Repositorio Institucional de Documentos

DEPARTAMENTO DE GEOGRAFÍA Y ORDENACIÓN DEL TERRITORIO FACULTAD DE FILOSOFÍA Y LETRAS UNIVERSIDAD DE ZARAGOZA ESTIMACIÓN DE BIOMASA RESIDUAL MEDIANTE IMÁGENES DE SATÉLITE Y TRABAJO DE CAMPO. MODELIZACIÓN DEL POTENCIAL ENERGÉTICO DE LOS BOSQUES TUROLENSES ALBERTO GARCÍA MARTÍN TESIS DOCTORAL 2009 ESTIMACIÓN DE BIOMASA RESIDUAL MEDIANTE IMÁGENES DE SATÉLITE Y TRABAJO DE CAMPO. MODELIZACIÓN DEL POTENCIAL ENERGÉTICO DE LOS BOSQUES TUROLENSES Tesis doctoral realizada por Alberto García Martín Dirigida por el profesor titular de Análisis Geográfico Regional Dr. Juan de la Riva Fernández y el profesor titular de Máquinas y Motores Térmicos Dr. Francisco Javier Royo Herrer Departamento de Geogr afía y Ordenación del T erritorio Facultad de Filo sofía y Letras Universidad d e Zaragoza Diciembre, 2009 A quién me ha guiado, por ayudarme a no perd erme en el cam ino. A los que a pesar de m is ausenci as, siguen e stando ahí. A mis padres y a m i familia, por haberm e enseñad o a ser. A Marta, por ayudarm e a no perderme e n el camino, por seguir e stando ahí y por haberm e enseñado a ser. AGRADECI MIENTOS Rara vez se consigue llegar a los objetivos marcados en soledad, tanto en el ámbito profesional, como en el social. La realización de una tesis doctoral es una larga tarea que se desarrolla de forma ineludible e n estos dos ám bitos, por lo que cuan do se finaliza, el que la firma está obligado a agradecer la ayuda que ha recibido a lo lar go de todo el camino recorrido. En primer lugar, este trabajo no hubiera sido posible sin la confianza depositada por el Dr. Juan de la Riva Fernández y el Dr. Francisco Javier Royo Herrer, directores de esta tesis, para que participara en el proyec to LI GNOSTRUM, el cual ha proporcionado el contexto y los materiales necesario s para el desarrollo de la presente investigación. Esta confianza inicial se fue transformando a lo largo del tiemp o, en especial en el ca so de Juan, en sabios conse jos, en apoyo incondicional y en amistad, in gredientes sin los cuales la tarea iniciada no se hubiera podido ter minar. Asimismo, debo agradecer al por e ntonces Ministerio de Educación y Ciencia la concesión de una beca de Formación de Pr ofesorado Universitario que me permitió centrarme durante la mayor parte de la rea lización de la tesis exclusivamente e n esta tarea, a la vez que me proporcionó la oport unidad de iniciarme como docente en la Universidad. En este contexto, es también justo acordarse de otras instituciones que me permitieron iniciar la investigación que concluye en esta tesis doctoral, como son el Gobierno de Aragón, el Centro de I nvestigación de Recursos y Consumos Energéticos y el Grupo de Investigación Geoforest del Departamento de Geografía y Ordenación del Territorio de la Universidad de Zaragoza. E n especial, remarcar mi agradecimiento al Departamento de Geografía y Ordenación del Territorio, ya que durante estos últimos años me ha dado cobijo y las personas que lo integran se han convertido en parte de mi familia. De igual forma, deseo agradecer la oportunidad que la Dra. Thuy Le Toan me brindó para realizar dos estancia s de investigación en el Centre d'Etudes Spatiales de la Biosphère de Toulouse. Diferentes personas de las instituciones nombradas merecen ser destacadas en estos agradecimientos. Así, del Centro de Investigación de Recursos y Consumos Energéticos me gustaría agradecer la colaboración recibida por parte de Jesús Pascual y de Daniel García, ya que sin ellos parte de los contenidos de esta tesis no hubieran sido posibles. En este mismo sentido, del Departamento de Geografía y Ordenación del Territorio me gustaría agradecer toda la atención y la paciencia prestada por el Dr. Fernando Pérez Cabello, que ha ayudado a resolver muchos de los momentos más escabrosos de la investigación. Agr adecer también la ayuda prestada y, sobretodo, la amistad de todos los compañeros que han ido pasando este tiempo por la sala de becarios. Es difícil nombrar a todos, por lo que dejo este agr adecimiento en genérico. Sin embargo, me gustaría destacar la compañía y la ayuda que Raquel Montorio me ha dado durante todo este tiempo, escuchando mis problemas y participando en su resolució n. Finalmente queda el ag radecimiento a todos mis amigos y a mis her manas, por ayudarme a desconectar y, en especial, por perdonar mis eternas ausencias, a mis padres, por enseñarme a ser como soy y estar incondicionalmente y, por último, a Marta, porque todos sabemos que los malos momentos siempre los soporta la persona que está siempre a tu lado, y esa persona Marta, eres tú. ÍNDICES Estimación de biom asa residual mediante im ágenes de satélite y trabajo de ca mpo. Modelización del poten cial energético de los bosqu es turolenses vi CAPÍTULO 4. EVALUACIÓN DEL EFECTO DE LA TEMPORALIDAD EN LA ESTIMACIÓN DE LA BIOMASA RESIDUAL FORESTAL MEDIANT E IMÁGENES LANDSAT TM ...................................................................... 343 4.1. Validación temporal de la metodología óptima de estimación de biomasa residual forestal ajustada mediante el uso de la imagen Landsat de junio de 1994 ..................................................................................................................... 346 4.1.1. Determinación del número de parcelas, extracción de la información y obtención de los 10 grupos de parcelas a partir de los CV en las imágenes de julio de 1993 y agosto de 1994 ................................................................. 349 4.1.2. Estudio de las correlaciones entre la biomasa residua l forestal y las variables espectrales en los grupos de pa rcelas delimitados en las imágenes de julio de 1993 y junio de 1994 ................................................... 351 4.1.3. Ajuste de modelos de regresión con las imágene s de julio de 1993 y agosto de 1994 .......................................................................................................... 360 4.1.3.1. Modelos de regresión simple .................................................................. 360 4.1.3.2. Modelos de regresión lineal múltiple ...................................................... 366 4.1.4. Validación de las cartografías de e stimación obtenidas con las imágenes de julio de 1993 y agosto de 1994 ...................................................................... 