Introducción
El consumo antrópico de los combustibles fósiles y la deforestación han incrementado significativamente la emisión de dióxido de carbono (CO2). Según el IPCC, para las trayectorias de concentración representativas (RCP) para el 2100, en el RCP 2,6 se estima que la concentración de CO2 atmosférico será de 421 ppm, con un aumento de la temperatura promedio de 1,85 °C; y en el peor de los casos el RCP 8,5 calcula que el CO2 atmosférico será de 936 ppm, con un aumento de la temperatura promedio de 3,7 °C (IPCC, 2014). Sin embargo, los bosques secuestran y almacenan grandes cantidades de CO2 en su biomasa forestal aérea (BFA) (T.H. Nguyen et al., 2020), y de esta manera actúan como una barrera natural frente al cambio climático (Lu et al., 2020). Se estima que los bosques a nivel mundial secuestraron 289 gigatoneladas de carbono en su BFA entre 2005 y 2010 (Kiura-Kigomo et al., 2020).
La BFA de un bosque, además, de ser utilizada para predecir el carbono almacenado, sirve para monitorear la regeneración y sucesión forestal, la degradación forestal, el cálculo de energía liberada, y evaluar la productividad forestal (Tetemke et al., 2019). En este contexto, se requiere de técnicas adecuadas para estimar la BFA. Las técnicas más precisas se basan en muestreos terrestres destructivos (Hosseini et al., 2019). Sin embargo, no son adecuadas para calcular la BFA en grandes áreas y en escalas temporales (T.H. Nguyen et al., 2020). Además, son costosas y de difícil acceso en áreas remotas. No obstante, esta técnica crea una ecuación alométrica que establece una relación entre los parámetros físicos de los árboles y la BFA (Loh et al., 2020).
Las técnicas no destructivas para estimar la BFA más utilizadas son los modelos alométricos, la percepción remota y la combinación de ambos (Wulder et al., 2020). En cuanto a los modelos alométricos, estos son ecuaciones matemáticas que relacionan la BFA con variables dasométricas de la vegetación, como el diámetro a la altura del pecho (DAP), la altura total del árbol y la densidad básica de la madera (Tetemke et al., 2019). Las técnicas de percepción remota se basan en la generación de modelos de regresión entre la BFA y las imágenes satelitales e imágenes de detección y rango de imágenes láser (LIDAR) (Loh et al., 2020). Para calcular la BFA mediante imágenes satelitales se usa la reflectancia de la vegetación captada por el sensor, con el fin de determinar los índices de vegetación (IV), la información de textura y la topografía del área en estudio (Nguyen y Kappas, 2020). Por otro lado, las imágenes LIDAR permiten calcular la altura de la vegetación del bosque (Loh et al., 2020).
Los modelos para estimar la BFA van desde regresiones lineales simples y múltiples hasta métodos sofisticados de aprendizaje automático (Pham et al., 2020). El uso de sensores remotos y la combinación con modelos alométricos ayudan a calcular la BFA con mayor efectividad (Hickey et al., 2018). Existe una variedad de investigaciones de técnicas no destructivas para el cálculo de BFA a nivel mundial. Por ejemplo, en Nepal, estimaron la BFA mediante el índice de vegetación de diferencia normalizada (NDVI), el índice ratio de la vegetación (RATIO) y el índice de vegetación transformacional (TVI) (Joshi et al., 2019). En Australia utilizaron datos LIDAR y Landsat 8 OLI (Hickey et al., 2018). En Irán emplearon imágenes de satélite estéreo Pléiades de muy alta resolución (Hosseini et al., 2019). En Canadá estudiaron la BFA en una serie de tiempo de 33 años derivada de satélites para cuantificar su dinámica (Wulder et al., 2020). Finalmente, en Etiopía utilizaron modelos alométricos por especie para mejorar la precisión en la estimación de la BFA (Daba y Soromessa, 2019). Por lo expuesto, en este trabajo se describirán las técnicas no destructivas para la estimación de la BFA mediante modelos alométricos y sensores remotos.
