biogeoquímicos presentes en la naturaleza y entre ellos, para el ciclo del carbono. Es por esto, que estimar la biomasa y el carbono contenidos en estos grandes reservorios es fundamental para entender su importancia en la mitigación y adaptación al cambio climático. Mediante el uso de herramientas de teledetección y el uso de ecuaciones alométricas se estimó la biomasa aérea y el carbono contenidos en las áreas boscosas del Parque Natural Regional Bosque de Galilea del Tolima, Colombia. Para esto, se correlacionaron índices de vegetación con la biomasa estimada en parcelas de 100 m², y se generaron ecuaciones alométricas con las cuales estimar la biomasa y el carbono contenidos en el área boscosa del Parque. Se evidencio que el promedio focal del índice de diferencia normalizada tuvo una mayor correlación con la biomasa estimada en las parcelas y que el modelo asociado al logaritmo natural fue el que presentó mayor poder de predicción para todas las zonas de vida dentro del Parque. Se obtuvo un resultado de 849,104.448 toneladas de biomasa y 424,554.224 toneladas de carbono en la zona de vida del bosque muy húmedo pre montano; 590,735.168 toneladas de biomasa y 295,367.584 toneladas de carbono en la zona de vida del bosque húmedo montano bajo; 99,306.696 toneladas de biomasa y 49,653.348 toneladas de carbono en la zona de vida del bosque húmedo pre montano y 289,316.288 toneladas de biomasa y 144,658.144 toneladas de carbono en la zona de vida del bosque muy húmedo montano bajo.

Palabras Clave: Biomasa Teledetección, Bosques.

aérea,

Carbono,

4

Índices

de

Vegetación,

Abstract Forests are essential ecosystems in the biogeochemical cycles present in nature and among them, for the carbon cycle. For this reason, estimating the biomass and carbon contained in these large reservoirs is essential to understand their importance in mitigating and adapting to climate change. Using remote sensing tools and allometric equations, the aerial biomass, and carbon contained in the forested areas of the Forest of Galilea del Tolima Regional Natural Park, Colombia, were estimated. Thus, vegetation indices were correlated with the biomass estimated in 100 m² plots, and allometric equations were generated with which to estimate the biomass and carbon contained in the wooded area of the Park. The results show that the focal average of the normalized difference index had a greater correlation with the biomass estimated in the plots, and the model associated with the natural logarithm was the one that presented the greatest predictive power for all life zones within the Park. A result of 849,104.448 tons of biomass and 424,554.224 tons of carbon was obtained in the pre-montane very humid forest life zone; 590,735.168 tons of biomass and 295,367.584 tons of carbon in the low montane humid forest life zone; 99,306.696 tons of biomass and 49,653.348 tons of carbon in the life zone of the pre-montane humid forest and 289,316.288 tons of biomass and 144,658.144 tons of carbon in the life zone of the low montane very humid forest.

Key Words: Aerial biomass, Carbon, Vegetation Indices, Remote Sensing, Forests.

5

Tabla de Contenido 1.

2.

Introducción ............................................................................................................... 13 1.1

Antecedentes ...................................................................................................... 13

1.2

Objetivos y preguntas de investigación .......................................................... 14

1.2.1

Objetivo General. ........................................................................................ 14

1.2.2

Objetivos Específicos. ................................................................................ 14

1.3

Preguntas de investigación .............................................................................. 15

1.4

Hipótesis .............................................................................................................. 15

1.5

Justificación ......................................................................................................... 15

1.6

Alcance ................................................................................................................ 17

Revisión de la literatura ........................................................................................... 18 2.1

Los bosques y el carbono ................................................................................. 18

2.1.1

Biomasa. ...................................................................................................... 19

2.1.2

Relación entre Biomasa y Carbono. ........................................................ 20

2.2

Estimación de biomasa aérea .......................................................................... 20

2.2.1

Estimación Directa de Biomasa Aérea. ................................................... 21

2.2.2

Estimación Indirecta de Biomasa Aérea. ................................................ 22

2.3

Estimación de biomasa aérea a partir de teledetección .............................. 24

2.3.1

Índices de vegetación. ............................................................................... 25

2.3.2

Corrección de imágenes satelitales. ........................................................ 27

2.3.3

Imágenes Satelitales Planet Scope. ........................................................ 27

6

2.4 3.

4.

El bosque de Galilea.......................................................................................... 28

Metodología ............................................................................................................... 29 3.1

Área de estudio .................................................................................................. 29

3.2

Justificación de la metodología ........................................................................ 31

3.3

Desarrollo de la Metodología ........................................................................... 32

3.3.1

Estimación de biomasa y carbono. .......................................................... 32

3.3.2

Índices de vegetación ................................................................................ 36

3.3.3

Estimación de la biomasa aérea para el bosque de galilea ................ 37

Resultados y Discusión............................................................................................ 39 4.1

Resultados .......................................................................................................... 39

4.1.1

Estimación de biomasa aérea. ................................................................. 39

4.1.2

Calculo de índices de vegetación ............................................................ 39

4.1.3

Extracción de los valores de los índices de vegetación ....................... 41

4.1.4

Análisis de correlación ............................................................................... 42

4.1.5

Selección del Modelo ................................................................................. 42

4.1.6

Distribución espacial de la biomasa aérea y el carbono ...................... 50

4.2

Discusión ............................................................................................................. 52

5.

Conclusiones ............................................................................................................. 56

6.

Referencias ................................................................................................................ 58

7.

Anexos ........................................................................................................................ 69

7

Glosario AIC: Criterio de Información Akaike Bh-PM: Bosque húmedo premontano Bh-MB: Bosque húmedo montano bajo BIC: Criterio de Información Bayesiano Bmh-MB: Bosque muy húmedo montano bajo Bmh-PM: Bosque muy húmedo premontano CO2: Dióxido de Carbono CORTOLIMA: Corporación Autónoma Regional del Tolima DEM: Modelo de Elevación Digital.

ECMP: Error Cuadrático Medio de Predicción Ecuación alométrica: Ecuación matemática que determina o explica las relaciones entre los atributos biológicos de un individuo.

EVI: Índice de Vegetación Mejorado FPAR: Fracción de Radiación Fotosintéticamente Activa GEI: Gases de Efecto Invernadero GPP: Producción Primaria Bruta IDEAM: Instituto de Hidrología, Meteorología y Estudios Ambientales Índice de vegetación: Índice usado para estimar la cantidad, calidad y desarrollo de la vegetación con base a la medición de la intensidad de la radiación de ciertas bandas del espectro electromagnético que la vegetación emite o refleja.

8

IPCC: Intergovernmental Panel on Climate Change IRC: Infrarrojo cercano LAI: Índice de Área Foliar ND: Niveles Digitales NDVI: Índice de Vegetación de Diferencia Normalizada NIR: Infrarrojo Cercano Parque Regional Natural: Espacio geográfico en el que paisajes y ecosistemas estratégicos en la escala regional, mantienen la estructura, composición y función, así como los procesos ecológicos y evolutivos que los sustentan.

R2: Coeficiente de Determinación R2adj: Coeficiente de Determinación Ajustado SAVI: Índice de Vegetación Ajustado al Suelo SFFI: Santuario de Fauna y Flora Iguaque Teledetección: Detección a distancia de informaciones que se producen en la superficie de la Tierra que se realiza mediante satélites y sondas artificiales.

Zonas de vida: Grupo de asociaciones vegetales dentro de una división natural del clima, las cuales tomando en cuenta las condiciones edáficas y las etapas de sucesión, tiene una fisionomía similar en cualquier parte del mundo.

9

Lista de Figuras Figura 1. Comportamiento de la biomasa aérea por hectárea en función a la altitud. ............................................................................................................................................. 19 Figura 2. Relación entre Biomasa y Carbono. ............................................................. 20 Figura 3. Estimación de biomasa con métodos directos. ........................................... 21 Figura 4. Representación gráfica de una ecuación alométrica. ................................ 23 Figura 5. Distribución de la biomasa aérea en bosques Tropicales......................... 25 Figura 6. Índice de Vegetación. ...................................................................................... 26 Figura 7. Imagen Satelital Planet Scope....................................................................... 28 Figura 8. Área de Estudio en el Bosque de Galilea. ................................................... 30 Figura 9. Flujo de trabajo para la estimación de biomasa y carbono en el bosque de Galilea................................................................................................................................. 31 Figura 10. Zonas de Vida en el bosque de Galilea. .................................................... 32 Figura 11. Coberturas y uso del suelo en el bosque de Galilea. .............................. 33 Figura 12. Puntos de monitoreo en zonas de vida en el bosque de Galilea ........... 34 Figura 13. Ecuaciones para la elaboración de los índices de vegetación............... 36 Figura 14. Ecuación de Correlación de Pearson. ........................................................ 37 Figura 15. Índices de vegetación para el bosque de Galilea..................................... 40 Figura 16. Ecuación para la estimación de biomasa aérea en el bmh-PM ............. 43 Figura 17. Relación entre la variable dependiente y la variable independiente con la ecuación seleccionada ..................................................................................................... 44 Figura 18. Ecuación para la estimación de biomasa aérea en el bh-MB ................ 45

10

Figura 19. Relación entre la variable dependiente y la variable independiente con la ecuación seleccionada ..................................................................................................... 46 Figura 20. Ecuación para la estimación de biomasa aérea en el bh-PM ................ 47 Figura 21. Relación entre la variable dependiente y la variable independiente con la ecuación seleccionada ..................................................................................................... 48 Figura 22. Ecuación para la estimación de biomasa aérea en el bmh-MB ............. 49 Figura 23. Relación entre la variable dependiente y la variable independiente con la ecuación seleccionada ..................................................................................................... 50 Figura 24. Biomasa estimada en el bosque de Galilea. ............................................. 51

11

Lista de Tablas Tabla 1. Ecuaciones alométricas por zonas de vida desarrolladas para la predicción de la biomasa aérea a partir del diámetro normal de los individuos. ....................... 35 Tabla 2. Indicadores usados para la evaluación de los modelos matemáticos. .... 38 Tabla 3. Correlación entre la biomasa observada y los índices................................ 42 Tabla 4. Criterios para la selección del mejor modelo de estimación de biomasa en el bmh-PM .......................................................................................................................... 43 Tabla 5. Criterios para la selección del mejor modelo de estimación de biomasa para el bh-MB .................................................................................................................... 45 Tabla 6. Criterios para la selección del mejor modelo de estimación de biomasa para el bh-PM .................................................................................................................... 47 Tabla 7. Criterios para la selección del mejor modelo de estimación de biomasa para el bmh-MB ................................................................................................................. 49

12

1. Introducción 1.1 Antecedentes En el transcurso del tiempo, han sido desarrolladas e implementadas diferentes técnicas para estimar la biomasa en estudios ecológicos, agrícolas y de investigación forestal. Las técnicas más viables dependen del objetivo del estudio, presupuesto disponible, tamaño del área a valorar, precisión requerida, estructura, composición de la vegetación y del grado de especificidad del estudio (Catchpole y Wheeler, 1992; citado por Arreaga, 2002).

La Información obtenida de sensores ópticos ha sido utilizada frecuentemente para la determinación de la biomasa aérea al integrarse con datos de campo; Esto se hace bajo la premisa de que existe una sensibilidad de la reflectancia óptica a variaciones en la estructura del dosel de la vegetación (Goetz et al.

2009).

Baloloy et al. (2018), evaluaron y compararon el potencial predictor de biomasa de los índices de vegetación derivados de los sistemas satelitales Sentinel-2, RapidEye y PlanetScope; Huete, Liu, y Leeuwen, (1997) analizaron varios índices de vegetación con el fin de evaluar su sensibilidad ante altos y bajos valores de biomasa, los índices evaluados fueron: el Índice de Vegetación de Diferencia Normalizada (NDVI), Índice de Vegetación Ajustado al Suelo (SAVI), Índice de Vegetación Mejorado (EVI) y el cociente simple Infrarrojo Cercano (IRC)/Rojo; Dong et al. (2003), correlacionaron el verdor de la vegetación de zonas templadas con inventarios de campo de biomasa para series de tiempo largas, siendo el NDVI utilizado en las regresiones, el acumulado en la época de crecimiento promedio para un período de 5 años; y Wessels et al. (2006) analizaron la relación entre la sumatoria de NDVI durante el período de crecimiento y la biomasa en herbáceas.

Aunque en Colombia son pocos los estudios de biomasa aérea forestal con métodos indirectos, existen algunos referentes en los cuales se han hecho estimaciones a partir de imágenes satelitales. (Instituto de Hidrología, Meteorología y Estudios Ambientales (IDEAM), 2011a) estimaron la biomasa

13

total almacenada en los bosques naturales en Colombia a partir de imágenes satelitales y mediante diferentes metodologías; y Perea (2018) estimó los contenidos biomasa aérea y carbono a través de teledetección en bosques altoandinos del Santuario de Fauna y Flora Iguaque (SFFI) de Boyacá, Colombia.

Los resultados obtenidos por (IDEAM, 2011a), mostraron que la biomasa aérea de los bosques naturales en el país oscila entre 11,439,558,114 t y 16,780,305,317 t, dependiendo del tipo de metodología utilizada.

A escala regional se han desarrollado algunos estudios para la estimación de biomasa y carbono en el departamento del Tolima. Uno de ellos fue el desarrollado por Lerma y Orjuela (2014) en el cual, se desarrollaron modelos alométricos para estimar la biomasa aérea total de tres especies de bosques de páramo en Cajamarca, Tolima, Colombia. Por otro lado, la Andrade et al. (2018), dentro de la identificación de los servicios ecosistémicos aportados por sistemas de producción en laderas de la cuenca media del río Combeima en IbaguéTolima, se estimó la biomasa contenida en los diferentes usos del suelo dentro la cuenca.

1.2 Objetivos y preguntas de investigación 1.2.1 Objetivo General. 

Estimar la biomasa aérea y el carbono contenidos en el bosque de Galilea en el departamento del Tolima – Colombia.

1.2.2 Objetivos Específicos. 

Estimar a través de ecuaciones alométricas el contenido de biomasa aérea y carbono en las parcelas de muestreo del bosque de Galilea.



Procesar imágenes de sensores remotos y determinar índices de vegetación del bosque de Galilea.



Analizar correlaciones entre los índices de vegetación y los datos de biomasa aérea estimada para determinar el modelo matemático que mejor se ajusta en la estimación de biomasa aérea con teledetección.

14



Generar cartografía de la distribución espacial de los contenidos de biomasa y carbono aérea con teledetección.

1.3 Preguntas de investigación 

¿Cuál es la cantidad de biomasa aérea y carbono que se encuentra en el bosque de Galilea?



¿Cuál es la cantidad de biomasa aérea y carbono en las parcelas de muestreo del bosque de Galilea?



¿Cuál es el índice de vegetación que se ajusta mejor a la estimación de biomasa por medio de imágenes de sensores remotos?



¿Cuál es la distribución espacial de la biomasa aérea y el carbono del bosque de Galilea?

1.4 Hipótesis Los índices de vegetación, relacionados con modelos alométricos permiten estimar con teledetección los contenidos de biomasa aérea y carbono; Además de esto, también a cartografiar la distribución espacial de estos en el bosque de Galilea.

1.5 Justificación Los bosques como sumideros y fuente de Dióxido de Carbono (CO2), han ganado gran interés e importancia debido a la creciente preocupación mundial sobre el medio ambiente y el calentamiento global, por su capacidad de contener y trasformar el CO2, el cual hace parte de los Gases de Efecto Invernadero (GEI) más importantes producidos por las actividades humanas (Agudelo, 2009).

Dentro de las dinámicas del ciclo del carbono, los bosques son fuentes de Carbono atmosférico cuando son perturbados por causas humanas o naturales (incendios forestales, deforestación y quema para usos no forestales, utilización de malos sistemas de aprovechamiento) y se convierten en sumideros de carbono atmosférico (transferencia neta de CO2 desde la atmosfera a la tierra) durante el abandono de las tierras y su regeneración tras la perturbación.