375 4.2. Análisis de la variación del contenido de humedad en los meses de junio, julio y agosto para las cuatro especies de pino consideradas ....................................... 377 4.2.1. Los datos de contenido de hu medad ............................................................ 378 4.2.2. Análisis de la variación del contenido de h umedad ....................................... 380 4.3. Conclusiones ........................................................................................................ 382 CAPÍTULO 5. LA BIOMASA RESIDUAL FOREST AL ACTUAL DE LA PROVINCIA DE TERUEL. INVENTARIO DEL RECU RSO Y LOCALIZACIÓN DE Z ONAS ÓPTIMAS PARA SU APROVECHAMIENTO .......................................... 387 5.1. Estimación de la biomasa residual forestal actual de Teruel ............................... 390 5.2. Inventario del recurso energético ........................................................................ 393 5.2.1. Inventario a escala provincial ........................................................................ 396 5.2.2. Inventario a escala comarcal ......................................................................... 397 5.2.3. Inventario a escala municipal ........................................................................ 399 5.3. Determinación de las zonas de aprovechamiento óptimas mediante la utilización de un índice espacial .......................................................................... 412 5.3.1. Obtención y modelización de los índices parciales ....................................... 413 5.3.1.1. Índice parcial en función de la cantidad de biomasa residual forestal ( I BRF ) ....................................................................................................... 413 5.3.1.2. Índice parcial en función de la superficie de la masa forestal ( I sup ) ........ 416 5.3.1.3. Índice parcial en función de la pendiente ( I pend ) ...................................... 418 5.3.1.4. Índice parcial en función de la distancia a desembosque ( I dist ) .............. 420 5.3.2. Combinación de los índices de aptitud par cial .............................................. 422 5.3.3. Resultados de los índices parciales y de los índices d e aptitud global ......... 422 Índices vii 5.3.3.1. Resultados de los índices parciales........................................................ 422 - Resultados del índice I BRF .......................................................................... 422 - Resultados del índice I sup ........................................................................... 423 - Resultados del índice I pend ......................................................................... 424 - Resultados del índice I dist ........................................................................... 425 5.3.3.2. Resultados del índice de aptitud multiplicativo ( I aptM ) .............................. 426 5.3.3.3. Resultados del índice de aptitud pondera do ( I aptP ) ................................. 427 5.3.4. Conclusiones ................................................................................................. 432 CAPÍTULO 6. CONCLUSIONES GENERALES Y LÍNEAS DE FUTURO ...................... 437 6.1. Conclusiones generales ....................................................................................... 439 6.2. Líneas futuras de trabajo ...................................................................................... 460 CAPÍTULO 7. BIBLIOGRAFÍA ........................................................................................ 463 Estimación de biom asa residual mediante im ágenes de satélite y trabajo de ca mpo. Modelización del poten cial energético de los bosqu es turolenses viii ÍNDICE DE FIGURAS Figura 1.1. Distribución del consumo de energía primaria en España en 2007 ............ 3 Figura 1.2. Distribución del consumo de energía primaria de origen renovable en España en 2007 .......................................................................................... 6 Figura 1.3. Cadena de generación de la biomasa como recurso energético ................ 7 Figura 1.4. Biomasa residual forestal y fuste maderable procedente de una corta fitosanitaria .................................................................................................. 9 Figura 1.5. Aspecto de una masa forestal tras la aplicación de actividades selvícolas y detalle de la biomasa residual gener ada por uno de los pies 11 Figura 1.6. Acumulación de fustes al pie de la carretera para su recolección y amontonamiento de la biomasa residual para su abandono en el bosque ....................................................................................................... 11 Figura 1.7. Esquemas de distintas inst alaciones para el apro vechamiento energético de la biomasa residual forestal ................................................ 13 Figura 1.8. Ciclo del CO 2 en relación con el aprovechamiento energ ético de la biomasa forestal ........................................................................................ 14 Figura 1.9. Diagrama de flujos de la fase metodológica 1 ........................................... 61 Figura 1.10. Diagrama de flujos de la fase metodológica 2 ........................................... 65 Figura 1.11. Diagrama de flujos de la fase metodológica 3 ........................................... 67 Figura 1.12. Localización del área de estudio: la p rovincia de Teruel ........................... 86 Figura 1.13. Mapa fisiográfico de la provincia de Teruel ............................................... 88 Figura 1.14. División comarcal de la provincia de Teruel ............................................. 98 Figura 2.1. Diagrama de flujos del proceso metodológico seguido para obtención de los datos de biomasa residual forest al .................................................... 108 Figura 2.2. Localización de las zonas donde se r ealizó el muestreo de campo ........ 111 Figura 2.3. A) Materiales utilizados en el trabajo de campo; B) pie arbóreo apeado desramado y despuntado; C) medición de la altura posterior al apeo; D) pesada de la biomasa en húmedo........................................................... 