Metodología
Biomasa forestal aérea
La biomasa aérea es la cantidad total de materia orgánica viva sobre la superficie terrestre. Sin embargo, el 80% de toda la biomasa sobre la superficie terrestre se concentra en el ecosistema forestal (Poorazimy et al., 2020). Entonces se define a la BFA como el resultado de la suma de la biomasa contenida en las hojas, ramas, tronco y corteza de la vegetación, y se expresa como la cantidad en toneladas del peso seco al horno de los árboles por unidad de área (T.ha1) (Hernández-Ramos et al., 2017). La BFA está compuesta en un 50% por carbono (Loh et al., 2020). Sin embargo, la cantidad de almacenamiento de carbono varía de acuerdo con el tipo de bosque, la etapa de sucesión, el rendimiento, la edad, el tipo de manejo y las especies (Mendes et al., 2020).
Importancia de la BFA
Los bosques desempeñan un papel importante en la disminución de la concentración de CO2 atmosférico y la mitigación de los impactos producidos por el cambio climático (Savari et al., 2020). Los bosques tropicales representan aproximadamente el 70% del sumidero bruto de carbono de todos los bosques a nivel mundial (Michez et al., 2020). Por lo tanto, el monitoreo de la BFA permite obtener información de la magnitud de las perturbaciones, la productividad regional y la gestión de los recursos naturales (Wulder et al., 2020).
El conocimiento de la ganancia o pérdida de la BFA es importante para poder determinar la provisión de hábitat, las oportunidades económicas y el intercambio de carbono entre los bosques y la atmósfera (Wulder et al., 2020). Asimismo, el cálculo de la BFA sirve para la evaluación de las variaciones de algunos elementos bioquímicos y la estimación de la cantidad de energía primaria del bosque (Savari et al., 2020).
Estimación de la BFA mediante modelos alométricos
Los modelos alométricos son ecuaciones lineales, exponenciales o logarítmicas, que relacionan la BFA con la altura de la vegetación (H), el diámetro a la altura del pecho (DAP), el área de la copa (CA) y la densidad básica de la madera (p), en función de cada componente, la combinación de ambos o más (Tetemke et al., 2019). Esta técnica se basa en la recolección de datos de campo de las variables mencionadas, en cada sitio de muestreo (Pham et al., 2020).
Si el bosque presenta diversidad de especies se deben seleccionar las que tengan mayor importancia, mediante el índice de valor de importancia (IVI) (Paipa-Rios y Triana-Gómez, 2018). Por último, se seleccionan las ecuaciones alométricas específicas por especie o por multiespecies que mejor se adapten al sitio de estudio (Poorazimy et al., 2020). La exactitud de la estimación de la BFA a través de ecuaciones alométricas depende en su mayoría del uso de modelos adecuados, pueden ser modelos generales para múltiples especies o para una sola especie (Tetemke et al., 2019).
Una de las ventajas de las ecuaciones alométricas es que son consideradas la técnica más apropiada para calcular la BFA, ya que permiten una estimación rápida de esta, especialmente en áreas de conservación clave donde está prohibido talar. Esta técnica es valiosa y altamente precisa para una escala local (López-Serrano et al., 2020).
Sin embargo, una de las desventajas de las ecuaciones alométricas es que son de un lugar o de una especie, por lo que es casi imposible aplicarla de forma global (Hickey et al., 2018). Asimismo, presenta limitaciones de tiempo y accesibilidad en áreas remotas. Del mismo modo, la vegetación que tiene DAP menor a 10 cm presenta limitaciones debido a la baja disponibilidad de ecuaciones alométricas (López-Serrano et al., 2020).
Aplicación de los modelos alométricos para la estimación de la BFA
Las ecuaciones alométricas desarrolladas para la estimación de la BFA se basan en modelos específicos por especie, lo que dificulta su uso a escalas regionales o nacionales. Sin embargo, en este estudio se identificaron distintos modelos alométricos generados para la estimación de la BFA y el carbono almacenado en diferentes especies, tanto a nivel local (Amazonas, Tabla 1) como a nivel nacional (Perú, Tabla 2) y a nivel internacional (Tabla 3).
Nota: AF = altura del fuste, BFA = biomasa forestal aérea, C = carbono, DAP = diámetro a la altura del pecho.