15

La importancia de los bosques tropicales, genera la necesidad de comprender el papel de estos en el ciclo del carbono; Ya que diferentes estudios han demostrado su contribución en la concentración de dióxido de carbono (CO2) en la atmósfera (Phillips et al. 2004; Pan et al. 2011), dado que su biomasa aérea representa más del 60% del total de las reservas de carbono en la vegetación terrestre (Saatchi, Houghton, Dos Santos, Soares, y Yu, 2007; Pan et al. 2011), y fijan aproximadamente el 33% de la productividad primaria neta terrestre global (Grosso et al. 2008).

El conocimiento acerca de la distribución absoluta de la biomasa y las reservas de carbono de los bosques tropicales en general, es limitado (Brown, 1997a; Clark y Clark, 2000; Sierra, Harmon, Moreno, y Del Valle, 2007a); la mayoría de estudios se han realizado en bosques tropicales de tierras bajas (Bunker et al.

2005; Chave et al. 2003; Clark, Piper, Keeling, y Clark, 2003; Nascimento y Laurance, 2002; Phillips et al. 2004), convirtiendo a los bosques tropicales de montaña en una especie de caja negra en lo que concierne a su capacidad para almacenar y fijar carbono (Chave et al. 2008, Girardin et al. 2010; Homeier, Breckle, Gunter, Rollenbeck, y Leuschner, 2010; Sierra et al. 2007a; Sierra, et al. 2007b).

Las regiones tropicales de montaña, localizadas a altitudes mayores (≥1,500m) han sido fuertemente deforestadas, y aunque existe una presunción general de que la productividad y por tanto las reservas de carbono en éstos ecosistemas son bajas, los estudios al respecto son más escasos y divergentes en cuanto a resultados (Girardin et al. 2010; Homeier et al. 2010, Marshall et al. 2012).

En Colombia, los principales aportes sobre la riqueza e importancia de los bosques andinos se han hecho a nivel de su descripción florística y estructural (Caldas, 1951; Cuatrecasas, 1958; Cleef, 1984; Van der Hammen, 1984; Gentry, 1993; Rangel, 1984 y Cantillo et al. 2005; citados por Perez y Diaz, 2010) y en términos de fragmentación y representatividad de áreas protegidas (Armenteras, Gast y Villareal, 2002).

El bosque de Galilea en el departamento del Tolima – Colombia, es un área de más de 31,000 hectáreas en la que tienen jurisdicción 5 municipios; y en la cual, 16

se encuentra uno de los pocos bosques alto andinos no intervenidos que quedan en Colombia y el de mayor extensión del departamento. Debido al difícil acceso y la presencia actores armados en la zona, este ecosistema se ha mantenido preservado; Pero actualmente se encuentra altamente amenazado por el avance de la frontera agrícola y por empresas interesadas en la extracción convencional y no convencional de hidrocarburos. La Corporación Autónoma Regional del Tolima – CORTOLIMA, la cual es la autoridad ambiental del departamento, se encuentra en la ruta para la declaratoria del bosque de Galilea como Parque Natural Regional y junto con la Universidad del Tolima, en el último año han realizado diferentes estudios para la caracterización de este bosque.

Es por lo expuesto anteriormente que es importante estimar la biomasa aérea y el carbono contenidos en el bosque de Galilea; información que será de gran ayuda para determinar el papel de los bosques alto andinos colombianos en el ciclo del carbono y será un valor agregado a la significancia de este bosque en particular a nivel regional y nacional, con lo que fomente su conservación.

1.6 Alcance Con esta investigación, se pretende fomentar el uso de imágenes satelitales de alta resolución en la estimación y monitoreo de la biomasa y carbono contenida en los bosques colombianos y en especial en los bosques del departamento del Tolima. De igual manera, se aspira con los resultados de esta investigación se contribuya a la conservación del bosque de Galilea, y se genere un valor agregado dentro de la declaración de este como área protegida de carácter regional en el departamento del Tolima.

17

2. Revisión de la literatura 2.1 Los bosques y el carbono Los bosques son considerados como importantes reservas de carbono sin capacidad de aumento en biomasa viva, debido a que el aumento en biomasa aérea de un bosque primario tiende a cero dado que su biomasa potencial es igual a su biomasa real (Scheller y Mladenoff, 2004); cuando estos son perturbados

por

causas

humanas

o

naturales

(incendios

forestales,

deforestación y quema para usos no forestales, utilización de malos sistemas de aprovechamiento), se convierten en importantes fuentes de carbono atmosférico; O en sumideros de carbono atmosférico (transferencia neta de CO2 desde la atmosfera a la tierra) durante el abandono de las tierras y su regeneración tras la perturbación (Cruzado, 2010).

El 85% del carbono global se encuentra contenido en ecosistemas boscosos (Tan, Lee, Mohamed, y Bhatia, 2009; citados por Seo, Phua, Ong, Choi, y Lee, 2014) y de estos, más del 60% del total de las reservas de carbono en la vegetación terrestre está representada en la biomasa aérea de los bosques tropicales (Saatchi et al. 2007; Pan et al. 2011).

Dentro de estos, los bosques tropicales de montaña son reconocidos por su importante papel como fuentes de agua y biodiversidad. Sin embargo, su papel en el ciclo y almacenamiento de carbono es poco conocido (Van Der, Shoo, y Williams, 2009; Girardin et al. 2013; Spracklen, y Righelato, 2013). La mayoría de los estudios existentes se han concentrado en bosques tropicales de tierras bajas, debido a que son zonas de relativo fácil acceso, y porque son considerados los bosques más productivos del planeta (Phillips et al. 2004). Sin embargo, se asume que el incremento en altitud asociado con la disminución de la temperatura, incremento de la nubosidad, baja disponibilidad y asimilación de nutrientes, incidencia de fuertes vientos y elevada radiación ultravioleta. Limita la capacidad fotosintética de los árboles y la asignación de recursos para la construcción de biomasa (Figura 1) (Flenley, 1996; Leuschner, Moser, Bertsch, Röderstein, y Hertel, (2007). Se estima que los bosques montanos contienen

18

entre 40 y 80 t C/ ha en biomasa aérea y entre 130 y 240 t C/ ha en suelo (Calderón, Romero, Cuesta, Pinto, y Báez, 2013).

Figura 1. Comportamiento de la biomasa aérea por hectárea en función a la altitud.

Fuente: Yepes et al. (2011).

2.1.1 Biomasa.

De Lucas et al. (2012) definen la biomasa como: La fracción biodegradable de los productos, desechos y residuos de origen biológico procedentes de actividades agrarias (incluidas las sustancias de origen vegetal y de origen animal), de la silvicultura y de las industrias conexas, incluidas la pesca y la acuicultura, así como la fracción biológica degradable de los residuos industriales y municipales. La biomasa según su origen, se divide en natural, residual y de cultivo energético; siendo la primera, definida como la biomasa que se produce de forma espontánea en la naturaleza, en ecosistemas que no hayan sufrido intervención humana (De Lucas et al. 2012). Por otro lado, Pearson, Walker, y Brown,

(2005) definen la biomasa como la cantidad de materia

orgánica seca que se encuentra en cierto momento, donde se distingue: biomasa aérea, biomasa subterránea, detritos gruesos, detritos finos y el suelo. Bajo este contexto, la biomasa aérea se le considera a toda la biomasa viva por encima

19

del suelo incluyendo el tronco, el tocón, las ramas, la corteza, semillas y las hojas (Intergovernmental Panel on Climate Change (IPCC), 2003).

2.1.2 Relación entre Biomasa y Carbono.

El IPCC (2006) y otros estudios (Malhi et al. 2004; Chave et al. 2006; Aragão et al. 2009), sugieren que el carbono comprende en promedio el 50% de la biomasa (Figura 2) y dada esta relación directa entre el contenido de carbono y el contenido de biomasa, surge la necesidad de la estimación de la biomasa con el fin de determinar la capacidad de captura de los bosques. (Brown, 1997b).

Elías y Potvin (2003; citado por Honorio, Baker, Román y Quesada, 2010) encontraron que existe una pequeña variación en la relación entre el peso seco y la cantidad de carbono de las diferentes especies tropicales; sin embargo, como se menciona anteriormente, está aceptado asumir que el 50% del peso seco es carbono (Honorio et al. 2010).

Figura 2. Relación entre Biomasa y Carbono.

Fuente: Agudelo, (2009).

2.2 Estimación de biomasa aérea La biomasa aérea puede ser estimada en campo con bajas incertidumbres, ya sea por medio de la cosecha directa de especímenes o por medio de parcelas en las que la biomasa de árboles individuales es estimada a partir de su relación alométrica con determinadas características de los árboles medidas en campo (estimación indirecta) (IDEAM, 2011b). Sin embargo, coleccionar estos datos para áreas extensas puede ser inviable por costos, tiempos y otras dificultades logísticas (Houghton, Lawrence, Hackler y Brown, 2001).

20

2.2.1 Estimación Directa de Biomasa Aérea.

La estimación directa de la biomasa aérea es un método destructivo dentro de los que el más común es el de la cosecha, donde se corta todo el árbol para secarlo y pesarlo (Figura 3); Sin embargo, este método tiene limitaciones cuando en estudios ecológicos se requieren mediciones de biomasa de las mismas muestras en repetidas temporadas; Además de la gran cantidad de tiempo y dinero que se requiere en su implementación (Lerma y Orjuela, 2014).

Aunque los métodos directos son los más comunes ya que tradicionalmente se han usado para la determinación de la biomasa de árboles, no se adecuan al medio ambiente natural pues llevan implícita la tala de muchos árboles y mayores requerimientos de tiempo y laboriosidad para su procedimiento (Montes, Gauquelin, Badri, Bertaudiere, y Zaoui, 2000; Zianis y Mencuccini, 2004).

Figura 3. Estimación de biomasa con métodos directos.

Fuente: Segura y Andrade (2008).

21

2.2.2 Estimación Indirecta de Biomasa Aérea.

La estimación indirecta de biomasa aérea se puede realizar a partir de fórmulas dasométricas o de ecuaciones alométricas (Figura 4). El método dasométrico, consiste en tomar muestras de madera para determinar su peso y densidad; Y a partir de fórmulas dasométricas estimar volúmenes parciales para luego ser sumados y por medio de una ecuación general calcular la biomasa de este individuo (Brown, 1997a). El método alométrico consiste en generar ecuaciones y modelos calculados a partir de los datos generados en inventarios forestales o variables colectadas en terreno mediante las cuales es posible estimar la biomasa a partir del volumen del árbol, en función de su densidad y un factor de expansión para determinar el peso seco total (Brown y Lugo, 1984), donde los modelos de regresión se utilizan para convertir los datos de inventario en una estimación de la biomasa aérea (Chave et al. 2005).

Un modelo alométrico es una relación matemática· entre una variable independiente y una dependiente; La primera puede ser estimada a partir de métodos destructivos (peso de componentes de individuos) o a partir de parámetros biométricos estimados en campo directamente (Dap, altura, densidad básica). A partir de estos datos, se puede establecer el grado de relación entre ésta y alguna variable derivada como biomasa. La ventaja plausible de la técnica es que las prácticas destructivas se realizan una sola vez y a partir de estas ecuaciones generadas, se puede estimar la variable independiente basándose en datos de inventarios forestales (Cruzado, 2010).

22

Figura 4. Representación gráfica de una ecuación alométrica.

Fuente: Pérez y Díaz (2010)

El uso de modelos de regresión alométrica es un paso crucial en la estimación de biomasa aérea, sin embargo, rara vez es examinado directamente; ya que una hectárea de bosque tropical puede ser refugio hasta 300 especies diferentes de árboles y no se puede utilizar modelos de regresión específicos para cada especie, como en la zona templada. En su lugar, se debe utilizar modelos de biomasa mezclados que representen a todas las especies de árboles (Chave et al. 2005).

Debido a esto, Chave et al. (2005) desarrolló varios modelos

alométricos para la estimación de biomasa aérea y Álvarez et al. (2012) generó ecuaciones para la estimación de la biomasa aérea en Colombia. El poder predictivo de estos modelos, depende de qué también están validados con los datos de biomasa obtenidos directamente en los experimentos de la cosecha destructiva de los árboles (Cruzado, 2010). Los modelos construidos por Chave et al. (2005) son para Bosques Secos, Húmedos y Muy Húmedos, Bosques Húmedos De Manglares y para Bosques Pre Montano Húmedo; Las relaciones proporcionales de biomasa aérea fueron construidas por el producto de la

23

densidad básica de la madera, área de la sección de tronco (área basal) y la altura total; el error estándar en la estimación de biomasa de estos modelos fue de 12.5%~ si en las ecuaciones se utiliza la altura total y de 19.5% si no se utiliza (Cruzado, 2010).

2.3 Estimación de biomasa aérea a partir de teledetección Como lo afirman Sharma y Chaudhry (2015), la teledetección entre otras aplicaciones,

permite

medir

la

cantidad

de

radiación

del

espectro

electromagnético que se refleja o dispersa. Esta información capturada varía dependiendo el tipo y las características del sensor (Chuvieco, 2010).

A nivel mundial y durante los últimos años, diversas metodologías y tipos de sensores han sido utilizados para integrar los datos de imágenes de satélite con los datos estimados en campo; presentándose resultados muy variables o con limitaciones para su uso operacional en áreas extensas de ecosistemas tropicales (Patenaude, Milne y Dawson, 2005; Lu, 2006).

Metodologías como la desarrollada por Baccini, Laporte, Goetz, Sun, y Dong (2008), en la que realizaron un mapa de biomasa aérea para África central combinando datos derivados de imágenes MODIS con datos de carbono aéreo derivados de parcelas; Se convierten en una opción de bajo costa para tener estimativos regionales o nacionales espacialmente explícitos sobre el comportamiento de la biomasa aérea (IDEAM, 2011b). A nivel de los trópicos, Saatchi et al. (2011) elaboraron un mapa de distribución de la biomasa para el pan-trópico; dando como resultado que: Las áreas tropicales con mayores contenidos de biomasa se encuentran localizadas principalmente en las Américas (Figura 5). En Sudamérica, entre otros estudios se realizó un análisis de la distribución de la biomasa aérea en bosques de la cuenca amazónica a partir de la fusión de información espectral con otra información espacial biofísica que influye en las diferencias en los contenidos de carbono en los bosques (Saatchi et al. 2007); por último, (IDEAM, 2011b), desarrollo una metodología para la estimación de biomasa aérea usando datos de campo e información de

24

sensores remotos en Colombia, generando una opción costo-efectiva para tener estimativos nacionales de los contenidos de carbono en bosques.

Figura 5. Distribución de la biomasa aérea en bosques Tropicales.

Fuente: Saatchi et al. (2011)

2.3.1 Índices de vegetación.

La relación entre el espectro electromagnético y la vegetación se debe a que la colorfila de las hojas absorbe gran cantidad de energía lumínica para realizar la fotosíntesis; En este proceso, las zonas del espectro visible del azul y el rojo son absorbidas y el verde es reflejado (Silleos, Alexandridis, Gitas y Perakis, 2006) (Figura 6).

Esta relación entre la reflectancia óptica y las variaciones en la

estructura del dosel de la vegetación, han permitido integrar los índices de vegetación a la determinación de la biomasa aérea al integrarse esta con datos de campo (Goetz et al. 2009), dentro de esta metodología se encuentran estudios como el de Huete et al. (2002) quienes evaluaron índices de vegetación NDVI y EVI en bosques secos, bosques tropicales y sabanas, encontrando saturación de NDVI en regiones de alta biomasa mientras que EVI permanecía sensible a las variaciones del dosel.

25

Figura 6. Índice de Vegetación.

Fuente: Gašparović, Medak, Pilaš, Jurjević, y Balenović, (2018)

2.3.1.1 Índice de Vegetación Normalizado (NDVI).