112 Figura 2.4. Zonas de la cuadrícula UTM en que se divide la provincia de Teruel ..... 125 Figura 2.5. Representación del fichero shape que contiene las 617 parcelas del IFN-2 con información de biomasa residual forestal y su tab la alfanumérica ............................................................................................ 125 Figura 2.6. Localización de las 482 parcela s del IFN-2 utilizadas sobre una composición RGB 7-4-3 de la imagen Landsat TM de 29 de junio d e 1994 ......................................................................................................... 126 Figura 2.7. Ejemplo de hoja de la BCN25: los puntos repre sentan cotas de altitud, las polilíneas azules son curvas de nivel con equidistancia de 10 m ...... 130 Figura 2.8. La estructura TIN para la obtención de un MDE: (A) nodos y ejes de la estructura TIN; (B) nodos, ejes y facetas tr iangulares de la estructura TIN. Fuente: Adaptado de ESRI ArcMap 9.1 ........................................... 132 Figura 2.9. Diagrama de flujos del proceso seguido para la elaboración del MDE ... 133 Índices ix Figura 2.10. Generación del modelo TIN: (A) fichero .shp con las curvas de nivel utilizadas; (B) fichero . shp con las cotas topográficas; (C) fichero .shp con la red hidrográfica; (D) detalle del modelo TIN.................................. 134 Figura 2.11. MDE raster de la provincia de Teruel con proyección ca rtográfica y resolución de 25 m ................................................................................... 135 Figura 2.12. Las imágenes Landsat 5 TM adquiridas una vez eliminada la proyección cartográfica asignada en el nivel de procesamiento 1G: (A) imagen de 28 de julio de 1993; (B) imagen de 29 de junio de 1994; (C) imagen de 16 de agosto de 1994 .............................................................................. 141 Figura 2.13. Detalle de las ortofotografías de 1 m de resolución espacial utilizadas para la localización de puntos de co ntrol ................................................. 144 Figura 2.14. Puntos de control utilizados en el proceso de georreferenciación de la imagen de 28 de julio de 1993 ................................................................. 145 Figura 2.15. Composición RGB 4-3-2 de la imagen Landsat del 29 de junio de 1994 corregida geométricamente y adaptada a los límites del área de estudio.147 Figura 2.16. Componentes principales seleccionados de la imagen de junio de 1994: A) CP1; B) CP2; C) CP3 .......................................................................... 162 Figura 2.17. Ejes TTC de brillo (A), verdor (B) y humedad (C) y composición RGB TTC de la imagen de junio de 1994 (D) ................................................... 163 Figura 2.18. Distintos índices de vegetación ob tenidos de la imagen de junio de 1994: (A) NDVI; (B) SAVI; (C) MSI; y (D) MID57 ..................................... 166 Figura 2.19. Resolución en el acimut en la misma línea de o bservación .................... 170 Figura 2.20. Resolución en profundidad ...................................................................... 171 Figura 2.21. Efectos del relieve que deforman la imagen radar: (A) efect o de recorte; (B) efecto de repliegue; (C) efecto de sombra ......................................... 172 Figura 2.22. Variación del coeficiente de retrodispersión de un área homogénea debido a la topografía .............................................................................. 173 Figura 2.23. Localización de las imágenes ASAR utilizadas (en rojo las de órbita ascendente y en negro las de órbita descendente) respecto al área de estudio (en rosa) ...................................................................................... 178 Figura 2.24. Proceso de georreferenciación de una imagen SAR con el método de tablas lookup del software GAMMA ......................................................... 181 Figura 2.25. (A) imagen ASAR registrada el 19 de junio de 2003 (órbita descendente); (B) imagen ASAR registrada el 11 de octubre de 2003 (órbita ascendente) .................................................................................. 183 Figura 2.26. Mapa de pendientes de la provincia de Teruel ........................................ 188 Figura 2.27. Mapa de orientaciones de la provincia de Teruel .................................... 188 Figura 2.28. Mapa de insolación potencial anual en horas de la provincia de Teruel.. 189 Figura 2.29. Mapa de insolación potencial anual en iluminación recibida de la provincia de Teruel .................................................................................. 189 Figura 2.30. Mapa de Tipos Climático Estructurales (TCE) de la provincia de Teruel... .................................................................................................... 192 Figura 2.31. Mapa de Niveles de Madurez de la provincia de Teruel .......................... 193 Estimación de biom asa residual mediante im ágenes de satélite y trabajo de ca mpo. Modelización del poten cial energético de los bosqu es turolenses x Figura 3.1. Utilización del CV para la determinación de la heterogene idad de las parcelas: (A) parcela con un alto CV (alta heterogeneidad espacial); (B) parcela con un bajo CV (baja heterogeneidad espacial) ......................... 202 Figura 3.2. Clústeres d e agrupación de grupos identificados sobre el gráfico de correlaciones entre MSI y la biomasa residual forestal para cada grupo de parcelas delimitado usando el CV en la imagen de junio de 1994 ..... 209 Figura 3.3. Auto-correlaciones existentes entre las variables indepen dientes que presentan una correlación significativa con la biomasa residual en el grupo del percentil 10 de la imagen de junio de 1 994 ............................. 212 Figura 3.4. Cartografía de probabilidad de existencia de biomasa residual forestal con respecto a los umbrales de corte definidos usando las parcelas del primer clúster derivadas de la ut ilización del método de extracción d e ventanas 3x3 y el CV ............................................................................... 