Nota: BFA = biomasa forestal aérea, DAP = diámetro a la altura del pecho, DT = diámetro del tocón, H = altura del árbol, Ln = logaritmo natural.
Estimación de BFA mediante sensores remotos
Principio de percepción remota La percepción remota o teledetección es definida como la ciencia de adquirir información sobre la superficie terrestre y los fenómenos atmosféricos, mediante sensores que se encuentran instalados en plataformas espaciales (Chuvieco, 1995). La interacción que se origina entre el sensor y el objeto en estudio es producida por un flujo de energía conocido como radiación electromagnética (López-Montecinos, 2019).
Sensores remotos
Los sensores remotos son un sistema de teledetección que mide, recolecta y registra la energía que ha sido dispersada o emitida por un objetivo (Veneros et al., 2020). Se clasifican principalmente, según su fuente de emisión de energía, en sensores pasivos y activos.
En cuanto a los sensores pasivos, estos captan la energía electromagnética reflejada por la cobertura terrestre proveniente de los rayos solares o emitida por los objetos de la superficie terrestre como producto de su propia temperatura (Chuvieco, 1995). Podemos encontrar este tipo de sensores en los satélites Landsat, Sentinel, Modis, Ikonos, entre otros.
Por su parte, los sensores activos emiten su propia energía hacia el objeto en estudio y miden la energía reflejada por el objeto (Chuvieco, 1995). Forma parte de los sensores activos el sistema LIDAR, un ejemplo de este sistema es el sensor GEDI, que fue instalado recientemente en la Estación Espacial Internacional. Otro sensor activo es el Radar de Apertura Sintética (SAR) como ERS-SAR, RADARSAT, ALOS-PALSAR2.
Firma espectral de la vegetación
La firma espectral describe el porcentaje de radiación reflejada respecto a la radiación incidente en las distintas bandas de espectro electromagnético, constituyendo una marca de identificación de los objetos (López-Montecinos, 2019). Al comparar los patrones de las respuestas espectrales de las diferentes coberturas (tipos de suelo y vegetación, cuerpos de agua, incendios forestales, entre otros), se abre la posibilidad de distinguirlos (Chuvieco, 1995; López-Montecinos, 2019).
La vegetación absorbe la radiación electro-magnética de forma selectiva, debido a los pigmentos fotosintéticos de las hojas. En las bandas del visible, la clorofila absorbe en gran cantidad la energía del área roja y azul para el proceso de fotosíntesis y refleja casi en su totalidad el área verde, por lo que se percibe en nuestros ojos la vegetación de color verde (Silleos et al., 2008). Con respecto a la región del infrarrojo, esta presenta la mayor proporción de energía reflejada por la vegetación (López-Montecinos, 2019).
Imágenes satelitales
Las imágenes satelitales son una matriz numérica de la respuesta espectral y datos espaciales de los objetos registrados en una escena (López-Montecinos, 2019). Se clasifican según el número de bandas en imágenes pancromáticas (1 banda), multiespectrales (3 a 15 bandas) e hiperespectrales (15 a más bandas) (Chuvieco, 1995; Veneros et al., 2020).
Las estimaciones más recientes de la BFA se basan en índices de vegetación (IV) obtenidos de las imágenes satelitales. Estos IV permiten identificar las propiedades de las plantas a través de una combinación de bandas en dos regiones del espectro electromagnético. En la Tabla 4 se describen algunos de los IV más utilizados para el cálculo de la BFA.
Imágenes LIDAR
Las imágenes LIDAR (Light Detection and Ranging) son obtenidas mediante la emisión de pulsaciones de luz láser capturadas por los receptores de un sensor. Estos receptores miden con gran precisión el tiempo del láser cuando deja y regresa al sistema, y de esta manera se puede estimar la distancia entre el objeto y el sensor (Chuvieco, 1995). Por lo tanto, al combinar los datos LIDAR con los datos espaciales obtenemos puntos tridimensionales (3D) reales del objeto estudiado.
LIDAR permite caracterizar la estructura de la vegetación, debido a que puede medir directamente la altura del suelo y de los árboles. Por esta razón, la misión de Investigación de la Dinámica Global de los Ecosistemas (GEDI) de la NASA colocó un sistema LIDAR en la Estación Espacial Internacional, el cual a partir del 2021 brinda datos de estructura tridimensional de bosques templados y tropicales. Con estos datos se podrá estimar la BFA y sus cambios a nivel global como componente clave de la calidad del hábitat y la biodiversidad a escala local y regional (Dubayah et al., 2020).