El NDVI (Rouse, Haas, Schell y Deering, 1974) relaciona la banda espectral del rojo con la banda espectral del infrarrojo cercano, esta relación representa una medida del total de vegetación verde por unidad de superficie. Varios estudios han encontrado relaciones fuertes entre el NDVI y la Fracción de Radiación Fotosintéticamente Activa (FPAR). Además, la sumatoria de los valores de NDVI en un periodo de tiempo se relaciona con la Producción Primaria Bruta (GPP).

Sin embargo, la información de vegetación derivada del índice NDVI obtenido a través de sensores remotos, viene mezclada con información atmosférica por lo que se hace necesario mejorar los datos iniciales con técnicas que reduzcan este efecto (IDEAM, 2011b).

2.3.1.2 Índice de vegetación mejorado (EVI).

El EVI es complementario al NDVI (IDEAM, 2011b). A diferencia de este último, el primero es más sensible a variaciones en la estructura del dosel, al Índice de Área Foliar (LAI) y a la fisionomía de las plantas (Huete et al. 2002). El índice EVI no está muy relacionado con FPAR, por estar más influenciado por la región espectral del infrarrojo medio; sin embargo, amplifica la señal del dosel de la

26

vegetación y reduce la influencia originada por factores atmosféricos al incorporar la banda espectral del azul (IDEAM, 2011b).

2.3.1.3 Índice de Vegetación Ajustado al Suelo (SAVI).

Huete et al. (1999, Citado por Silleos et al. 2006) explica como este índice utiliza la banda del azul para corregir los efectos de los aerosoles sobre la banda roja y mejora la sensibilidad para detectar la biomasa y reducir la influencia de la atmosfera.

2.3.2 Corrección de imágenes satelitales.

Al realizarse estudios con imágenes satelitales en áreas extensas, suelen ser variables y poco consistentes; Debido entre otros a la inestabilidad de las condiciones de la superficie terrestre y/o de la atmosfera; A medida que los efectos atmosféricos son más agudos (mayor bruma), al ser observada por algún índice de vegetación espectral, se calcula una menor cantidad de vegetación, aunque a nivel de la superficie terrestre sea la misma (Kaufman, Gobron, Pinty, Widlowski, y Verstraete, , 2002; Paz, 2018). Esta deficiencia se puede minimizar trabajando con imágenes a las que se les realicen correcciones atmosféricas y radiométricas o utilizando un conjunto de imágenes ópticas de alta resolución temporal, que al ser compuestas ayudan a reducir los defectos generados por las características de los sensores o por sus variaciones (IDEAM, 2011b).

El ángulo solar y la luminosidad influyen en el efecto de sombreado topográfico en zonas montañosas y escarpadas; Estos alteran los valores de la radiancia en los Niveles Digitales (ND) del pixel y es por esto que se recomienda utilizar Modelos Digitales de Elevación (DEM) para modelar las condiciones de iluminación al momento de la captura de la imagen con el fin de minimizar la variación del efecto topográfico (Chuvieco, 2010; Civico, 1989; Gao y Zhang, 2009; Hantson y Chuvieco, 2011).

2.3.3 Imágenes Satelitales Planet Scope.

Planet Labs Inc. con sede en San Francisco, Estado Unidos, opera el mayor sistema de constelación de nano-satélites, con una bandada de satélites llamada

27

“PlanetScope” que recoge imágenes multiespectrales con una resolución espacial de 3 m con cuatro bandas, incluyendo azul, verde, rojo, e Infrarrojo Cercano (NIR) (Shi et al. 2018). Planet Scope captura imágenes a una distancia de muestreo de 3.7 m a una altitud de referencia de 475 km y las imágenes se ortorectifican a un tamaño de píxel de 3 m (Traganos, Cerra, Reinartz y Cubesat, 2017). Los datos de satélite utilizados en este estudio fueron generados por PlanetScope Earth-Imager, los cuales fueron corregidos antes de ser entregados (Figura 7).

Figura 7. Imagen Satelital Planet Scope.

2.4 El bosque de Galilea CORTOLIMA mediante Acuerdo número 31, del 16 de diciembre del 2019 declaro al Bosque de Galilea como Parque Natural Regional. Dentro de la ruta de declaratoria, en convenio con la Universidad del Tolima se realizaron diferentes estudios para la caracterización de esta área. Dentro de los estudios realizados se destacan inventarios forestales, caracterización del régimen de lluvias, temperaturas, alturas, coberturas y uso del suelo; los cuales son insumos básicos para el estudio que se pretende desarrollar a continuación.

28

3. Metodología 3.1 Área de estudio El área de estudio corresponde al Parque Natural Regional Bosque de Galilea; la cual es un área de 26,656 hectáreas en la que tienen jurisdicción los municipios de Dolores y Villarrica en el departamento del Tolima – Colombia (Figura 8). En esta área, se encuentra uno de los pocos bosques alto andinos no intervenidos que quedan en Colombia y el de mayor extensión del departamento del Tolima. Presenta alturas entre los 2,145 y 3,080 metros sobre el nivel del mar, temperaturas entre los 9° y 21° centígrados y precipitaciones entre los 1,546 y 2,455 milímetros al año. Se encuentra localizado entre las coordenadas geográficas (WGS84) 3.675861° y 3.893418° de latitud Norte y los -74.711396° y -74.531074° de longitud Este, sobre la cara oeste de la cordillera central de Los Andes; con coberturas de bosques, territorios agrícolas, áreas húmedas y superficies de agua.

29

Figura 8. Área de Estudio en el Bosque de Galilea.

30

3.2 Justificación de la metodología Acorde a lo revisado en la literatura (Perea, 2018; Brown y Lugo, 1984; Chave et al. 2005; IDEAM, 2011a), se propone en el primer ciclo de trabajo estimar la biomasa aérea para las tres parcelas de 1 hectárea en las que fue realizado un inventario forestal por CORTOLIMA. Para lograr esto, se cuenta con las zonas de vida según la clasificación de Holdrige (1978) que se encuentran dentro del bosque de Galilea, a partir de su precipitación y temperatura; con esta información, se revisara acorde a lo recomendado por (IDEAM, 2011a), cual es la ecuación alométrica que mejor se ajusta a cada zona de vida y se calculara la biomasa aérea de cada parcela a partir de esta.

Acorde a lo revisado en la literatura (Perea, 2018; Goetz et al. 2009; Huete et al, 1997); en el segundo ciclo de trabajo se realizará el cálculo de los índices de vegetación NDVI y SAVI a partir de las imágenes satelitales Planet Scope.

Con los resultados de los dos primeros ciclos de trabajo se realizará el análisis de la correlación entre los índices de vegetación y la biomasa estimada para las parcelas de campo (Perea, 2018) y a partir de estos resultados se realizará la estimación de biomasa y carbono para toda el área boscosa de Galilea (Figura 9).

Figura 9. Flujo de trabajo para la estimación de biomasa y carbono en el bosque de Galilea.

31

3.3 Desarrollo de la Metodología 3.3.1 Estimación de biomasa y carbono.

3.3.1.1 Zonas de vida.

Holdrige (1978) clasificó las zonas de vida a partir de dos variables de las condiciones climáticas del trópico (precipitación y temperatura). Dentro del ruta de declaratoria del área protegida desarrollada por CORTOLIMA se realizó el cálculo zonas de vida (Figura 10) según la metodología de Holdrige (1978) a partir de la precipitación y la temperatura presentes en el bosque de Galilea.

Figura 10. Zonas de Vida en el bosque de Galilea.

32

3.3.1.2 Identificación de Coberturas boscosas.

A partir del mapa de coberturas del bosque de Galilea realizado por CORTOLIMA bajo la metodología Corine Land Cover se identificaron las coberturas boscosas dentro del bosque de Galilea (Figura 11).

Figura 11. Coberturas y uso del suelo en el bosque de Galilea.

33

3.3.1.3 Identificación de las zonas de vida para los inventarios forestales.

A partir de los resultados de la identificación de las zonas de vida según la metodología propuesta por Holdrige (1978), se identificó a que zona de vida pertenece cada una de las parcelas identificadas (Figura 12).

Figura 12. Puntos de monitoreo en zonas de vida en el bosque de Galilea

34

3.3.1.4 Identificación de los modelos alométricos para cada zona de vida.

Acorde a la metodología propuesta por (IDEAM, 2011a) se calculó la biomasa aérea para todos los individuos arbóreos muestreados, utilizando las ecuaciones alométricas construidas por Álvarez et al. (2010; IDEAM, 2011a) (Tabla 1) en las que se usa como variable el diámetro de estos. Se asignó una ecuación para aquellas zonas de vida donde no se disponía de un modelo especifico de acuerdo a lo recomendado por IDEAM (2011c).

Tabla 1. Ecuaciones alométricas por zonas de vida desarrolladas para la predicción de la biomasa aérea a partir del diámetro normal de los individuos.

Tipo de Bosque

Eq.2

Ecuación alométrica

Bosque húmedo premontano

4

exp(-1,865582155+(2,3733*ln(D)))

Bosque muy humedo premontano

4

exp(-1,865582155+(2,3733*ln(D)))

Bosque húmedo montano bajo

5

exp(-1,662982155+(2,3733*ln(D)))

Bosque muy húmedo

5

exp(-1,662982155+(2,3733*ln(D)))

Bosque húmedo montano

6

exp(-2,616382155+(2,3733*ln(D))

Bosque muy húmedo

6

exp(-2,616382155+(2,3733*ln(D))

montano bajo

montano

Nota. Recuperado y adaptado de IDEAM (2011a).

3.3.1.5 Estimación de biomasa aérea a partir de los modelos alométricos seleccionados.

Acorde a los modelos alométricos seleccionados para cada parcela inventariada, se realizó la estimación de la biomasa contenida en cada una de las 3 parcelas

35

y las subparcelas contenidas dentro de estas a partir de los diámetros normales de los arboles inventariados. Debido a que dos de estas parcelas se encontraban en el ecotono entre dos zonas de vida, la estimación de biomasa se realizó para las zonas de vida en transición en las que se encontraba la parcela.

3.3.2 Índices de vegetación Acorde a la metodología propuesta por Perea (2018), y los resultados encontrados por diferentes autores (Goetz et al. 2009; IDEAM, 2011b; Huete et al. 1997); Se realizó el cálculo de los índices de vegetación NDVI y SAVI, para el bosque de Galilea con las imágenes satelitales Planet Scope, como se muestra en la Figura 13.

Figura 13. Ecuaciones para la elaboración de los índices de vegetación.

Fuente: Perea (2018)

A partir de los resultados de los índices de vegetación para el bosque de Galilea, se realizó la extracción de los índices de vegetación para cada parcela inventariada; para este proceso se realizó tanto la extracción del valor del pixel como el promedio de focal de los pixeles dentro de la parcela inventariada para corregir posibles errores en la precisión del GPS y la diferencia de áreas entre los pixeles (3x3m) y las subparcelas (10x10).

36

3.3.3 Estimación de la biomasa aérea para el bosque de galilea 3.3.3.1 Análisis de Correlación Para analizar la correlación entre los índices de vegetación y la estimación de biomasa de las parcelas, se realizó un análisis estadístico determinando el grado de relación entre los valores cuantitativos a través del método de correlación de Pearson dado por la ecuación de la Figura 14.

Figura 14. Ecuación de Correlación de Pearson.

Fuente: Perea (2018)

Como lo propuso Perea (2018), se realizó las regresiones estadísticas lineales entre las variables dependientes (biomasa aérea) y las variables independientes (VI) con el fin de determinar los mejores ajustes que puedan dar respuesta a los contenidos de biomasa aérea calculados por medio de los índices de vegetación a través de la construcción de estadígrafos los cuáles permitieron comparar los parámetros e indicadores para la construir y ajustar el modelo (Segura y Kanninen, 2005; Segura y Andrade, 2008). Estos modelos resultantes fueron evaluados a través de los indicadores provistos por el Infostat (Tabla 2) para determinar el mejor modelo matemático para los valores resultantes.

37

Tabla 2. Indicadores usados para la evaluación de los modelos matemáticos.

Indicador

Coeficiente

Descripción

de

determinación (R2)

Estadístico que tiene la capacidad de revelar si una variable puede ser explicada por otra y mide el grado de asociación entre las mismas, puede tomar valores entre 0 y 1 donde valores cercanos a uno serán los de mejor ajuste entre variables.

Coeficiente

de

Medida que al igual que el R2 busca determinar la relación entre variables

determinación

sin embargo el ajuste consiste en incluir el tamaño del conjunto de datos

ajustado (R2adj)

y el número de variables incluidas en la regresión.

Error

Representa una medida para la selección de modelos que ha sido

Cuadrático

Medio de Predicción

generados a través de estadística para un conjunto de datos.

(ECMP)

Criterio Información

de Akaike

Representa una medida para la selección de modelos que ha sido generados a través de estadística para un conjunto de datos.

(AIC)

Criterio Información

de

Representa una medida de bondad para la selección de modelos y se relaciona directamente con los criterios del AIC.

Bayesiano (BIC)

Nota. Recuperado de Perea (2018)

3.3.3.2 Distribución espacial de la biomasa aérea y el carbono.

A partir del modelo matemático generado y un raster con los valores del índice de vegetación seleccionado dentro del rango de los índices de vegetación utilizados para la generación del modelo con el tamaño de pixel de las subparcelas medidas, se estimó la biomasa aérea contenida en el bosque de Galilea, con este resultado y acorde a lo dicho por Honorio et al. (2010) y el IPCC (2006) se estimó el carbono de este, multiplicando la biomasa por 0.5.

38

4. Resultados y Discusión 4.1 Resultados 4.1.1 Estimación de biomasa aérea.

Los resultados de la biomasa aérea observada para cada parcela y subparcela a partir de las ecuaciones alométricas se presentan en los Anexos 1, 2, 3 y 4.

Para la parcela 1 que corresponde al bosque muy húmedo PreMontano (bmhPM) se calculó un total de 204.55 toneladas de biomasa contendida en 739 árboles con un diámetro promedio de 19.77 cm y una biomasa promedio por subparcela de 2,066.21 kg, en un área de 0.999 hectáreas; Es decir 204.75 toneladas por hectárea (Anexo 1).Para el bosque húmedo Pre Montano (bh-PM) se calculó un total de 218.74 toneladas de biomasa contenidas en 546 individuos de la parcela 2, con un día con un diámetro promedio de 22.54 cm y una biomasa promedio por subparcela de 2,209.53 kg, en un área de 0.999 hectáreas; Es decir 218.74 toneladas por hectárea (Anexo 2).

Para el bosque húmedo Montano Bajo (bh-MB) se calculó un total de 267.86 toneladas de biomasa contenidas en 546 individuos de la parcela 2, con un diámetro promedio de 22.54 cm y una biomasa promedio por subparcela de 2,705.75 kg, en un área de 0.999 hectáreas; es decir 268.12 toneladas por hectárea (Anexo 3).

Por último, para el bosque muy húmedo Montano Bajo (bmh-MB), a partir de la parcela 3 se calculó un total de 315.87 toneladas de biomasa contenidas en 611 árboles, con un diámetro promedio de 22.26 cm y una biomasa promedio de 3,256.45 kg, en un área de 0.97 hectáreas; Es decir 325.62 toneladas por hectárea (Anexo 4).

4.1.2 Calculo de índices de vegetación Se calcularon dos índices de vegetación para la imagen satelital del área de estudio y se extrajeron los resultados para las áreas boscosas identificadas en las coberturas y usos del suelo del bosque de Galilea. Los resultados obtenidos de estos índices de vegetación se representan en la Figura 15.

39

Figura 15. Índices de vegetación para el bosque de Galilea.

40

Como se evidencia en la Figura 15, el NDVI presenta valores entre 0.629 y 0.272 con un promedio de 0.435. Por su parte el SAVI presenta valores entre los 0.943 y -0.408 con un promedio de 0.653. Al aplicar el promedio focal a los índices de vegetación, la diferencia entre valores máximos y mínimos se reduce; siendo los valores máximos y mínimos para el promedio focal del NDVI 0.623 y -0.150 respectivamente con un promedio de 0.435 y para el promedio focal del SAVI 0.934 y -0.225 respectivamente con un promedio de 0.653.