215 Figura 3.5. Cartografía de probabilidad de existencia de biomasa residual forestal con respecto a los umbrales de corte definidos usando las parcelas del segundo clúster derivadas de la utilización del método de extracción de ventanas 3x3 y el CV ............................................................................... 217 Figura 3.6. Cartografía de probabilidad de existencia de biomasa residual forestal con respecto a los umbrales de corte definidos usando las parcelas del tercer clúster derivadas de la utilización del método de extracción de ventanas 3x3 y el CV ............................................................................... 219 Figura 3.7. Gráficos de dispersión que relacionan la biomasa residual forestal con algunas de las variables independientes mejor correlacionadas usando las parcelas del clúster 1 ......................................................................... 222 Figura 3.8. Gráficos de dispersión que relacionan la biomasa residual forestal con algunas de las variables independientes mejor correlacionadas usando las parcelas del clúster 2 ......................................................................... 225 Figura 3.9. Gráficos de dispersión que relacionan la biomasa residual forestal con algunas de las variables independientes mejor correlacionadas usando las parcelas del clúster 3 ......................................................................... 229 Figura 3.10. Parcelas del IFN-2 identificadas co mo erróneas: (A) parcela 286; (B) parcela 340; y (C) parcela 426 ................................................................ 231 Figura 3.11. Signatura espectral de las parcelas identificadas como erróneas........... 231 Figura 3.12. Gráficos de dispersión de los cuatro modelos con mayor capacidad predictiva de la Tabla 3.11....................................................................... 234 Figura 3.13. Cartografía de biomasa residual forestal obtenida mediante regresión curvilínea usando las parcelas del tercer clúster derivadas de la utilización del método de extracción de ventanas 3x3 y el CV ................ 235 Figura 3.14. Gráficos de dispersión de los seis modelos con mayor capacidad predictiva de la Tabla 3.12....................................................................... 238 Figura 3.15. Cartografía de biomasa residual forestal obtenida mediante regresión curvilínea usando las parcelas del cuarto clúster derivadas de la utilización del método de extracción de ventanas 3x3 y el CV ................ 239 Figura 3.16. Histogramas y gráficos de distribución normal de las variables transformadas de la biomasa residu al forestal (rz_biomasa) (A y B) y de la insolación potencial ( cd_INS_POT) (C y D) ......................................... 242 Índices xi Figura 3.17. Gráfico de dispersión del modelo N1 de la Tabla 3.22 ............................ 252 Figura 3.18. Cartografía de biomasa residual forestal obtenida mediante regresión lineal usando las parcelas del tercer clúster derivadas de la utilizaci ón del método de extracción de ventanas 3x3 y el CV ................................. 253 Figura 3.19. Gráficos de dispersión de los cin co modelos de la Tabla 3.24 ................ 256 Figura 3.20. Cartografía de biomasa residual forestal obtenida mediante regresión lineal usando las parcelas del cuart o clúster derivadas de la utilización del método de extracción de ventanas 3x3 y el CV ................................. 257 Figura 3.21. Áreas forestales homogéneas a partir de la fotointerpret ación de las ortoimágenes de resolución de 1 m del SIG Oleícola Español: (A) área homogénea de aptitud 1; (B) área homogénea de aptitud 3.................... 271 Figura 3.22. AOI’s de las áreas forestales homogéneas delimitadas mediante análisis visual utilizadas para la extracción del valor medio de las variables radiométricas y forestales sin considerar los píxeles situados en la frontera ............................................................................................ 272 Figura 3.23. Gráficos de dispersión de los modelos de la Tab la 3.27 ......................... 277 Figura 3.24. Cartografía de biomasa residual forestal obtenida mediante regresión curvilínea usando las parcelas incluidas en el grupo de calidad 3 derivadas de la utilización del método de extracción de áreas homogéneas creadas con fotografía aérea ............................................. 278 Figura 3.25. Gráficos de dispersión de la variable transf ormada de la biomasa residual forestal (rz_biomasa residual) con las variables dependiente s TC3, la transformada de INS_POT (cd_INS_POT), INV_POT y CURVA.. ....................................................................................... ………282 Figura 3.26. Gráficos de dispersión de los modelos de regresión lineal univariantes de las Tablas 3.30 y 3.31 ......................................................................... 285 Figura 3.27. Cartografía de biomasa residual forestal obtenida mediante regresión lineal usando las parcelas inclu idas en el grupo de calidad 3 derivadas de la utilización del método de extracción de áreas homogéneas creadas con fotografía aérea ................................................................... 286 Figura 3.28. Procedimiento de extracción de la información radiométrica combinando el uso de técnicas de se gmentación y ventanas fijas con restricciones .. 294 Figura 3.29. Procedimiento de segmentación RGB clustering en ERDAS Imagine: (A) selección de las 3 bandas; ( B) disposición de los píxeles en el espacio tridimensional de las 3 bandas y seccion ado por las particiones establecidas; (C) cluster resultante d el seccionado tridimensional.......... 298 Figura 3.30. Gráficos de dispersión de los mejo res modelos para cada una de las variables consideradas en las Tabla s 3.34 y 3.35 ................................... 310 Figura 3.31. Cartografía de biomasa residual forestal obtenida mediante regresión curvilínea usando las parcelas in cluidas en el grupo del percentil 6 derivadas de la utilización del mé todo de extracción de segmentación (S4) y ventanas con restricciones ............................................................ 311 Figura 3.32. Gráficos de dispersión de modelos de regresió n lineal univariantes de las Tablas 3.37 y 3.38 .............................................................................. 