Estimación de la BFA mediante imágenes satelitales
Esta técnica combina datos de campo para validar la BFA estimada mediante las imágenes satelitales. En este sentido, la primera etapa es la selección de las ecuaciones alométricas apropiadas para las especies en estudio.
En segundo lugar tenemos la fase de campo, donde se recolecta información de las especies en cada unidad muestral que por lo general son de 10 m x 10 m (Hosseini et al., 2019; Lu et al. 2020). Para ello se mide principalmente el DAP y las demás variables en función del modelo alométrico (Nguyen y Kappas, 2020).
Con respecto a las imágenes satelitales, una vez adquiridas pasan por un pretratamiento para la corrección atmosférica, radiométrica y geométrica, con la finalidad de tener una imagen con valores confiables (Joshi et al., 2019). El siguiente paso consiste en el procesamiento de las imágenes satelitales calculando los distintos IV (López-Serrano et al., 2020). Sin embargo, algunos estudios también utilizan la información de las polarizaciones de imágenes de radar para discriminar las diferentes áreas boscosas (Pham et al., 2020). Existen otros estudios que usan las imágenes estereoscópicas para determinar un modelo digital de superficie y de esta manera calcular la biomasa forestal aérea (Hosseini et al., 2019).
Posteriormente se generan modelos de regresión entre la biomasa forestal y los IV, los datos de las polarizaciones o los modelos digitales de superficie (Hosseini et al., 2019; Pham et al., 2020). Los modelos de regresión comúnmente utilizados son la regresión lineal y múltiple, aprendizaje automático como regresión de aumento de gradiente (GBR), regresión de vector de soporte (SVR), regresión de proceso gaussiano (GPR) y regresión de bosques aleatorios (RF) (López-Serrano et al., 2020; Nguyen y Kappas, 2020). Por último se realiza una validación entre los resultados obtenidos en el modelo alométrico y los resultados de la regresión para evaluar la precisión de este último (Nguyen y Kappas, 2020).
Una de las ventajas de trabajar con imágenes satelitales es que proporcionan una opción confiable, de bajo costo, rápida y amigable con el medio ambiente para el monitoreo forestal de la biomasa (Mendes et al., 2020). Asimismo, las imágenes satelitales presentan ciertas ventajas respecto a las demás imágenes debido a su mayor resolución temporal, información multiespectral espacialmente más homogénea, un costo bajo y un barrido más amplio. Por ende, permite estimar la biomasa forestal aérea a una escala local y regional a bajo costo, lo cual es muy usado en los inventarios de áreas forestales extensas (Acosta-Mireles et al., 2017). Sin embargo, el empleo de imágenes satelitales también presenta algunas desventajas como la dificultad de desarrollar una técnica global para la estimación de la BFA, puesto que los IV pueden variar dependiendo del tipo de vegetación, las condiciones climáticas y los factores topográficos (López-Serrano et al., 2020). También las áreas con bosques complejos conducen a sobreestimación de la biomasa forestal.
Estimación de la BFA mediante imágenes LIDAR
Esta técnica cuenta con dos fases: una fase de recolección y tratamiento de datos de campo, y otra fase de análisis y tratamiento de las imágenes LIDAR con relación a la BFA. La fase de campo consiste en medir las variables dasométricas en función del modelo alométrico de la especie o del modelo general para un bosque mixto en las áreas de estudio (Lu et al., 2020; Poorazimy et al., 2020).
La segunda fase consiste en la obtención de la imagen LIDAR mediante una nube de puntos de retorno del láser (Asner et al., 2010). Esta nube de puntos es segmentada mediante algoritmos para obtener métricas en formato ráster como el DAP, el ancho de la copa (CA), los modelos digitales de trerreno (DTM) y los modelos digitales de superficie (DSM) (Rosette et al., 2012). De esta manera, restando el DSM del DTM se obtiene la altura de toda la vegetación o CHM (Canopy Height Models). Para calcular la BFA mediante LIDAR, se establece un modelo de regresión entre la biomasa forestal y las métricas obtenidas de LIDAR. Por último se realiza una validación del modelo alométrico (Nguyen y Kappas, 2020).