4.1.3 Extracción de los valores de los índices de vegetación Los valores extraídos de los índices de vegetación a partir del punto medio de cada subparcela se presentan en los anexos 5, 6, 7 y 8; en estas, se expone la relación entre el valor de la biomasa observada de cada subparcela, el valor de los índices de vegetación en el punto medio de la parcela y del promedio focal de los índices de vegetación en el mismo punto.

En la Parcela 1 que corresponde al bmh-PM se obtuvo promedios de 0.450, 0.675, 0.450 y 0.675 de NDVI, SAVI, Promedio focal del NDVI y Promedio focal del SAVI respectivamente, para un promedio de 2,066.2 kilogramos de biomasa por subparcela (Anexo 5).

En la parcela 2 correspondiente al bh-MB, se obtuvo promedios de 0.486, 0.729, 0.484 y 0.727 de NDVI, SAVI, Promedio focal del NDVI y Promedio focal del SAVI respectivamente, para un promedio de 2,705.75 kilogramos de biomasa por subparcela (Anexo 6).

En la parcela 2 correspondiente al bh-PM, se obtuvo promedios de 0.486, 0.729, 0.484 y 0.727 de NDVI, SAVI, Promedio focal del NDVI y Promedio focal del SAVI respectivamente, para un promedio de 2,209.53 kilogramos de biomasa por subparcela (Anexo 7).

En la parcela 3 correspondiente al bmh-MB, se obtuvo promedios de 0.456, 0.684, 0.456 y 0.684 de NDVI, SAVI, Promedio focal del NDVI y Promedio focal del SAVI respectivamente, para un promedio de 3,256.46 kilogramos de biomasa por subparcela (Anexo 8).

41

4.1.4 Análisis de correlación En la Tabla 3 se presenta la correlación que existe entre la biomasa observada en las parcelas y los índices de vegetación extraídos en estas. Se observa que, para todas las estimaciones de biomasa, el índice con el que existe más correlación es el Promedio Focal del NDVI, aunque esta correlación difiera entre parcela y parcela; siendo el bosque muy húmedo pre montano el que más correlación presenta con este con un R de 0.75.

Tabla 3. Correlación entre la biomasa observada y los índices de vegetación Índice de Vegetación

NDVI

SAVI

Parcela

Promedio Focal NDVI

Promedio Focal SAVI

1 bmh-PM

0.71

0.71

0.75

0.72

2 bh-MB

0.71

0.71

0.73

0.72

2 bh-PM

0.71

0.71

0.73

0.72

3 bmh-MB

0.62

0.58

0.63

0.62

4.1.5 Selección del Modelo Para la parcela 1 (bmh-PM), se seleccionó el modelo 3 asociado al logaritmo natural (Ln), dado que, aunque presenta el coeficiente de determinación más bajo (0.76), lo que representa el menor grado de asociación entre las dos variables, esta ecuación presenta el error cuadrático medio de predicción (0.12) y el Criterio de información Akaike (65.95) más bajo lo que representa un menor error entre la biomasa predicha y la observada (Tabla 4).

42

Tabla 4. Criterios para la selección del mejor modelo de estimación de biomasa en el bmh-PM

Modelo

R²

R² Aj

ECMP

AIC

BIC

Biomasa = a + b * Promedio Focal de NDVI

0.78

0.78

281,357.97

1,413.09

1,420.65

Biomasa = a + b * (Promedio Focal de

0.78

0.78

279,069.35

1,412.21

1,419.78

0.76

0.76

0.12

65.95

73.52

0.78

0.78

297,280.76

1,412.63

1,422.71

NDVI)²

Ln (Biomasa) = a + b * Ln (Promedio Focal de NDVI)

Biomasa = a + b * Promedio Focal de NDVI + c * (Promedio Focal de NDVI)²

Dónde: R² = Coeficiente de determinación, R2 Aj= Coeficiente de determinación ajustado, ECMP= Error cuadrático medio de predicción, AIC= Criterio de información Akaike, BIC=Criterio de información bayesiano

A partir de la ecuación seleccionada y las constantes dadas por la regresión realizada en el software Infostat, se generó la ecuación para predecir la biomasa aérea en las coberturas boscosas del bosque muy húmedo Pre Montano a partir del promedio focal del NDVI (Figura 16).

Ln (Biomasa Aérea) = 24.21 + 21.18 * Ln (Promedio Focal de NDVI) Figura 16. Ecuación para la estimación de biomasa aérea en el bmh-PM

Se realizó la comparación entre la biomasa aérea observada y la biomasa aérea estimada con a partir del modelo seleccionado, se observa la relación entre la biomasa observada y la biomasa predicha (Figura 17) y una diferencia entre la biomasa observada y la biomasa estimada de 1.9 toneladas.

43

Figura 17. Relación entre la variable dependiente y la variable independiente con la ecuación seleccionada

Para la parcela 2 (bh-MB), se seleccionó el modelo 3 asociado al logaritmo natural (Ln), dado que, aunque presenta el coeficiente de determinación más bajo (0.48), lo que representa el menor grado de asociación entre las dos variables, esta ecuación presenta el error cuadrático medio de predicción (0.32) y el Criterio de información Akaike (160.92) más bajo lo que representa un menor error entre la biomasa predicha y la observada (Tabla 5).

44

Tabla 5. Criterios para la selección del mejor modelo de estimación de biomasa para el bh-MB

Modelo

R²

R²

ECMP

AIC

BIC

Aj

Biomasa = a + b * Promedio Focal de

0.52

0.52

1,791,846.54

1,620.22

1,627.85

0.53

0.53

1,765,854.62

1,618.88

1,626.50

0.48

0.48

0.32

160.92

168.55

0.57

0.56

1,674,728.05

1,613.61

1,623.79

NDVI

Biomasa = a + b * (Promedio Focal de NDVI)²

Ln (Biomasa) = a + b * Ln (Promedio Focal de NDVI)

Biomasa = a + b * Promedio Focal de NDVI + c * (Promedio Focal de NDVI)²

Dónde: R² = Coeficiente de determinación, R2 Aj= Coeficiente de determinación ajustado, ECMP= Error cuadrático medio de predicción, AIC= Criterio de información Akaike, BIC=Criterio de información bayesiano

A partir de la ecuación seleccionada y las constantes dadas por la regresión realizada en el software Infostat, se genera la ecuación para predecir la biomasa aérea en las coberturas boscosas del bh-MB a partir del promedio focal del NDVI (Figura 18).

Ln (Biomasa Aérea) = 15.65 + 11.06 * Ln (Promedio Focal de NDVI) Figura 18. Ecuación para la estimación de biomasa aérea en el bh-MB

Se realizó la comparación entre la biomasa aérea observada y la biomasa aérea estimada con a partir del modelo seleccionado, se observa la relación entre la

45

biomasa observada y la biomasa predicha (Figura 19) y una diferencia entre la biomasa observada y la biomasa estimada de 28.4 toneladas.

Figura 19. Relación entre la variable dependiente y la variable independiente con la ecuación seleccionada

Para la parcela 2 (bh-PM), se seleccionó el modelo 3 asociado al logaritmo natural (Ln), dado que, aunque presenta el coeficiente de determinación más bajo (0.48), lo que representa el menor grado de asociación entre las dos variables, esta ecuación presenta el error cuadrático medio de predicción (0.32) y el Criterio de información Akaike (160.92) más bajo lo que representa un menor error entre la biomasa predicha y la observada (Tabla 6).

46

Tabla 6. Criterios para la selección del mejor modelo de estimación de biomasa para el bh-PM

Modelo

R²

R² Aj

ECMP

AIC

BIC

Biomasa = a + b * Promedio Focal

0.52

0.52

1,194,881.09

1,582.13

1,589.76

0.53

0.53

1,177,552.33

1,580.79

1,588.42

0.48

0.48

0.32

160.92

168.55

0.57

0.56

1,116,834.71

1,575.53

1,585.70

de NDVI

Biomasa = a + b * (Promedio Focal de NDVI)²

Ln (Biomasa) = a + b * Ln (Promedio Focal de NDVI)

Biomasa = a + b * Promedio Focal de NDVI + c * (Promedio Focal de NDVI)²

Dónde: R² = Coeficiente de determinación, R2 Aj= Coeficiente de determinación ajustado, ECMP= Error cuadrático medio de predicción, AIC= Criterio de información Akaike, BIC=Criterio de información bayesiano

A partir de la ecuación seleccionada y las constantes dadas por la regresión realizada en el software Infostat, se genera la ecuación para predecir la biomasa aérea en las coberturas boscosas del bh-PM a partir del promedio focal del NDVI (Figura 20).

Ln (Biomasa Aérea) = 15.45 + 11.06 * Ln (Promedio Focal de NDVI) Figura 20. Ecuación para la estimación de biomasa aérea en el bh-PM

Se realizó la comparación entre la biomasa aérea observada y la biomasa aérea estimada con a partir del modelo seleccionado, se observa la relación entre la biomasa observada y la biomasa predicha (Figura 21) y una diferencia entre la biomasa observada y la biomasa estimada de 22.7 toneladas.

47

Figura 21. Relación entre la variable dependiente y la variable independiente con la ecuación seleccionada

Para la parcela 3 (bmh-MB), se seleccionó el modelo 3 asociado al logaritmo natural (Ln), dado que, presenta el coeficiente de determinación más alto (0.79), lo que representa el mayor grado de asociación entre las dos variables y presenta el error cuadrático medio de predicción (0.08) y el Criterio de información Akaike (29.03) más bajo, lo que representa un menor error entre la biomasa predicha y la observada (Tabla 7).

48

Tabla 7. Criterios para la selección del mejor modelo de estimación de biomasa para el bmh-MB

Modelo

R²

R² Aj

ECMP

AIC

BIC

Biomasa = a + b * Promedio Focal de

0.68

0.68

838,537.88

1,350.82

1,358.04

0.69

0.69

809,106.15

1,347.85

1,355.07

0.79

0.79

0.08

29.03

36.25

0.75

0.74

684,993.92

1,332.86

1,342.48

NDVI

Biomasa = a + b * (Promedio Focal de NDVI)²

Ln (Biomasa) = a + b * Ln (Promedio Focal de NDVI)

Biomasa = a + b * Promedio Focal de NDVI + c * (Promedio Focal de NDVI)²

Dónde: R² = Coeficiente de determinación, R2 Aj= Coeficiente de determinación ajustado, ECMP= Error cuadrático medio de predicción, AIC= Criterio de información Akaike, BIC=Criterio de información bayesiano

A partir de la ecuación seleccionada y las constantes dadas por la regresión realizada en el software Infostat, se genera la ecuación para predecir la biomasa aérea en las coberturas boscosas del bmh-MB a partir del promedio focal del NDVI (Figura 22).

Ln (Biomasa Aérea) = 14.66 + 8.93 * Ln (Promedio Focal de NDVI) Figura 22. Ecuación para la estimación de biomasa aérea en el bmh-MB

Se realizó la comparación entre la biomasa aérea observada y la biomasa aérea estimada con a partir del modelo seleccionado, se observa la relación entre la biomasa observada y la biomasa predicha (Figura 23) y una diferencia entre la biomasa observada y la biomasa estimada de 8.2 toneladas.

49

Figura 23. Relación entre la variable dependiente y la variable independiente con la ecuación seleccionada

4.1.6 Distribución espacial de la biomasa aérea y el carbono Se generó un raster con los valores del promedio focal del NDVI dentro del rango de los datos usados en el modelo seleccionado para cada zona de vida y se estimó la biomasa para cada uno de estos valores (Figura 24).

50

Figura 24. Biomasa estimada en el bosque de Galilea.

En la zona de vida del bmh-PM se encontraron valores de biomasa estimada entre los 486.108 y 6,610.98 kg con un valor promedio de 2,296.95 kg. En total se calcularon 849,104,448 toneladas de biomasa en 3,696.65 hectáreas, es decir 51

229,69 toneladas de biomasa por hectárea. El carbono se calculó en 424,554.224 toneladas que corresponde al 0.5 de la biomasa aérea estimada.

En la zona de vida del bh-MB se encontraron valores de biomasa estimada entre los 678.28 y 6,327.26 kg con un valor promedio de 1,480.08 kg. En total se calcularon 590,735.168 toneladas de biomasa en 3,993.107 hectáreas, es decir 147,93 toneladas de biomasa por hectárea. El carbono se calculó en 295,367.584 toneladas que corresponde al 0.5 de la biomasa aérea estimada En la zona de vida del bh-PM se encontraron valores de biomasa estimada entre los 569.542 y 5,180.1 kg con un valor promedio de 1,347.06 kg. En total se calcularon 99,306.696 toneladas de biomasa en 737.21 hectáreas, es decir 134.7 toneladas de biomasa por hectárea. El carbono se calculó en 49,653.348 toneladas que corresponde al 0.5 de la biomasa aérea estimada.

En la zona de vida del bmh-MB se encontraron valores de biomasa estimada entre los 1,404.02 y 4,856.32 kg con un valor promedio de 2,428.39 kg. En total se calcularon 289,316.288 toneladas de biomasa en 1,191.39 hectáreas, es decir 242,83 toneladas de biomasa por hectárea. El carbono se calculó en 144,658.144 toneladas que corresponde al 0.5 de la biomasa aérea estimada.

4.2 Discusión La biomasa observada (204.75 ton/ha) para en la parcela 1 (bmh-PM), presenta una diferencia de 32.55 ton/ha en relación al promedio de la biomasa por hectárea observada por IDEAM (2011a), (172.2 ton/ha) mediante el mismo método con un intervalo de confianza de 40.4 ton/ha. La biomasa observada (218.74 ton/ha) para en la parcela 2 (bh-PM), presenta una diferencia de 18.74 ton/ha en relación al promedio de la biomasa por hectárea observada por IDEAM (2011a), (200.0 ton/ha) mediante el mismo método con un intervalo de confianza de 68.7 ton/ha. La biomasa observada (268.12 ton/ha) para en la parcela 2 (bhMB), presenta una diferencia de 33.68 ton/ha en relación al promedio de la biomasa por hectárea observada IDEAM (2011a), (301.8 ton/ha) mediante el mismo método con un intervalo de confianza de 106.9 ton/ha. La biomasa observada (325.62 ton/ha) en la parcela 3 (bmh-MB), presenta una diferencia de

52

66.12 ton/ha en relación al promedio de la biomasa por hectárea observada por IDEAM (2011a), (259.5 ton/ha) mediante el mismo método con un intervalo de confianza de 22.9 ton/ha. De las comparaciones realizadas, la única medición que no se encuentra dentro del intervalo de confianza para el promedio biomasa por hectárea en cada zona de vida observado por IDEAM (2011a) para los bosques en Colombia, corresponde a la parcela 3 ya que en esta parcela se obtiene un valor superior al promedio y fuera del intervalo de confianza para esta medición; esto puedo ocurrir dado el alto esta de conservación del bosque y que parcela numero 3 es la que se encuentra más hacia el centro de este.

El índice de vegetación NDVI presenta valores entre -0.27 y 0.62 similares a los valores obtenidos por Perea (2018) quien encontró rangos de NDVI -0.45 y 0.8 para estudios de vegetación en Boyacá (Colombia) y a los valores obtenidos por Leal (2015) (-0,05 y 0,78) en la distribución espacial de deslizamientos en Ibagué – Colombia. Los valores entre -0.408 y 0.943 difieren a los obtenidos por Gonzaga (2014) para la provincia de Loja – Ecuador (-0.150 y 0.641 y a los observados por Perea (2018) en los bosques de Iguaque – Colombia; Esto puedo ocurrir debido al alto estado de conservación del bosque y a las quebradas condiciones topográficas del bosque, lo que incide en errores incorregibles en los datos capturados por el sensor debido a las sombras que estas profundas pendientes generan en las imágenes.