315 Figura 3.33. Cartografía de biomasa residual forestal obtenida mediante regresión lineal usando las parcelas incluidas en el grupo del percentil 6 derivadas Estimación de biom asa residual mediante im ágenes de satélite y trabajo de ca mpo. Modelización del poten cial energético de los bosqu es turolenses xii de la utilización del método de extracción de segmentación (S4) y ventanas con restricciones ...................................................................... 316 Figura 3.34. RMSE r de c ada una de las cartografías de estimación obtenidas en los apartados 3.1.1 y 3.1.2 con el máximo de parc elas disponibles en cada una de ellas para la validación ................................................................ 323 Figura 3.35. RMSE r de c ada una de las cartografías de estimación obtenidas en los apartados 3.1.1 y 3.1.2 con todas parcelas disp onibles en cada una de ellas para la validación, las incluidas en el gr upo del percentil 9, la s incluidas en el percentil 8 y las que quedan en este grupo tras eliminar 3 parcelas con comportamiento atípico ...................................................... 326 Figura 3.36. Localización de tres subsectores en el área de estudio (delimitada en rosa) que maximizan el número de imágenes ASAR de orbita ascendente (en rojo) y descendente (en negro). En verde los subsectores que tienen en cuenta la s imágenes ascendentes; en azul el que considera las descendentes ............................................................. 332 Figura 3.37. Detalle de los tres subsectores (delimitados en amarillo) sobre la imagen Landsat TM de junio de 1994 y localización de las parcelas del IFN-2 (puntos rojos) ................................................................................. 332 Figura 3.38. Ejemplos de modificación de los límites de las áreas forestales homogéneas con objeto de que sean también homogéneas desde el punto de vista topográfico ....................................................................... 334 Figura 3.39. Gráficos de dispersión obtenidos con las 5 imágenes ASAR consideradas ........................................................................................... 337 Figura 3.40. Relación según el modelo de Hsu et al., (1994 ) entre el coeficiente de retrodispersión de la banda C con polarización VV y con un ángulo de incidencia de 26º y la biomasa en un bosque de pinos cont enida en la copa (crown), la debida al sustrato (ground) y a la suma de estos dos estratos del bosque (total) ....................................................................... 338 Figura 3.41. Relación entre el coeficiente de retrodispersión de la banda C - polarización VV y ángulo de incidencia de 26º- y AGB. El punto 1 simula la respuesta de un suelo húmedo y relativamente rugoso; el punto 2 un suelo con humedad media y liso; el punto 3 un suelo poco rugoso y seco; el punto 4 un suelo liso y seco. El área en gris representa los bosques de baja densidad y poca biomasa, medios en los que las características del suelo determinan la relación ...................................... 339 Figura 4.1. Auto-correlaciones existentes entre las variables indepen dientes que presentan una correlación significativa con la biomasa residual en el grupo del percentil 10 de la imagen de julio de 19 93 .............................. 357 Figura 4.2. Auto-correlaciones existentes entre las variables indepen dientes que presentan una correlación significativa con la biomasa residual en el grupo del percentil 10 de la imagen de agosto de 1994 .......................... 358 Figura 4.3. Gráficos de dispersión de los cuatro modelos con mayor capacidad predictiva de la Tabla 4.5 (imagen de julio de 19 93) ............................... 363 Figura 4.4. Gráficos de dispersión de los cuatro modelos con mayor capacidad predictiva de la Tabla 4.6 (imagen de agosto de 1994)........................... 364 Figura 4.5. Cartografía de biomasa residual forestal obtenida mediante regresión curvilínea usando las parcelas del percentil 4 d erivadas de la utilización Índices xiii del método de extracción de ventanas 3x3 y el CV en la imagen de julio de 1993 .................................................................................................... 365 Figura 4.6. Cartografía de biomasa residual forestal obtenida mediante regresión curvilínea usando las parcelas del percentil 4 d erivadas de la utilización del método de extracción de ventanas 3x3 y el CV en la imagen de agosto de 1994 ........................................................................................ 365 Figura 4.7. Gráficos de dispersión de los modelos de regresión lineal univariantes de las Tablas 4.10 y 4.11 ......................................................................... 371 Figura 4.8. Cartografía de biomasa residual forestal obtenida mediante regresión lineal usando las parcelas del perce ntil 4 derivadas de la utilización del método de extracción de ventanas 3x3 y el CV en la imagen de julio de 1993 ......................................................................................................... 372 Figura 4.9. Gráficos de dispersión de los tres modelos de regresión lineal univariantes de la Tabla 4.13 ................................................................... 374 Figura 4.10. Cartografía de biomasa residual forestal obtenida mediante regresión lineal usando las parcelas del perce ntil 4 derivadas de la utilización del método de extracción de ventanas 3x3 y el CV en la imagen de agosto de 1994 .................................................................................................... 375 Figura 4.11. RMSE r obtenido en cada una de las cartografías de estimación derivadas de las tres imágenes disponibles con el método de extracción de las ventanas de 3x3 píxeles y CV considerando las parcelas incluidas en sus respe ctivos grupos del percentil 4 ................................. 377 Figura 4.12. Gráfico de barras de error que compara el contenido de humedad de las muestras de las cuatro especies consideradas en los meses de junio (6), julio (7) y agosto (8) ........................................................................... 381 Figura 5.1. Cartografía de la biomasa residual forestal en la provincia de Teruel obtenida a partir de la aplicación de la Ecuación 36 sobre la imagen de julio de 2008 ............................................................................................. 