Esta técnica presenta ciertas ventajas, como la de ser capaz de medir la altura de los árboles en copas cerradas. Por ello es una técnica rápida, precisa y de alta accesibilidad en áreas remotas (Rosette et al., 2012). En la actualidad, gracias al avance tecnológico la densidad de la nube de puntos LIDAR obtenidos desde vehículos aéreos no tripulados (VANT) es más alta que la lograda por otras plataformas como los aviones y satélites (Veneros et al., 2020). La estimación de la BFA mediante imágenes LIDAR presenta una eficacia comparable con los modelos alométricos. Además, se estima que es dos veces más barato que el método destructivo (Danilin Medvedev, 2004).
Sin embargo, también presenta desventajas como el alto costo de operación en comparación con las imágenes satelitales, Asimismo tiene una pequeña cobertura geográfica. El costo de obtención de imágenes LIDAR disminuye cuando se realiza en grandes extensiones de terreno (Asner et al., 2010).
Aplicación de los sensores remotos para la estimación de la BFA
Se identificaron y recopilaron diversas investigaciones de la aplicación de los sensores remotos para la estimación de la BFA, los cuales fueron agrupados según el tipo de sensor utilizado, en Pasivo (Tabla 5), Activo (Tabla 6) y Mixto (Pasivo y Activo) (Tabla 7).
Nota: CHM = modelo digital de altura del dosel, DAP = diámetro a la altura del pecho, ES = Estereoscopía, EVI = Índice de vegetación mejorado, GBR = Regresión de gradiente extremo, HE = imagen hiperespectral, LR = regresión lineal, NDVI = índice de vegetación de diferencia normalizada, ME = imagen multiespectral, MLR = regresión lineal múltiple, PA = imagen pancromática, R2 = coeficiente de determinación, RADAR = detección de radio y rango, RF = bosques aleatorios, SVR = regresión de vectores de soporte.
Nota: CHM = modelo digital de altura del dosel. DAP = diámetro a la altura del pecho. LIDAR = imágenes de detección y rango de imágenes láser. MEC = Modelo de estructura cuantitativa. MLR = regresión lineal múltiple. R2 = coeficiente de determinación. RF = bosques aleatorios. VANT = vehículo aéreo no tripulado.
Nota: CHM = modelo digital de altura del dosel, EA= Ecuación alométrica, HE = imagen hiperespectral, LIDAR = imágenes de detección y rango de imágenes láser, NDVI = índice de vegetación de diferencia normalizada, ME = imagen multiespectral, MLR = regresión lineal múltiple, PA = imagen pancromática, R2 = coeficiente de determinación, RADAR = detección de radio y rango, RE = regresión exponencial, RF = bosques aleatorios, RL = regresión lineal, RMC = regresión de mínimos cuadrados parciales, SVR = regresión de vectores de soporte.
Conclusiones
En este estudio se describieron y compararon las técnicas no destructivas para la estimación de la BFA. Inicialmente se mostraron modelos alométricos a través del empleo de diferentes tipos de ecuaciones, y las formas de su validación. Seguidamente se describió el uso de la teledetección mediante el empleo de imágenes satelitales y LIDAR. El uso de los sensores remotos presenta ventajas desde la resolución temporal, espacial y libre disponibilidad para estudios de biomasa en relación con las técnicas convencionales como los modelos alométricos y muestreos destructivos; dependiendo de la plataforma en que se encuentren. El empleo de modelos alométricos para estimar la BFA es propio para una especie, lo que dificulta su uso en un bosque con diferentes especies. Por otro lado, los sensores remotos son utilizados con mayor frecuencia que los métodos convencionales, porque permiten calcular la BFA con un rango de precisión aceptable en relación con las pruebas estadísticas, mostradas en la revisión. Finalmente, con la aplicación de los métodos de aprendizaje automático a las variables obtenidas de las imágenes satelitales (IV, CHM e índices de textura) e imágenes LIDAR (CHM, DAP) nos permiten mejorar las estimaciones de la BFA.