Los valores del Promedio Focal del NDVI extraído en las parcelas del bosque de Galilea van desde los 0.35 a los 0.53 siendo el promedio de estos 0.46, son más bajos a los obtenidos por Gasparri, Parmuchi, Bono, Karszenbaum, y Montenegro (2007), para regiones forestales en Argentina (0.44 a 0.77) y su promedio es inferior al encontrado por Alatorre, Beguería y Vicente-Serrano (2010), parra bosques primarios y secundarios en Argentina. Esto pudo ocurrir debido a que como lo dice Perea (2018), los índices de vegetación son altamente influenciados por las condiciones medio ambientales principalmente la precipitación y la temperatura, y dado que el bosque en estudio es un bosque alto andino dentro de la zona ecuatorial, presenta condiciones de humedad y precipitación que sumadas a las condiciones topográficas del terreno pueden incidir en el resultado de los índices de vegetación.

53

La mayor correlación entre los índices de vegetación y la biomasa observada se presentó en los promedios focales del NDVI en todas las parcelas, siendo valores desde el 0.63 para el bosque muy húmedo Montano Bajo y 0.75 para el bosque muy húmedo Pre Montano estos valores se ajustan a los observados por Steininger (2000), quien encontró una correlación de 0.71 entre imágenes LANDSAT y modelos no lineales en bosques tropicales secundarios de Brasil y Bolivia y se encuentra por debajo de la correlación encontrada por Perea (2018) quien encontró una correlación de 0.88 entre el NDVI y los bosques de Iguaque – Colombia. Es de destacar que la mayor correlación entre la biomasa observada y el promedio focal del NDVI en todas las parcelas pudo ser motivo de que el promedio focal representa mejor el estado del dosel a nivel de subparcela que una única medición en un área más pequeña.

El modelo que involucraba el Logaritmo Natural para la variable independiente fue el que mejor se ajustó en todas las parcelas, encontrándose ECMP desde los 0.32 hasta los 0.08 resultados que concuerdan con lo descrito por Segura y Andrade (2008), asegurando que entre menor es el valor mayor es el ajuste del modelo a los valores reales; Implementados estos modelos en bosque de Galilea, se encontró que el promedio de la biomasa aérea estimada para la zona de vida del bosque muy húmedo Pre Montano (229.69 ton/ha) un valor superior a los 191.4 estimado por IDEAM (2011d), pero dentro del índice de confianza de 67.2 toneladas calculado dentro del mismo estudio; para el bosque muy húmedo Montano Bajo se estimó una biomasa aérea de 242.83 ton/ha un valor similar los 257.6 ton/ha estimados para la misma zona de vida por IDEAM (2011d); El bosque húmedo Pre Montano presento una biomasa aérea promedio de 134.7 ton/ha un valor similar a los 114.1 encontrado por IDEAM (2011a) para la misma zona de vida con índice de confiabilidad de 73 toneladas; Por último, la zona de vida del bosque húmedo Montano Bajo presento un promedio de 147.93 ton/ha valor inferior a los estimados por IDEAM (2011a) e IDEAM (2011d) de 295.1 y 256.7 respectivamente, esto pudo ocurrir debido a que la parcela 2 se ubica en la zona de transición entre el bosque húmedo Pre Montano y el bosque húmedo Montano Bajo, por lo que puede comportarse de manera diferente a la esperada

54

en esta zona de vida y por esta misma razón el dosel no representa las condiciones ecológicas del sotobosque.

55

5. Conclusiones Se concluye que mediante el uso de herramientas de teledetección y el uso de ecuaciones alométricas es posible estimar la biomasa aérea y el carbono contenidos en las áreas boscosas del bosque de Galilea y presenta un antecedente para replicar este tipo de estudios adaptando la metodología a otras áreas del país. De igual manera presenta la base para el seguimiento y monitoreo de la captura de carbono en este tipo de bosques.

La estimación del contenido de biomasa aérea en el bosque de Galilea en el departamento del Tolima mediante el uso de ecuaciones alométricas y herramientas de teledetección, obtuvo un valor promedio de 229.69 toneladas de biomasa aérea por hectárea para el bosque muy húmedo Pre Montano. En la zona de vida del bosque húmedo Montano Bajo se obtuvo un valor promedio de 147.93 toneladas de biomasa aérea por hectárea. Para la zona de vida del bosque húmedo Pre Montano se obtuvo un valor promedio de 134.7 toneladas por hectárea. Por último, para la zona de vida del bosque muy húmedo Montano Bajo se obtuvo un valor promedio de 242.83 toneladas de biomasa por hectárea.

En total se estimaron 849,104.448 toneladas de biomasa aérea para el bosque húmedo Pre Montano. En la zona de vida del bosque húmedo Montano Bajo estimaron 590,735.168 toneladas de biomasa aérea. En la zona de vida del bosque húmedo Pre Montano se estimaron 99,306.696 toneladas de biomasa aérea. Por último, se estimaron 289,316.288 toneladas de biomasa aérea para el bosque muy húmedo Montano Bajo.

El carbono contenido en el bosque muy húmedo Pre Montano se calculó en 424,554.224 toneladas. El carbono contenido en el bosque húmedo Montano Bajo se calculó en 295,367,584 toneladas. El carbono contenido en el bosque húmedo Pre Montano se calculó en 49,653.348 toneladas. Por último, el carbono contenido en el bosque muy húmedo montano bajo se calculó en 144,658.144 toneladas, siendo el bosque de Galilea un importante sumidero de carbono para el departamento del Tolima y para el centro del país.

56

Es recomendable realizar un monitoreo periódico de la biomasa aérea del bosque de Galilea como un insumo para el análisis de las dinámicas y cambios en la captura de estos. De igual manera se recomienda utilizar otros métodos y resoluciones espaciales para el análisis de estas dinámicas y de esta manera corroborar y complementar los resultados del presente estudio. Por último, se debe prever por la preservación y restauración del bosque de Galilea ya que es un importante sumidero de carbono a nivel departamental y nacional dado su estado de conservación.

57

6. Referencias Agudelo, M. I. (2009). Biomasa aérea y contenido de carbono en bosques de Quercus humboldtii y Colombobalanus excelsa: corredor de conservación de Robles Guantiva – La Rusia – Iguaque (Santander – Boyacá) (tesis de pregrado). Universidad Autónoma de Occidente, Santiago de Cali, Colombia.

Alatorre, L. C., Beguería, S., y Vicente-Serrano, S. M. (2010). Análisis de la Evolución Espacio-Temporal del NDVI Sobre Áreas Vegetadas y Zonas de Riesgo de Erosión en el Pirineo Central. Revista de Ecología de Montaña, 165, 7–27.

Álvarez, E., Duque, A., Saldarriaga, J. G., Cabrera, K., De las Salas, G., Del Valle, J. I., y Rodríguez, L. (2012). Tree above-ground biomass allometries for carbon stocks estimation in the natural forests of Colombia. Forest Ecology and Management, 267, 297-308.

Andrade, H. J., Segura, M. A., Sierra, E., Canal, D., Muñoz, J., Mora, Jairo.,…Izquierdo, O. (2018). Servicios ecosistémicos aportados por sistemas de producción en laderas de la cuenca media del rio Combeima (departamento del Tolima. Colombia): un aporte a la gestión del recurso hídrico. Ibagué, Colombia: Universidad del Tolima.

Aragão, L., Malhi, Y., Metcalfe, D. B., Silva-Espejo, J. E., Jiménez, E., Navarrete, D., y Vásquez, R. (2009). Above- and below-ground net primary productivity across tem Amazonian forests on contrasting soils.

Biogeosciences, 6, 2759-2778.

Armenteras, D., Gast, F., y Villareal, H. (2002). Andean forest fragmentation and the representativeness of protected natural areas in the eastern Andes, Colombia. Biological Conservation, 113, 245-256.

Arreaga, W. (2002). Almacenamiento de carbono en bosques de manejo forestal sostenible en la Reserva de Biosfera Maya, Peten, Guatemala (tesis de maestría). Centro Agronómico Tropical de investigación y Enseñanza - CATIE. Turrialba, Costa Rica.

58

Baccini, A., Laporte, N., Goetz, S., Sun, M., y Dong, H. (2008). Mapping tropical Africa aboveground biomass using satellite data. Boston, U.S.A: IEEE.

Baloloy, A., Blanco, A., Candido, C., Argamosa, R., Dumalag, J., Dimapilis, L., y Paringit, E. (2018). Estimation of mangrove forest aboveground biomass using multispectral bands, vegetation indices and biophusical variables derived from optical satellite imageries: Repideyes, PlanetScope, and Sentinel-2. ISPRS Ann. Photogramm. Remote Sens Spat. Inf. Sci, 4, 41– 45.

Brown, S. (1997a). Estimating biomass and biomass change of tropical forests: a primer. Forestry Paper 134. Rome (Italy): FAO. p. 215.

Brown, S. (1997b). Los bosques y el cambio climático: el papel de los terrenos forestales como sumideros de carbono. XI congreso forestal mundial. US Environmental Protection Agency, National Health and Environmental Effects Research Laboratory, Western Ecology Division, pp. 13-22.

Brown, S., y Lugo, A. (1984). Biomass of tropical forests: A new estimate based on forest Volumens. Revista Science, 223, 1290-1293.

Bunker, D. E., Declerk, F., Bradford, J. C., Colwell, R. K., Perfecto, I., Phillips, O.L.,…Naeem, S., (2005). Species loss and aboveground carbon storage in a tropical forest. Science, 310, 1029-1031.

Calderón, M., Romero-Santos, H., Cuesta, F., Pinto, E., y Báez, S. (2013).

Monitoreo de contenidos y flujos de carbono en gradientes altitudinales.

Quito, Ecuador: CODESAN/COSUDE.

Chave, J., Andalo, C., Brown, S., Cairns, M., Chambers, J., Eamus, D.,...Kira, T. (2005). Tree allometry and improved estimation of carbon stocks and balance in tropical forests. Oecologia, 145, 87-99.

59

Chave, J., Muller-Landau, H. C., Baker, T. R., Easdale, T. A., Ter, H., y Webb, C. O. (2006). Regional and phylogenetic variation of wood density across 2456 Neotropical tree species. Ecological Applications, 16(6), 2356-2367.

Chave, J., Olivier, J., Bongers, F., Chatelet, P., Forget, P. M., Meer, P.,…

Dominique, P. (2008). Above-ground biomass and productivity in a rain forest of eastern South America. Journal of Tropical Ecology, 24, 355-336.

Chave. J., Condit. R., Lao, S., Caspersen, J. P., Foster, R. B., y Hubbell, S. P., (2003). Spatial and temporal variation of biomass in a tropical forest: results from a large census plot in Panama. Journal of Tropical Ecology, 91, 240-252.

Chuvieco, E. (2010). Teledetección Ambiental (Tercera Ed). Barcelona, España: Ariel Editorial.

Civco, D. L. (1989). Topographic Normalization of Landsat Thematic Mapper Digital Imagery. Photogrammetric Engineering and Remote Sensing, 55(9), 1303–1309.

Clark, D. A., y Clark, D. B. (2000). Landscape-scale variation in forest structure and biomass in a tropical rain forest. Forest Ecology and Management, 137, 185-198.

Clark, D. A., Piper, S.C., Keeling, C. D., y Clark, D. B. (2003). Tropical rain forest tree growth and atmospheric carbon dynamics linked to interannual temperature variation during 1984-2000. Proceedings of the National Academy of Sciences of the United States of America (PNAS), 100 (10): 5852-5857.

Cruzado, L. (2010). Determinación de las reservas de carbono en la biomasa aérea de los bosques alto andinos de la concesión para conservación Alto Huayabamba – San Martin (tesis de pregrado). Universidad Nacional Agraria de la Selva, Tingo María, Perú.

60

De Lucas, A., Del Peso, C., Rodríguez, E., Prieto, P., Sanz, E., y Sánchez, M. (2012). Biomasa, biocombustibles y sostenibilidad. biodegradable de los productos. Centro Tecnológico Agrario y Agroalimentario. Madrid, España.

Dong, J., Kaufmann, R. K., Myneni, R. B., Tucker, C.J., Kauppi, P.E., Liski, J.,…Hughes, M. K. (2003). Remote sensing estimates of boreal and temperate forest woody biomass: carbon pools, sources, and sinks.

Remote Sensing of Environment, 84, 393-410.

Flenley, J. R. (1996). Problems of the Quaternary on mountains of the SundaSahul region Quart. Science Review, 15, 549-555.

Gao, Y., y Zhang, W. (2009). LULC Classification and Topographic Correction of Landsat-7 ETM+ Imagery in the Yangjia River Watershed: The Influence of DEM Resolution. Sensors, 9(3), 1980–1995.

Gašparović, M., Medak, D., Pilas, I., Jurjević, L., y Balenović. L. (2018). Fusion of sentinel-2 and planetscope imagery for vegetation detection and monitoring. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 42(1), 155-160.

Gasparri, N. I., Parmuchi, M. G., Bono, J., Karszenbaum, H., y Montenegro, C. L. (2007). Utilidad de imágenes Landsat 7 ETM+ de diferentes fechas para la estimación de biomasa aérea en bosques subtropicales secos de Argentina. Congreso de La Asociación Española de Teledetección, 9.

Girardin, C. A. J., Farfan-Rios, W., Garcia, K., Feeley, K. J., Jørgensen, P. M., Araujo, A., y Malhi, Y. (2013). Spatial patterns of above-ground structure, biomass and composition in a network of six Andean elevations transects.

Plant Ecology y Diversity, 1-13.

Girardin, C., Malhi, Y., Mamani, M., Huaraca, W., Durand, L., Feeley, K.J.,…Whittaker, R.J., (2010). Net primary productivity and its allocation along a tropical forest elevation transect in the Peruvian Andes. Global Change Biology, 16(12), 3176-3192.

61

Goetz, S. J., Baccini, A., Laporte, N., Johns, T., Walker, W. S., Kellndorfer, J. M.,…Sun, M. (2009). Mapping y monitoring carbon stocks with satellite observations: a comparison of methods. Carbon Balance and Management.

Gonzaga, C. (2014). Aplicación de Índices de Vegetación Derivados de Imágenes Satelitales Landsat 7 ETM + y ASTER para la Caracterización de la Cobertura Vegetal en la Zona Centro de la Provincia De Loja, Ecuador (tesis de maestría). Universidad Nacional de la Plata. Buenos Aires, Argentina.

Grosso, S., Parton, W., Stohlgren, T., Zheng, D., Bachelet, D., Prince, S.,…Olson, R. (2008). Global potential net primary production predicted from vegetation class, precipitation, and temperature. Ecology, 89, 21172126.

Hantson, S., y Chuvieco, E. (2011). Evaluation of different topographic correction methods for Landsat imagery. International Journal of Applied Earth Observation and Geoinformation, 13(5), 691–700.

Holdridge, L. (1978). Ecología basada en zonas de vida. San José, Costa Rica.

216 p.

Homeier, J., Breckle, S., Gunter, S., Rollenbeck, R., y Leuschner, C. (2010). Tree diversity, forest structure and productivity along altitudinal and topographical gradients in a species-rich Ecuadorian montane rain forest.

Biotropica, 42, 140-148.

Honorio, E., Baker, T., Román, R., y Quesada, C. (2010). Manual para el monitoreo del ciclo del carbono en bosques Amazónicos. Instituto de Investigaciones de la Amazonía Peruana 1 Universidad de Leeds. Lima, Perú. 41 p.

Houghton, R., Lawrence, K., Hackler, J., y Brown, S. (2001). The spatial distribution of forest biomass in the Brazilian Amazon: A comparison of estimates. Global Change Biology, 7, 731-746.

62

Huete, A., Didan, K., Miura, T., Rodríguez, E. P., Gao, X., y Ferreira, L.G. (2002).

Overview of the radiometric and biophysical performance of the MODIS vegetation indices. Remote Sensing of Environment, 83, 195-213.

Huete, A., Liu, H., y Leeuwen, W. (1997). The Use of Vegetation Indices in Forested Regions: Issues of Linearity and Saturation. IEEE, 1966-1968.