394 Figura 5.2. Cartografía de biomasa residual forestal en la provincia de Teruel en julio de 2008 expresada tons/píxel .......................................................... 395 Figura 5.3. Detalle de la superficie provincial –sector septentrional de las comarca s de Bajo Martín, Bajo Aragón y Matarraña- no inventariada ..................... 396 Figura 5.4. Distribución porcentual por comarcas de la biomasa residual f orestal .... 398 Figura 5.5. Biomasa residual forest al en la comarca de Andorra-Sierra de los Ar cos (tons/ha, julio 2008) ................................................................................. 402 Figura 5.6. Biomasa residual forestal en la comarca del Bajo Aragón (tons/ha, julio 2008) ........................................................................................................ 403 Figura 5.7. Biomasa residual forestal en la comarca del Bajo Martín (tons/ha, julio 2008) ........................................................................................................ 404 Figura 5.8. Biomasa residual forestal en la comarca de la Comunidad de Teruel (tons/ha, julio 2008) ................................................................................. 405 Figura 5.9. Biomasa residual forestal en la comarca de Cuencas Mineras (tons/ha, julio 2008) ........................................................................................................ 406 Figura 5.10. Biomasa residual forest al en la comarca de Gúdar-Javalambre (tons/ha, julio 2008) ................................................................................................ 407 Estimación de biom asa residual mediante im ágenes de satélite y trabajo de ca mpo. Modelización del poten cial energético de los bosqu es turolenses xiv Figura 5.11. Biomasa residual forest al en la comarca del Jiloca (tons/ha, julio 2008) ... 408 Figura 5.12. Biomasa residual forestal en la comarca del Maestrazgo (tons/ha, julio 2008) ....................................................................................................... 409 Figura 5.13. Biomasa residual forestal en la comarca del Matarraña (tons/ha, julio 2008) ....................................................................................................... 410 Figura 5.14. Biomasa residual f orestal en la comarca de la Sierra de Albarracín (tons/ha, julio 2008) ................................................................................. 411 Figura 5.15. Cartografía obtenida tras reclasificar la cantidad de biomasa residual estimada en 2008 con los valores del índice I BRF .................................... 416 Figura 5.16. Cartografía obtenida tras reclasificar la superficie de cada te sela forestal con los valores del índice I sup ................................................................... 418 Figura 5.17. Cartografía obtenida tras reclasificar la pendiente de las zonas forestales con los valores del índice I pend ................................................. 419 Figura 5.18. Cartografía obtenida tras reclasifica r la distancia a pistas, caminos y carreteras con los valores del índice I dist .................................................. 421 Figura 5.19. Distribución de la superficie forestal de pináceas respecto al índice I BRF . 423 Figura 5.20. Distribución de la superficie forestal de piná ceas respecto al índice I pend .. ......................................................................................................... 424 Figura 5.21. Distribución de la superficie forestal de pináceas respecto al índice I dist . 425 Figura 5.22. Cartografía obtenida tras aplicar el índice I ap tM ........................................ 426 Figura 5.23. Distribución de la superficie forestal de pináceas respecto al índice I aptM.. ................................................................................................................. 427 Figura 5.24. Cartografía obtenida tras aplicar el índice I aptP con los pesos de la prueba A .................................................................................................. 428 Figura 5.25. Cartografía obtenida tras aplicar el índice I aptP con los pesos de la prueba B .................................................................................................. 429 Figura 5.26. Cartografía obtenida tras aplicar el índice I aptP con los pesos de la prueba C .................................................................................................. 429 Figura 5.27. Distribución de la superficie forestal de pináceas respecto a la prueba A del índice I aptP ........................................................................................... 430 Figura 5.28. Distribución de la superficie forestal de pináceas respecto a la prueba B del índice I aptP ........................................................................................... 431 Figura 5.29. Distribución de la superf icie forestal de pináceas respecto a la prueba C del índice I aptP ........................................................................................... 432 Índices xv ÍNDICE DE TABLAS Tabla 1.1. Modelos de regresión incluidos en la función “Estimación curvilínea” de SPSS ......................................................................................................... 80 Tabla 2.1 Superficie forestal arbolada por especie dominante en la provincia de Teruel ....................................................................................................... 109 Tabla 2.2. Composición de la muestra por especies: nº de pies y % sobre el total muestreado, nº y % de pies procedentes de repoblaciones, rango de los diámetros muestreados, desviación estándar y error estándar de la media de la biomasa residual forestal (peso en seco) ............................. 113 Tabla 2.3. Modelos de regresión ajustados para la estimación de biomasa residual, R 2 ajustado, desviación típica, nº de casos eliminados, expresión de los pesos utilizados y p-valor de los estadísticos de Kolmogorov-Smirnov y Levene ..................................................................................................... 