IDEAM Instituto de Hidrología, Meteorología y Estudios Ambientales (2011a).

Estimación de las reservas actuales (2010) de carbono almacenadas en la biomasa aérea en bosques naturales de Colombia. Estratificación, alometría y métodos analíticos. Bogotá, Colombia: Instituto de Hidrología, Meteorología, y Estudios Ambientales – IDEAM.

IDEAM Instituto de Hidrología, Meteorología y Estudios Ambientales. (2011b).

Estimación de la biomasa aérea usando datos de campo e información de sensores remotos. Bogotá, Colombia: Instituto de Hidrología, Meteorología, y Estudios Ambientales – IDEAM.

IDEAM Instituto de Hidrología, Meteorología y Estudios Ambientales. (2011c).

Protocolo para la estimación nacional y subnacional de biomasa - carbono en Colombia. Bogotá, Colombia: Instituto de Hidrología, Meteorología, y Estudios Ambientales – IDEAM.

IDEAM Instituto de Hidrología, Meteorología y Estudios Ambientales. (2011d).

Estimación de las reservas potenciales de carbono almacenadas en la biomasa aérea en bosques naturales de Colombia. Bogotá, Colombia: Instituto de Hidrología, Meteorología, y Estudios Ambientales – IDEAM.

IPCC Intergovernmental Panel on Climate Change. (2003). Good Practice Guidance for Land Use, Land-Use Change and Forestry. Institute for Global Environmental Strategies. Hayama, Kanagawa, Japan, 240-0115.

IPCC Intergovernmental Panel on Climate Change. (2006). Guidelines for National Greenhouse Gas Inventories. Prepared by the National Greenhouse Gas Inventories Programme. Japan: IGES.

63

Kaufman, Y. J., Gobron, N., Pinty, B., Widlowski, J. L., y Verstraete, M. M. (2002).

Relationship between surface reflectance in the visible and mid-IR used in MODIS aerosol algorithm - theory. Geophys. Res. Lett. 29, 1-4.

Leal, J. (2015). Incidencia del Cambio de las Coberturas Vegetales en la Distribución Espacial de los Deslizamientos en la Cuenca Del Río Combeima (Ibagué – Tolima, Colombia) (tesis de maestría). Universidad del Tolima. Ibagué, Colombia.

Lerma, M. A., y Orjuela, E. L. (2014). Modelos alométricos para la estimación de la biomasa aérea total en el páramo de Anaime, departamento del Tolima, Colombia (tesis de pregrado). Universidad del Tolima, Ibagué, Colombia.

Leuschner, C., Moser, G., Bertsch, C., Röderstein, M., y Hertel, D. (2007). Large altitudinal increase in tree root/shoot ratio in tropical mountain forests of Ecuador. Basic and Applied Ecology, 8, 219-230.

Lu, D. (2006). The potential and challenge of remote sensing-based biomass estimation. International Journal of Remote Sensing, 27, 1297−1328.

Malhi, Y., Baker, T. R., Phillips, O. L., Almeida, S., Álvarez, E., Arroyo, L., y Lloyd, J. (2004). The aboveground coarse wood productivity of 104 Neotropical forest plots. Global Change Biology, 10, 563-591.

Marshall, A. R., Willcock, S., Platts, P. J., Lovett, J. C., Balmford, A., Burgess, D. N., y Lewis, S. L., (2012). Measuring and modelling above-ground carbon and tree allometry along a tropical elevation gradient. Biological Conservation, 154, 20-33.

Montes, N., Gauquelin, T., Badri, W., Bertaudiere, V., y Zaoui, E. (2000). A nondestructive method for estimating above-ground forest biomass in threatened woodlands. Forest Ecology and Management, 130, 37-46.

64

Nascimento, H., y Laurance, W. F. (2002). Total aboveground biomass in central Amazonian forest: a landscape-scale study. Forest Ecology and Management, 168, 311-321.

Pan, Y., Birdsey, R., Fang, J., Houghton, R., Kauppi, P., Kurz, W., y Hayes. D. (2011). A large and persistent carbon sink in the world’s forests. Science, 333(6045), 988-993.

Patenaude, G. L., Milne, R., y Dawson, T. P. (2005). Synthesis of remote sensing approachesfor forest carbon estimation: Reporting to the Kyoto Protocol.

Environmental Science y Policy, 161–178.

Paz, F. (2018). Correcciones atmosféricas relativas de imágenes satelitales: patrones invariantes y modelos atmosféricos. Terra Latinoamericana, 36, 1-12.

Pearson, T., Walker, S., y Brown, S., (2005). Sourcebook for land use, land-use change and forestry projects. Winrock International and the BioCarbon Fund of the World Bank. 64 p.

Perea, M. A. (2018). Estimación de Biomasa Aérea y Carbono con Teledetección en Bosques Alto-Andinos de Boyacá, Colombia (tesis de maestría).

Universidad de Salzburg, Ibagué, Colombia.

Pérez, M., y Díaz, J. (2010). Estimación del carbono contenido en la biomasa forestal aérea de dos bosques andinos en los departamentos de Santander y Cundinamarca (tesis de pregrado). Universidad Distrital Francisco José de Caldas, Bogotá, Colombia.

Phillips. O., Baker, T., Arroyo, L., Higuchi. N., Killeen. T., Laurance, W. F.,…Vicenti, B. (2004). Pattern and process in Amazon tree turnover, 1976-2001. Philosophical Transactions: Biological Sciences, 1438, 1-27.

65

Rouse J. W., Haas, R. H., Schell, J. A., y Deering, D. W. (1974). Monitoring Vegetation Systems in the Great Plains with Erts. Nasa Spec, 351, 309– 313.

Saatchi S.S. Harris, L. H., Brown, S., Lefsky, M., Mitchard, E. T. A., Salas, W.,…Morel, A. (2011). Benchmark map of forest carbon stocks in tropical regions across three continents. Proc. Natl Acad. Sci. 108(24), 9899– 9904.

Saatchi, S. S., Houghton, R. A., Dos Santos, R. C., Soares, J. V., y Yu, Y. (2007).

Distribution of aboveground live biomass in the Amazon basin. Global Change Biology, 13, 816-837.

Scheller, R. M., y Mladenoff, D. J. (2004). Aforest growth and biomass module for a landscape simulation model, LANDIS: design, validation, and application. Ecological Modelling, 180, 211-229.

Segura, M., y Andrade, H. (2008). ¿Cómo construir modelos alométricos de volumen, biomasa o carbono de especies leñosas perennes?.

Agroforesteria en las Américas. 46, 89-96.

Seo, H. S., Phua, M. H., Ong, R., Choi, B., y Lee, J. S. (2014). Determining Aboveground Biomass of a Forest Reserve in Malaysian Borneo Using KNearest Neighbour Method. Journal of Tropical Forest Science, 26(1), 58– 68.

Segura, M., y Kanninen, M. (2005). Allometric Models for Tree Volume and Total Aboveground Biomass in a Tropical Humid Forest in Costa Rica.

Biotropica, 37.

Sharma, V., y Chaudhry, S. (2015). An Evaluation of Existing Methods for Assessment of Above-Ground Biomass in Forests. International Journal of Engineering Research and Science y Technology, 4(2), 1–20.

Shi, Y., Huang, W., Ye, H. Ruan, C., Xing, N., Geng, Y.,…y Peng, D. (2018).

Partial Least Square Discriminant Analysis Based on Normalized Two-

66

Stage Vegetation Indices for Mapping Damage from Rice Diseases Using PlanetScope Datasets. Sensors, 18, 1-16.

Sierra, C. A., Del Valle, J. I., Orrego, S. A., Moreno, F. H., Harmon, M. A., Zapata, M.,…Benjumea, J. F., (2007b). Total carbon stocks in a tropical forest landscape of the Porce region, Colombia. Forest Ecology and Management, 243, 299-309.

Sierra, C. A., Harmon, M., Moreno, F., y Del Valle, J. I. (2007a). Spatial and temporal variability of net ecosystem production in a tropical forest: testing the hypothesis of a significant carbon sink. Global Change Biology, 13, 838-853.

Silleos, N. G., Alexandridis, T. K., Gitas, I. Z., y Perakis, K. (2006). Vegetation indices: Advances made in biomass estimation and vegetation monitoring in the last 30 years. Geocarto International, 21(4), 21–28.

Spracklen, D. V., y Righelato, R. (2013). Tropical montane forests are a larger than expected global carbon store. Biogeosciences Discuss, 10, 1889318924.

Steininger, M. K. (2000). Satellite estimation of tropical secondary forest aboveground biomass: data from Brazil and Bolivia. International Journal of Remote Sensing, 21(6–7), 1139–1157.

Traganos, D., Cerra, D., y Reinartz, P. (2017). Cubesat-Derived Detection of Seagrasses Using Planet Imagery Following Unmixing-Based Denoising: Is Small the Next Big?. ISPRS Int. Arch. Photogramm. Remote Sens. Spat.

Inf. Sci. 42, 283–287.

Van Der, J., Shoo, L. P., y Williams, S. E. (2009). New approaches to understanding late Quaternary climate fluctuations and refugial dynamics in Australian wet tropical rain forests. Journal of Biogeography, 36, 291301.

67

Wessels, K. J., Prince, S. D., Zambatis, N., Macfadyen, S., Frost, P. E., y Van Zyl, D. (2006). Relationship between herbaceous biomass and 1-km2 Advanced Very High Resolution Radiometer (AVHRR) NDVI in Kruger National Park, South Africa. International Journal of Remote Sensing, 27, 951-973.

Yepes, A., Duque, A., Navarrete, D., Navarrete, D., Phillips, J., Cabrera, E.,…y Vargas, D. (2011). Estimación de las reservas y pérdidas de carbono por deforestación en los bosques del departamento de Antioquia, Colombia.

Actual Biol, 33(95), 193-208, 2011.

Zianis, D., y Mencuccini, M. (2004). On simplifying allometric analyses of forest biomass. Forest Ecology and Management 187, 311-332.

68

7. Anexos Anexo 1. Biomasa aérea observada en la parcela 1 ((bmh-PM)

Subparcela

Número

Diametro

Biomasa

de

Promedio

Observada

Individuos

(Kg)

Subparcela

Número

Diametro

Biomasa

de

Promedio

Observada

(Cm)

(Kg)

Individuos

(Cm) 13

23.94

4,906.84

51

8

29.13

5,629.14

9

17.52

1,525.82

52

15

18.86

3,006.94

17

17.05

2,470.24

53

2

16.35

234.92

8

16.99

1,168.09

54

10

15.56

1,231.28

6

19.22

1,359.57

55

4

23.35

1,644.19

6

15.33

698.44

56

9

16.28

1,176.54

9

25.20

3,567.87

57

11

21.69

2,990.88

8

32.32

11,181.05

58

6

22.04

1,482.91

8

14.12

792.14

59

5

22.92

1,473.22

6

15.10

630.31

60

8

18.10

1,730.77

9

20.71

2541.77

61

11

19.53

2,474.09

5

19.08

1,022.45

62

8

16.80

1,238.18

5

22.56

1,588.51

63

10

22.50

2,828.97

4

25.88

3,398.13

64

8

17.63

1,463.24

13

19.13

2,838.92

65

3

19.96

630.51

8

17.04

1,216.06

66

9

20.47

2,552.26

8

20.30

2,423.06

67

7

19.91

1,511.21

11

19.82

2,681.54

68

3

19.93

679.20

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18

69

6

18.55

1,063.57

69

9

30.58

13,304.21

4

20.70

961.61

70

15

36.36

15,824.06

2

11.88

112.32

71

S/I

S/I

S/I

5

17.75

842.57

72

6

24.06

2,426.50

9

15.46

1,051.01

73

6

18.37

1,386.56

9

17.91

1,736.43

74

9

21.51

3,521.92

12

21.43

3,227.65

75

7

26.09

4,165.38

4

15.95

452.59

76

4

22.17

1,328.75

12

17.88

2,425.38

77

5

18.34

867.40

8

25.10

3,262.14

78

7

16.57

991.78

12

15.89

1,645.80

79

3

15.62

362.41

8

17.92

1,553.99

80

7

14.45

639.18

6

17.64

1,099.54

81

5

16.78

840.05

8

15.93

948.16

82

7

16.53

912.95

11

14.60

1,074.46

83

2

32.23

1,517.36

9

20.03

2,125.49

84

3

17.87

452.61

7

21.19

1,781.63

85

3

13.93

292.99

3

29.07

3057.07

86

10

20.95

2,357.04

6

22.63

1,873.00

87

12

21.39

3,913.34

7

17.89

1,361.78

88

7

21.29

1,708.16

10

17.41

1,784.20

89

10

13.94

875.36

5

26.67

2,219.96

90

6

15.61

804.99

12

19.66

3,043.15

91

4

27.62

2,444.65

8

19.32

1,738.60

92

8

16.28

999.38

19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42

70

4

22.71

1,035.04

93

5

21.23

1,186.06

9

17.33

1,393.75

94

6

26.10

3,044.95

7

21.76

2,171.63

95

8

16.31

1,022.30

12

17.92

1,933.68

96

4

17.98

712.08

12

18.38

2,037.33

97

11

14.20

997.75

2

14.75

194.37

98

6

14.59

655.84

8

15.08

916.13

99

1

29.30

468.93

11

23.06

4,091.09

100

5

12.38

325.22

Totales

739

43 44 45 46 47 48 49 50

71

20,4554.58

Anexo 2. Biomasa aérea observada en la parcela 2 (bh-PM)

Subparcela

Número

Diametro

Biomasa

de

Promedio

Observada

Individuos

(Kg)

Subparcela

Número

Diametro

Biomasa

de

Promedio

Observada

(Cm)

(Kg)

Individuos

(Cm) 6

23.62

2,300.97

51

4

20.13

866.02

5

19.80

1,166.31

52

8

23.36

3,805.13

7

13.23

534.94

53

3

40.23

3,988.11

4

35.70

3,716.05

54

5

14.68

501.46

7

27.21

5,786.40

55

1

10.50

41.06

6

27.03

3,886.30

56

4

17.60

658.55

4

15.28

431.52

57

8

21.13

1,822.29

7

23.51

2,220.38

58

3

13.60

246.39

4

22.68

1,435.98

59

4

25.50

1,561.32

7

26.16

3,133.02

60

6

22.83

1,848.54

4

21.03

967.97

61

2

51.65

6,556.23

5

15.64

608.77

62

8

22.71

2,911.89

2

18.15

381.13

63

4

34.55

4,171.32

4

20.28

865.82

64

5

24.08

1,535.51

7

24.77

2,428.93

65

4

23.30

1,394.44

6

27.52

4,123.19

66

4

17.93

717.54

8

30.40

5,189.42

67

5

25.42

3,229.55

11

15.96

1,493.00

68

5

23.52

1,664.83

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18

72

2

15.60

245.22

69

10

24.77

4,096.89

6

19.05

1,180.44

70

7

22.19

2,362.45

5

23.28

1,617.19

71

1

15.10

97.24

11

22.02

3,344.24

72

9

21.90

4,606.92

8

23.59

3,855.02

73

5

22.60

1,901.13

4

28.68

4,834.83

74

2

35.35

2,621.82

6

25.13

2,732.56

75

6

20.63

1,612.45

9

28.56

5,327.72

76

8

21.21

2,180.32

6

24.52

4,257.83

77

5

33.98

6,409.99

2

31.70

1829.26

78

7

20.06

1,795.16

2

20.35

521.61

79

3

28.40

1,802.19

3

18.33

537.85

80

S/I

S/I

S/I

3

19.07

611.72

81

6

16.57

789.33

3

16.60

477.25

82

5

16.06

731.14

5

22.42

1,595.26

83

7

21.36

2,431.76

4

29.55

2,188.09

84

8

24.14

2,861.14

8

20.55

2,378.18

85

4

37.65

5,206.77

5

21.80

1,287.21

86

8

21.65

2,469.97

7

24.16

2,525.55

87

6

14.65

598.92

7

20.41

2,987.79

88

5

34.50

4,707.19

11

22.67

4,214.29

89

11

16.95

1,881.22

4

20.10

852.72

90

2

26.40

763.98

3

18.83

562.15

91

7

19.31

1,718.13

9

16.62

1,413.82

92

7

21.13

2,174.59

19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42

73

5

19.74

1,434.90

93

4

35.88

4,054.45

5

18.08

861.27

94

5

16.86

877.85

6

19.57

1,212.47

95

8

22.31

3,418.14

3

24.83

1,312.62

96

5

28.36

5,195.97

6

14.88

793.71

97

7

25.67

3,692.01

4

17.35

584.57

98

6

22.49

1,977.05

8

18.24

1,397.02

99

6

19.03

1,493.09

6

26.20

3,434.18

100

3

43 44 45 46 47 48 49 50

28.67 1,615.52

Totales

546 218,743.62

74

Anexo 3. Biomasa observada en la parcela 2 (bh-MB)

Número

Diametro

Biomasa

Diametro

Biomasa

de

Promedi

Observad

Promedio

Observada

Subparcel

Individuo

o

a (Kg)

a

s

(Cm)

(Kg)

Subparcel

Número

a

de

(Cm)

Individuo s

6

23.62

2,817.73

51

4

20.13

1,060.51

5

19.80

1,428.24

52

8

23.36

4,659.70

7

13.23

655.08

53

3

40.23

4,883.78

4

35.70

4,550.61

54

5

14.68

614.08

7

27.21

7,085.93

55

1

10.50

50.28

6

27.03

4,759.10

56

4

17.60

806.44

4

15.28

528.43

57

8

21.13

2,231.54

7

23.51

2,719.04

58

3

13.60

301.73

4

22.68

1,758.48

59

4

25.50

1,911.97

7

26.16

3,836.64

60

6

22.83

2,263.68

4

21.03

1,185.35

61

2

51.65

8,028.64

5

15.64

745.49

62

8

22.71

3,565.85

2

18.15

466.72

63

4

34.55

5,108.13

4

20.28

1,060.27

64

5

24.08

1,880.35

7

24.77

2,974.42

65

4

23.30

1,707.61

6

27.52

5,049.19

66

4

17.93

878.69

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16

75

8

30.40

6,354.87

67

5

25.42

3,954.86

11

15.96

1,828.31

68

5

23.52

2,038.72

2

15.60

300.29

69

10

24.77

5,016.98

6

19.05

1,445.55

70

7

22.19

2,893.02

5

23.28

1,980.38

71

1

15.10

119.08

11

22.02

4,095.30

72

9

21.90

5,641.55

8

23.59

4,720.80

73

5

22.60

2,328.09

4

28.68

5,920.64

74

2

35.35

3,210.63

6

25.13

3,346.24

75

6

20.63

1,974.58

9

28.56

6,524.24

76

8

21.21

2,669.98

6

24.52

5,214.07

77

5

33.98

7,849.56

2

31.70

2,240.09

78

7

20.06

2,198.32

2

20.35

638.75

79

3

28.40

2,206.93

3

18.33

658.64

80

S/I

S/I

S/I

3

19.07

749.10

81

6

16.57

966.60

3

16.60

584.44

82

5

16.06

895.34

5

22.42

1,953.52

83

7

21.36

2,977.89

4

29.55

2,679.50

84

8

24.14

3,503.71

8

20.55

2,912.27

85

4

37.65

6,376.12

5

21.80

1,576.29

86

8

21.65

3,024.68

7

24.16

3,092.74

87

6

14.65

733.42

7

20.41

3,658.80

88

5

34.50

5,764.35

11

22.67

5,160.75

89

11

16.95

2,303.71

4

20.10

1,044.23

90

2

26.40

935.56

17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40

76

3

18.83

688.40

91

7

19.31

2,103.99

9

16.62

1,731.34

92

7

21.13

2,662.96

5

19.74

1,757.16

93

4

35.88

4,965.01

5

18.08

1,054.70

94

5

16.86

1,075.00

6

19.57

1,484.77

95

8

22.31

4,185.80

3

24.83

1,607.41

96

5

28.36

6,362.89

6

14.88

971.97

97

7

25.67

4,521.17

4

17.35

715.85

98

6

22.49

2,421.06

8

18.24

1,710.77

99

6

19.03

1,828.42

6

26.20

4,205.43

100

3

28.67

1,978.34

Totales

546

41 42 43 44 45 46 47 48 49 50

77

267,869.62

Anexo 4. Biomasa observada en la parcela 3 (bmh-mb)

Número

Diametro

Biomasa

de Promedio Observada Subparcela Individuos Subparcela (Kg) (Cm)

Número de

Diametro

Biomasa

Individuos

Promedio

Observada

(Cm)

(Kg)

S/I

S/I

S/I

51

6

22.04

2,086.09

S/I

S/I

S/I

52

7

20.01

2,300.84

S/I

S/I

S/I

53

9

21.14

3,353.92

4

26.46

3,603.59

54

10

17.38

1,885.37

4

21.38

1,534.66

55

10

16.74

2,300.64

6

20.85

2,212.74

56

5

17.51

1,121.09

9

22.15

3,235.12

57

6

39.34

15,198.97

5

24.77

2,228.08

58

7

28.91

5,698.23

7

20.21

1,876.29

59

4

14.32

526.91

8

22.85

3,823.38

60

3

16.76

517.33

9

22.68

4,758.35

61

3

16.66

559.95

7

15.76

1,282.51

62

8

16.55

1,503.81

7

14.77

815.27

63

5

17.80

1,024.36

6

23.89

2,382.95

64

6

20.01

2,116.55

5

23.68

1,945.89

65

4

25.01

1,925.40

3

30.61

3,521.95

66

5

23.65

2,592.68

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16

78

5

24.34

2,407.03

67

4

20.05

1,427.90

4

34.18

4,107.45

68

5

30.18

4,169.28

4

20.13

974.73

69

7

20.10

1,950.27

3

18.10

687.13

70

3

27.00

1,687.16

4

13.86

413.96

71

9

17.79

2,166.94

3

18.36

652.34

72

4

33.18

5,147.28

7

21.28

3,369.54

73

10

22.87

6,982.19

9

19.22

2,309.33

74

12

20.24

4,549.59

7

20.34

2,776.03

75

8

17.62

1,690.89

7

26.27

4,729.30

76

2

26.88

1,434.55

4

25.31

3,183.84

77

6

16.61

1,024.82

7

19.00

2,064.67

78

8

16.81

1,387.17

5

23.24

2,439.38

79

5

18.21

1,181.69

8

33.09

19,376.71

80

5

16.55

930.25

9

33.14

12,802.72

81

4

19.81

1,134.44

11

26.48

9,291.53

82

7

23.65

3,768.61

3

30.09

3,210.29

83

5

17.18

1,021.05

9

20.71

2,843.10

84

5

20.47

1,457.47

9

28.34

7,502.16

85

5

16.17

811.25

7

22.05

2,702.27

86

12

15.34

1,729.37

9

22.80

4,931.81

87

4

30.18

2,640.59

4

23.73

2,044.47

88

10

31.37

9,156.17

3

20.79

913.59

89

7

26.31

5,814.68

3

14.66

340.54

90

7

15.45

1,036.50

17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40

79

3

17.88

540.42

91

9

15.15

1,202.53

1

36.62

974.90

92

14

18.36

3,163.54

8

24.37

5,045.92

93

5

25.36

4,402.51

10

44.65

24,568.23

94

9

24.79

6,808.83

7

20.79

2,501.45

95

4

19.36

1,382.50

9

21.29

3,315.00

96

3

14.57

373.94

9

20.10

2,634.37

97

4

15.64

572.42

4

30.64

3,661.24

98

9

22.79

3,702.99

7

26.59

3,955.48

99

9

22.27

4,927.83

6

23.33

2,577.66

100

5

19.28

1,257.65

Totales

611

41 42 43 44 45 46 47 48 49 50

80

315,876.38

Anexo 5. Índices de vegetación para las subparcelas en la parcela 1 (bmh-PM) Biomasa

NDVI

Promedio

Promedio

SAVI

Focal NDVI

Focal SAVI

Observada Subparcela 4,906.84

0.470

0.705

0.469

0.703

1,525.82

0.451

0.676

0.453

0.679

2,470.24

0.462

0.693

0.459

0.689

1,168.09

0.444

0.665

0.447

0.671

1,359.57

0.456

0.684

0.444

0.665

698.44

0.431

0.647

0.435

0.652

3,567.87

0.484

0.726

0.479

0.719

11,181.05

0.487

0.731

0.481

0.722

792.14

0.440

0.660

0.441

0.661

630.31

0.431

0.647

0.432

0.647

2541.77

0.460

0.691

0.460

0.690

1,022.45

0.442

0.663

0.441

0.661

1,588.51

0.450

0.675

0.452

0.678

3,398.13

0.476

0.713

0.469

0.704

2,838.92

0.472

0.707

0.460

0.690

1,216.06

0.441

0.661

0.446

0.668

2,423.06

0.455

0.683

0.456

0.683

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17

81

2,681.54

0.453

0.679

0.461

0.691

1,063.57

0.453

0.680

0.445

0.668

961.61

0.443

0.665

0.449

0.673

112.32

0.424

0.635

0.430

0.645

842.57

0.430

0.644

0.436

0.655

1,051.01

0.447

0.671

0.443

0.665

1,736.43

0.451

0.676

0.452

0.679

3,227.65

0.467

0.700

0.465

0.697

452.59

0.433

0.650

0.436

0.655

2,425.38

0.459

0.688

0.454

0.681

3,262.14

0.454

0.681

0.452

0.678

1,645.80

0.454

0.681

0.452

0.678

1,553.99

0.451

0.677

0.451

0.677

1,099.54

0.440

0.660

0.440

0.660

948.16

0.439

0.659

0.437

0.656

1,074.46

0.441

0.661

0.444

0.667

2,125.49

0.467

0.700

0.465

0.698

1,781.63

0.461

0.692

0.453

0.679

3,057.07

0.473

0.709

0.469

0.704

1,873.00

0.447

0.670

0.454

0.680

1,361.78

0.455

0.682

0.447

0.671

1,784.20

0.444

0.666

0.453

0.680

2,219.96

0.454

0.681

0.455

0.682

3,043.15

0.467

0.701

0.464

0.696

18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41

82

1,738.60

0.450

0.675

0.451

0.676

1,035.04

0.430

0.645

0.437

0.656

1,393.75

0.438

0.657

0.448

0.672

2,171.63

0.462

0.693

0.454

0.682

1,933.68

0.465

0.697

0.454

0.681

2,037.33

0.460

0.689

0.454

0.681

194.37

0.426

0.639

0.428

0.642

916.13

0.441

0.661

0.442

0.663

4,091.09

0.457

0.686

0.460

0.690

5,629.14

0.485

0.728

0.483

0.724

3,006.94

0.466

0.699

0.464

0.695

234.92

0.420

0.630

0.421

0.631

1,231.28

0.458

0.687

0.446

0.668

1,644.19

0.446

0.669

0.438

0.658

1,176.54

0.437

0.655

0.445

0.668

2,990.88

0.460

0.690

0.463

0.695

1,482.91

0.448

0.672

0.449

0.674

1,473.22

0.458

0.687

0.452

0.678

1,730.77

0.451

0.677

0.461

0.692

2,474.09

0.470

0.704

0.462

0.693

1,238.18

0.444

0.667

0.446

0.669

2,828.97

0.445

0.668

0.452

0.678

1,463.24

0.446

0.670

0.448

0.673

630.51

0.424

0.636

0.435

0.653

42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65

83

2,552.26

0.485

0.727

0.475

0.713

1,511.21

0.444

0.666

0.450

0.674

679.20

0.439

0.658

0.434

0.651

13,304.21

0.493

0.740

0.484

0.725

15,824.06

0.491

0.736

0.490

0.735

2,426.50

0.483

0.724

0.479

0.718

1,386.56

0.454

0.681

0.445

0.668

3,521.92

0.462

0.692

0.457

0.686

4,165.38

0.477

0.715

0.475

0.713

1,328.75

0.447

0.671

0.446

0.669

867.40

0.424

0.636

0.429

0.643

991.78

0.441

0.662

0.439

0.659

362.41

0.415

0.622

0.418

0.628

639.18

0.423

0.635

0.432

0.648

840.05

0.413

0.619

0.422

0.633

912.95

0.435

0.652

0.437

0.656

1,517.36

0.452

0.678

0.451

0.676

452.61

0.443

0.664

0.445

0.667

292.99

0.439

0.658

0.432

0.648

2,357.04

0.462

0.694

0.455

0.682

3,913.34

0.475

0.712

0.471

0.707

1,708.16

0.457

0.686

0.456

0.684

875.36

0.435

0.652

0.437

0.655

804.99

0.430

0.644

0.436

0.654

66 67 68 69 70 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90

84

2,444.65

0.460

0.691

0.458

0.688

999.38

0.442

0.662

0.440

0.661

1,186.06

0.452

0.678

0.447

0.670

3,044.95

0.474

0.711

0.465

0.697

1,022.30

0.424

0.637

0.436

0.655

712.08

0.436

0.653

0.435

0.653

997.75

0.439

0.659

0.430

0.645

655.84

0.436

0.654

0.433

0.649

468.93

0.425

0.637

0.428

0.641

325.22

0.423

0.635

0.423

0.634

112.32

0.413

0.619

0.418

0.628

15,824.058

0.493

0.740

0.490

0.735

2,066.208

0.450

0.675

0.450

0.675

91 92 93 94 95 96 97 98 99 100 Minimo Maximo Promedio

85

Anexo 6. Índices de vegetación por subparcela en la parcela 2 (bh-MB) Biomasa Observada Subparcela