117 Tabla 2.4. Comparación de los modelos de regresión por especie pro puestos con sus respectivas formas alométricas. ........................................................ 118 Tabla 2.5. Radio de las parcelas del IFN- 2 según diámetros de los pies encontrados ............................................................................................. 122 Tabla 2.6. Composición de la muestra de parcelas monoespecíficas del IFN-2 por especies para las que se tiene infor mación de biomasa residual forestal: número de parcelas, valor medio, desviación estándar, valor mínimo y valor máximo ............................................................................................ 127 Tabla 2.7. La familia de satélites Landsat ................................................................. 136 Tabla 2.8. Bandas de registro del sensor TM: amplitud espectral y localización en el espectro electromagnético ................................................................... 138 Tabla 2.9. Número de puntos de control utilizados y RMSE obtenido en píxeles y en metros ................................................................................................. 146 Tabla 2.10. ND mínimos de cada una de las bandas de las imágenes Landsat utilizadas .................................................................................................. 151 Tabla 2.11. Coeficientes de calibración ( offset y gain ) de las imágenes Landsat 5 TM utilizadas ............................................................................................ 152 Tabla 2.12. NDVI promedio de las distintas cubiertas en las imágenes Landsat TM utilizadas .................................................................................................. 157 Tabla 2.13. Umbrales de NDVI usa dos en cada imagen para separar las categorías (i) suelo con nula o escasa cubierta vegetal; (ii) cubierta vegetal poco activa o en forma de matorral y/o monte abierto; y (iii) cubierta vegetal activa en forma de bosque ....................................................................... 158 Tabla 2.14. Valores calculados para la constante de Minnaert en función de las bandas de cada imagen y las categorías (i) suelo con nula o escasa cubierta vegetal; (ii) cubierta vegetal poco activa o en forma de matorral y/o monte abierto; y (iii) cubierta vegetal activa en forma de bosque ...... 158 Tabla 2.15. Valores de la pendiente y del coeficiente de determinación obtenidos al aplicar la regresión entre la reflectividad y el coseno del ángulo de incidencia (IL) antes de realizar la normalización (sin N.T.) y después (con N.T.) utilizando píxeles de cualquier tipo de cubierta ...................... 159 Estimación de biom asa residual mediante im ágenes de satélite y trabajo de ca mpo. Modelización del poten cial energético de los bosqu es turolenses xxii Tabla 5.15. Valores de I BRF en función de la cantidad de biomasa residual forestal calculada en tons/ha ................................................................................ 415 Tabla 5.16. Valores de I BRF en función de la cantidad de biomasa residual forestal calculada en tons/píxel ............................................................................ 415 Tabla 5.17. Valores de I sup en fun ción de la superficie (ha) de la masa forestal ........ 417 Tabla 5.18. Valores de I pend en función de la pen diente (%) del terreno .................... 419 Tabla 5.19. Valores de I dist en función de la superficie (ha) de la masa forestal ........ 420 Tabla 5.20. Pesos asignados a cada uno de los índices parciales con siderados en las tres pruebas con el índice I ap tP ........................................................... 428 CAPÍTULO 1: ANTECEDENTES, OBJETIVOS, MET ODOLOGÍA Y ÁREA DE ESTUDIO Capitulo 1: Antecedentes, objetiv os, m etodología y área de estudio 3 1.1. La biomasa residual forestal como recurso energético 1.1.1. Las energías renovables La consideración por parte de la sociedad occidental de la trascendencia que el abastecimiento energético tiene en el mantenimiento de sus modos de vida comenzó en los años 70 a causa de la crisis petrolífera. El aumento generalizado de los precios del petróleo llevó a la búsqu eda de energías alternativas, entre las cuale s se encontraban las renovables: solar, eólica, biomasa, hidr áulica… (Domínguez, 2002). Sin embargo, el incumplimiento de las expectativas de crecimiento de los precios del petróleo y los elevados precios de las energías renovables a corto plazo (inversión en investigación y desarrollo tecnológico) propició un descenso en el interés del impulso de éstas durante la década de los 80 (Gobierno de Aragón-IDAE, 1997; Esteban et al ., 2004). Desde los años 90 hasta la actualidad, el papel que las energías renovables juegan en el suministro energético se ha ido matizando, adquiriendo cad a vez una mayor importancia. Entre las causas de este aumento se encuentran, junto a las razones de tipo estrictamente económico, otras con un marcado caráct er medioambiental, social y territorial (Gobierno de Aragón-IDAE, 1997; Domínguez, 2002). Así, desde el punto de vista económico, existe una gran preocupación a niv el europeo por la excesiva dependencia energética del petróleo, que se sitúa en to rno al 50% (Comisión de las Comunidades Europeas, 2006). Esta situación se da también a escala nacional, ya que, a pesar del crecimiento relativo de las fuentes de energía renovables en los últimos años, casi la mitad de la energía primaria consumid a en España en 2007 procedíó de este recurso fósil (Figura 1.1) (Ministerio de Industria, Turismo y Comercio, 2008). 