NDVI

SAVI

Promedio

Promedio

Focal SAVI

Focal NDVI

1

2,817.73

0.469

0.703

0.704

0.471

2

1,428.24

0.489

0.734

0.737

0.481

3

655.08

0.454

0.681

0.690

0.461

4

4,550.61

0.517

0.776

0.766

0.509

5

7,085.93

0.528

0.791

0.777

0.525

6

4,759.10

0.513

0.769

0.760

0.508

7

528.43

0.472

0.708

0.716

0.478

8

2,719.04

0.486

0.729

0.715

0.478

9

1,758.48

0.480

0.720

0.702

0.469

10

3,836.64

0.496

0.745

0.746

0.497

86

11

1,185.35

0.456

0.683

0.689

0.457

12

745.49

0.425

0.638

0.623

0.426

13

466.72

0.435

0.653

0.675

0.445

14

1,060.27

0.470

0.704

0.695

0.466

15

2,974.42

0.517

0.776

0.776

0.515

16

5,049.19

0.530

0.795

0.789

0.526

17

6,354.87

0.514

0.770

0.766

0.511

18

1,828.31

0.465

0.698

0.715

0.475

19

300.29

0.453

0.680

0.692

0.460

20

1,445.55

0.437

0.656

0.667

0.450

21

1,980.38

0.479

0.719

0.688

0.459

22

4,095.30

0.495

0.743

0.746

0.499

23

4,720.80

0.526

0.788

0.783

0.522

24

5,920.64

0.538

0.807

0.789

0.534

25

3,346.24

0.507

0.760

0.787

0.518

26

6,524.24

0.528

0.791

0.790

0.526

27

5,214.07

0.492

0.738

0.745

0.497

87

28

2,240.09

0.446

0.670

0.675

0.453

29

638.75

0.422

0.634

0.634

0.416

30

658.64

0.463

0.694

0.692

0.459

31

749.10

0.478

0.717

0.700

0.468

32

584.44

0.454

0.681

0.646

0.452

33

1,953.52

0.440

0.660

0.686

0.453

34

2,679.50

0.506

0.759

0.762

0.504

35

2,912.27

0.508

0.762

0.763

0.509

36

1,576.29

0.491

0.737

0.749

0.497

37

3,092.74

0.521

0.781

0.783

0.518

38

3,658.80

0.527

0.791

0.786

0.524

39

5,160.75

0.513

0.770

0.769

0.512

40

1,044.23

0.480

0.720

0.699

0.463

41

688.40

0.473

0.709

0.708

0.474

42

1,731.34

0.486

0.728

0.735

0.493

43

1,757.16

0.506

0.759

0.749

0.499

44

1,054.70

0.470

0.705

0.713

0.476

88

45

1,484.77

0.473

0.709

0.717

0.476

46

1,607.41

0.478

0.717

0.710

0.474

47

971.97

0.483

0.724

0.707

0.472

48

715.85

0.459

0.688

0.706

0.471

49

1,710.77

0.499

0.748

0.745

0.497

50

4,205.43

0.493

0.740

0.718

0.478

51

1,060.51

0.495

0.742

0.740

0.490

52

4,659.70

0.504

0.755

0.766

0.511

53

4,883.78

0.525

0.787

0.776

0.518

54

614.08

0.471

0.706

0.697

0.465

55

50.28

0.416

0.624

0.651

0.431

56

806.44

0.453

0.679

0.679

0.454

57

2,231.54

0.448

0.672

0.683

0.456

58

301.73

0.483

0.725

0.719

0.480

59

1,911.97

0.497

0.746

0.727

0.488

60

2,263.68

0.502

0.752

0.742

0.495

61

8,028.64

0.535

0.802

0.801

0.527

89

62

3,565.85

0.481

0.721

0.724

0.483

63

5,108.13

0.496

0.744

0.733

0.488

64

1,880.35

0.497

0.745

0.736

0.491

65

1,707.61

0.461

0.691

0.706

0.467

66

878.69

0.463

0.695

0.680

0.457

67

3,954.86

0.470

0.705

0.712

0.473

68

2,038.72

0.513

0.769

0.772

0.512

69

5,016.98

0.512

0.767

0.755

0.506

70

2,893.02

0.462

0.693

0.686

0.462

71

119.08

0.415

0.622

0.640

0.423

72

5,641.55

0.523

0.784

0.755

0.504

73

2,328.09

0.510

0.765

0.764

0.510

74

3,210.63

0.521

0.781

0.745

0.496

75

1,974.58

0.487

0.730

0.721

0.480

76

2,669.98

0.499

0.749

0.747

0.498

77

7,849.56

0.507

0.760

0.758

0.507

78

2,198.32

0.495

0.742

0.731

0.487

90

79

2,206.93

0.460

0.690

0.680

0.450

81

966.60

0.479

0.718

0.710

0.476

82

895.34

0.472

0.708

0.698

0.466

83

2,977.89

0.499

0.748

0.752

0.501

84

3,503.71

0.521

0.781

0.769

0.517

85

6,376.12

0.534

0.801

0.803

0.536

86

3,024.68

0.502

0.753

0.756

0.504

87

733.42

0.484

0.727

0.711

0.474

88

5,764.35

0.516

0.774

0.768

0.512

89

2,303.71

0.510

0.765

0.767

0.511

90

935.56

0.506

0.759

0.732

0.484

91

2,103.99

0.473

0.710

0.699

0.466

92

2,662.96

0.484

0.726

0.738

0.491

93

4,965.01

0.496

0.744

0.732

0.492

94

1,075.00

0.418

0.627

0.679

0.434

95

4,185.80

0.467

0.700

0.712

0.471

96

6,362.89

0.525

0.788

0.776

0.522

91

97

4,521.17

0.504

0.756

0.756

0.504

98

2,421.06

0.491

0.736

0.721

0.488

99

1,828.42

0.424

0.636

0.659

0.440

100

1,978.34

0.460

0.691

0.693

0.462

Mínimo

50.28

0.415

0.622

0.623

0.416

Maximo

8,028.64

0.538

0.807

0.803

0.536

Promedio

2,705.75

0.486

0.729

0.727

0.484

92

Anexo 7. Índices de vegetación por subparcela para la parcela 2 (bh-PM) Biomasa Observada Subparcela

NDVI

SAVI

Promedio

Promedio

Focal NDVI

Focal SAVI

1

2,300.97

0.469

0.703

0.471

0.704

2

1,166.31

0.489

0.734

0.481

0.737

3

534.94

0.454

0.681

0.461

0.690

4

3,716.05

0.517

0.776

0.509

0.766

5

5,786.40

0.528

0.791

0.525

0.777

6

3,886.30

0.513

0.769

0.508

0.760

7

431.52

0.472

0.708

0.478

0.716

8

2,220.38

0.486

0.729

0.478

0.715

9

1,435.98

0.480

0.720

0.469

0.702

10

3,133.02

0.496

0.745

0.497

0.746

93

11

967.97

0.456

0.683

0.457

0.689

12

608.77

0.425

0.638

0.426

0.623

13

381.13

0.435

0.653

0.445

0.675

14

865.82

0.470

0.704

0.466

0.695

15

2,428.93

0.517

0.776

0.515

0.776

16

4,123.19

0.530

0.795

0.526

0.789

17

5,189.42

0.514

0.770

0.511

0.766

18

1,493.00

0.465

0.698

0.475

0.715

19

245.22

0.453

0.680

0.460

0.692

20

1,180.44

0.437

0.656

0.450

0.667

21

1,617.19

0.479

0.719

0.459

0.688

22

3,344.24

0.495

0.743

0.499

0.746

23

3,855.02

0.526

0.788

0.522

0.783

24

4,834.83

0.538

0.807

0.534

0.789

25

2,732.56

0.507

0.760

0.518

0.787

26

5,327.72

0.528

0.791

0.526

0.790

27

4,257.83

0.492

0.738

0.497

0.745

94

28

1,829.26

0.446

0.670

0.453

0.675

29

521.61

0.422

0.634

0.416

0.634

30

537.85

0.463

0.694

0.459

0.692

31

611.72

0.478

0.717

0.468

0.700

32

477.25

0.454

0.681

0.452

0.646

33

1,595.26

0.440

0.660

0.453

0.686

34

2,188.09

0.506

0.759

0.504

0.762

35

2,378.18

0.508

0.762

0.509

0.763

36

1,287.21

0.491

0.737

0.497

0.749

37

2,525.55

0.521

0.781

0.518

0.783

38

2,987.79

0.527

0.791

0.524

0.786

39

4,214.29

0.513

0.770

0.512

0.769

40

852.72

0.480

0.720

0.463

0.699

41

562.15

0.473

0.709

0.474

0.708

42

1,413.82

0.486

0.728

0.493

0.735

43

1,434.90

0.506

0.759

0.499

0.749

44

861.27

0.470

0.705

0.476

0.713

95

45

1,212.47

0.473

0.709

0.476

0.717

46

1,312.62

0.478

0.717

0.474

0.710

47

793.71

0.483

0.724

0.472

0.707

48

584.57

0.459

0.688

0.471

0.706

49

1,397.02

0.499

0.748

0.497

0.745

50

3,434.18

0.493

0.740

0.478

0.718

51

866.02

0.495

0.742

0.490

0.740

52

3,805.13

0.504

0.755

0.511

0.766

53

3,988.11

0.525

0.787

0.518

0.776

54

501.46

0.471

0.706

0.465

0.697

55

41.06

0.416

0.624

0.431

0.651

56

658.55

0.453

0.679

0.454

0.679

57

1,822.29

0.448

0.672

0.456

0.683

58

246.39

0.483

0.725

0.480

0.719

59

1,561.32

0.497

0.746

0.488

0.727

60

1,848.54

0.502

0.752

0.495

0.742

61

6,556.23

0.535

0.802

0.527

0.801

96

62

2,911.89

0.481

0.721

0.483

0.724

63

4,171.32

0.496

0.744

0.488

0.733

64

1,535.51

0.497

0.745

0.491

0.736

65

1,394.44

0.461

0.691

0.467

0.706

66

717.54

0.463

0.695

0.457

0.680

67

3,229.55

0.470

0.705

0.473

0.712

68

1,664.83

0.513

0.769

0.512

0.772

69

4,096.89

0.512

0.767

0.506

0.755

70

2,362.45

0.462

0.693

0.462

0.686

71

97.24

0.415

0.622

0.423

0.640

72

4,606.92

0.523

0.784

0.504

0.755

73

1,901.13

0.510

0.765

0.510

0.764

74

2,621.82

0.521

0.781

0.496

0.745

75

1,612.45

0.487

0.730

0.480

0.721

76

2,180.32

0.499

0.749

0.498

0.747

77

6,409.99

0.507

0.760

0.507

0.758

78

1,795.16

0.495

0.742

0.487

0.731

97

79

1,802.19

0.460

0.690

0.450

0.680

81

789.33

0.479

0.718

0.476

0.710

82

731.14

0.472

0.708

0.466

0.698

83

2,431.76

0.499

0.748

0.501

0.752

84

2,861.14

0.521

0.781

0.517

0.769

85

5,206.77

0.534

0.801

0.536

0.803

86

2,469.97

0.502

0.753

0.504

0.756

87

598.92

0.484

0.727

0.474

0.711

88

4,707.19

0.516

0.774

0.512

0.768

89

1,881.22

0.510

0.765

0.511

0.767

90

763.98

0.506

0.759

0.484

0.732

91

1,718.13

0.473

0.710

0.466

0.699

92

2,174.59

0.484

0.726

0.491

0.738

93

4,054.45

0.496

0.744

0.492

0.732

94

877.85

0.418

0.627

0.434

0.679

95

3,418.14

0.467

0.700

0.471

0.712

96

5,195.97

0.525

0.788

0.522

0.776

98

97

3,692.01

0.504

0.756

0.504

0.756

98

1,977.05

0.491

0.736

0.488

0.721

99

1,493.09

0.424

0.636

0.440

0.659

100

1,615.52

0.460

0.691

0.462

0.693

Minimo

41.06

0.415

0.622

0.416

0.623

Maximo

6,556.23

0.538

0.807

0.536

0.803

Promedio

2,209.53

0.486

0.729

0.484

0.727

99

Anexo 8. Índices de vegetación por subparcela en la parcela 3 (bmh-MB) Biomasa Observada Subparcela

NDVI

SAVI

Promedio

Promedio

Focal NDVI

Focal SAVI

4

3,603.59

0.452

0.678

0.456

0.685

5

1,534.66

0.468

0.702

0.465

0.698

6

2,212.74

0.470

0.704

0.477

0.725

7

3,235.12

0.464

0.697

0.477

0.715

8

2,228.08

0.439

0.659

0.448

0.673

9

1,876.29

0.443

0.664

0.441

0.676

10

3,823.38

0.501

0.751

0.494

0.742

11

4,758.35

0.486

0.729

0.490

0.735

12

1,282.51

0.430

0.645

0.439

0.659

100

13

815.27

0.408

0.612

0.418

0.611

14

2,382.95

0.465

0.697

0.470

0.705

15

1,945.89

0.454

0.681

0.465

0.735

16

3,521.95

0.475

0.712

0.476

0.714

17

2,407.03

0.476

0.714

0.484

0.726

18

4,107.45

0.510

0.764

0.496

0.743

19

974.73

0.403

0.605

0.415

0.626

20

687.13

0.404

0.606

0.411

0.616

21

413.96

0.397

0.596

0.396

0.594

22

652.34

0.407

0.610

0.413

0.623

23

3,369.54

0.454

0.681

0.455

0.683

24

2,309.33

0.482

0.723

0.482

0.723

25

2,776.03

0.476

0.714

0.473

0.685

26

4,729.30

0.499

0.748

0.495

0.737

27

3,183.84

0.481

0.722

0.481

0.721

28

2,064.67

0.439

0.658

0.442

0.640

29

2,439.38

0.472

0.708

0.470

0.705

101

30

19,376.71

0.506

0.759

0.512

0.743

31

12,802.72

0.512

0.767

0.508

0.758

32

9,291.53

0.510

0.765

0.501

0.746

33

3,210.29

0.447

0.671

0.471

0.693

34

2,843.10

0.489

0.733

0.487

0.731

35

7,502.16

0.502

0.753

0.500

0.749

36

2,702.27

0.480

0.720

0.479

0.719

37

4,931.81

0.489

0.734

0.491

0.736

38

2,044.47

0.445

0.668

0.446

0.669

39

913.59

0.404

0.605

0.396

0.605

40

340.54

0.380

0.570

0.380

0.588

41

540.42

0.367

0.550

0.363

0.591

42

974.90

0.374

0.560

0.392

0.536

43

5,045.92

0.500

0.749

0.499

0.750

44

24,568.23

0.517

0.775

0.518

0.762

45

2,501.45

0.482

0.723

0.483

0.716

46

3,315.00

0.474

0.711

0.471

0.707

102

47

2,634.37

0.480

0.720

0.476

0.714

48

3,661.24

0.486

0.729

0.490

0.696

49

3,955.48

0.498

0.747

0.495

0.768

50

2,577.66

0.426

0.638

0.449

0.672

51

2,086.09

0.449

0.673

0.451

0.661

52

2,300.84

0.491

0.737

0.484

0.726

53

3,353.92

0.477

0.715

0.477

0.698

54

1,885.37

0.443

0.664

0.446

0.669

55

2,300.64

0.458

0.687

0.456

0.684

56

1,121.09

0.461

0.691

0.462

0.693

57

15,198.97

0.512

0.768

0.506

0.756

58

5,698.23

0.492

0.738

0.498

0.748

59

526.91

0.407

0.610

0.407

0.635

60

517.33

0.371

0.556

0.367

0.570

61

559.95

0.384

0.575

0.387

0.551

62

1,503.81

0.426

0.639

0.421

0.631

63

1,024.36

0.432

0.648

0.439

0.658

103

64

2,116.55

0.460

0.689

0.454

0.633

65

1,925.40

0.439

0.658

0.440

0.639

66

2,592.68

0.465

0.697

0.457

0.722

67

1,427.90

0.470

0.705

0.464

0.709

68

4,169.28

0.470

0.705

0.475

0.713

69

1,950.27

0.460

0.689

0.466

0.699

70

1,687.16

0.435

0.652

0.442

0.663

71

2,166.94

0.463

0.694

0.455

0.666

72

5,147.28

0.496

0.744

0.497

0.742

73

6,982.19

0.491

0.737

0.499

0.749

74

4,549.59

0.497

0.745

0.492

0.751

75

1,690.89

0.451

0.676

0.444

0.682

76

1,434.55

0.444

0.666

0.438

0.657

77

1,024.82

0.421

0.632

0.426

0.660

78

1,387.17

0.445

0.668

0.427

0.662

79

1,181.69

0.412

0.618

0.422

0.681

80

930.25

0.415

0.623

0.417

0.627

104

81

1,134.44

0.451

0.677

0.446

0.669

82

3,768.61

0.506

0.758

0.482

0.716

83

1,021.05

0.415

0.622

0.423

0.619

84

1,457.47

0.424

0.636

0.419

0.628

85

811.25

0.402

0.603

0.394

0.595

86

1,729.37

0.424

0.636

0.419

0.581

87

2,640.59

0.483

0.725

0.484

0.725

88

9,156.17

0.511

0.766

0.504

0.778

89

5,814.68

0.501

0.751

0.495

0.743

90

1,036.50

0.394

0.591

0.424

0.635

91

1,202.53

0.425

0.637

0.432

0.648

92

3,163.54

0.496

0.744

0.490

0.734

93

4,402.51

0.490

0.736

0.494

0.741

94

6,808.83

0.497

0.745

0.496

0.744

95

1,382.50

0.449

0.673

0.438

0.657

96

373.94

0.349

0.523

0.357

0.544

97

572.42

0.413

0.620

0.404

0.628

105

98

3,702.99

0.460

0.690

0.455

0.682

99

4,927.83

0.506

0.759

0.495

0.742

100

1,257.65

0.467

0.700

0.462

0.706

Minimo

340.54

0.349

0.523

0.357

0.536

Maximo

24,568.23

0.517

0.775

0.518

0.778

Promedio

3,256.46

0.456

0.684

0.456

0.684

106