13,74% 48,11% 21,46% 9,75% 6,94% C a r bón Pe t r ó le o Ga s na t ur a l Nucle a r E. R enova bles Figura 1.1. Distrib ución del consumo de energía prim aria en Esp aña en 2007. Fuente: Ministerio de Industria, Turismo y Comercio (2008) Estimación de biom asa residual mediante im ágenes de satélite y trabajo de ca mpo. Modelización del poten cial energético de los bosqu es turolenses 4 El aumento en el precio del barril de crudo en los dos últimos años (llegando a alcanzar recientemente valores muy por encima de los 10 0 $ en el caso del barril de crudo Brent , el de referencia en Europa) hace que esta dependencia se refleje en los datos macroeconómicos españoles, poniendo en peligro la buena marcha de la economía nacional al provocar una desaceleración del crecimiento (Pérez, 2007). Además, las energías renovables contribuyen a garantizar el suministro energético, prioridad básica d e cualquier política e nergética, mitigando los efect os perniciosos producidos por situa ciones puntuales de inestabilidad internacional qu e ponen en peligro el suministro de combustibles fósiles (Gobierno de Aragón-IDAE, 1997; Mourelatou y Smith, 2004). En cuanto al aspecto medioambiental, las energías renovables juegan un papel esencial en la reducción de las emisiones de CO 2 a la atmósfera generadas por los procesos de producció n de energía, ya que la e misión de este gas, prin cipal responsable del efecto invernadero y del calentamiento global, es prácticamente n ula (Mourelatou y Smith, 2004). Es precisamente esta preocupación por el medio ambiente y la toma de conciencia de que las reservas de combustibl es fósiles no son ilimitadas lo que ha llevado en los últimos años a que la so ciedad demande cada vez más, y de una forma más clara, el uso de fuentes de energía renovables. La incorporación paulatina de las e nergías renovables al sistema de producción de energía supone el paso de un modelo de producción de carácter concentrado (apoyado en la localización en determinados puntos de centros de extracción, produ cción y distribución de combustibles fósiles) a un mod elo mucho más abierto desde el punto de vista territorial, debido a que las distinta s energías renovables están mucho más diseminadas por el territorio, lo que provoca la descentralización de la producción energética, la diversificación de la misma y complementariedad en un sistema energético regional. De esta manera, la impronta geográfica de la s energías renovables es muy importante, ya que se trata de utilizar un recurso natural endógeno, lo que repercute positivamente tanto en el medio ambiente del área afectada como en su desarrollo económico y social, extendiéndose estos efectos locale s a una escala regional (Gobierno de Aragón-IDAE, 1997; Esteban et al ., 2004). Este hecho enlaza directamente con el concepto de “desarrollo sostenible” ya que el uso de energías renovables implica utilizar de forma sostenible los recursos energétic os disponibles manteniendo el nivel de desarrollo actual, pero teniendo en cuenta las necesidades de las generaciones venideras. Capitulo 1: Antecedentes, objetiv os, m etodología y área de estudio 5 Los distintos escenarios de consumo energético planteados para el siglo XXI coinciden en señalar el aumento generalizado de la dema nda energética (Esteban et al ., 2004; Mourelatou y Smith, 2004; Comisión de las Comunidades Europeas, 2006). Una vez reconocido el peligro que entraña la excesiva dependencia actual de combustibles fósiles importados y la incidencia que la utiliza ción de estos recursos tiene en el cambio climático (o calentamiento global), tanto la Unión Europea (UE) como España han ido desarrollando planes específicos para la pro moción y el desarrollo de las en ergías renovables. Teniendo en cuenta los t res objetivos esenciales de la política energética de la UE –seguridad en el suministro, competitividad y protección medioambiental (Consejo d e la Unión Europea, 1995; Mourelatou y Smith, 2004) –, se desarrolló el Comunicado de la Comisión Europea Energía para el Futuro: Fuentes de Energía Renovables . Libro Blanco para una Estrategia y un Plan de Acción Comunitarios (Comisión de las Comunidades Europeas, 1997). En este documento, que constituye la base para la promoción y desarrollo de las energías renovables en la UE , se fijó como objetivo que la prod ucción de energía en 2010 procediera en un 12% de fuentes renovables. Un paso más en la potenciación de la consideración de estas energ ías como pilar básico dentro de la política energética de la UE se dio en 1 998, al enunciarse los objetivos medioambientales específicos de su política energética, en los que se destaca la necesidad de reducir el impacto medioambiental de la producción y c onsumo de energía y el aumento de la cuota de producción y consumo de energías limpias (Comisión de las Comunidades Europeas, 1998). En el contexto nacional, en 1999 se aprobó el Plan de Fomento de las Energías Renovables en España (PFER) (IDAE, 1999) como respuesta a la necesida d de promocionar una política energética que, por un lado, disminuyera la excesiva dependencia exterior y, por otro, preservara el medio ambiente y asegurara un de sarrollo sostenible. En este Plan de Fomento se marcó el mismo objetivo que el fijado en el Comunicado de la Comisión de 1997 (12% de producción en 2010). 1.1.2. La energía de la biomasa Para conseguir este po rcentaje de participación de las en ergías renovales en la producción energética final, tanto en la UE como en España se confiaba en el aumento del uso de la biomasa (Comisión de las Comunidades Europeas, 1997; IDAE, 1999). Así, en el caso español, el PFER fijaba que la cont ribución de la biomasa a la producción de Estimación de biom asa residual mediante im ágenes de satélite y trabajo de ca mpo. Modelización del poten cial energético de los bosqu es turolenses 6 energía en 2010 debía ser casi tres veces superior a la de 1998: 9.629 ktep – kilotoneladas equivalentes de petró leo- en 2010 frente a los 3.629 ktep en 1998. En el año 2007, casi la mita d de la energía primaria consumida en España procede nte de energías renovables tuvo su origen en la biomasa (Figura 1.2) (Ministerio de In dustria, Turismo y Comercio, 2008). 22,89% 23,15% 48,83% 3,73% 1, 32% 0,08% Hid r á ulic a Eó lica Bi o ma s a B i oca r bura ntes So l ar Otros Figura 1.2. Dis tribución del consumo de energía prim aria de origen renovable en España en 2007. Fuente: Minis terio de In dustr ia , Turismo y Comercio (2008) El termino biomasa refiere a toda la materia orgánica producida por un proceso biológico y, desde el punto de vista energético, aglutina al conjunto de sustancias orgánicas renovables de origen vegetal, animal o derivadas de cu alquier proceso de transformación natural o artificial de las mismas, que pueden producir energía al ser sometidas a determinados procesos físicos, químicos o biológicos. En esta definición no se incluye a los combustibles fósiles y sus derivados debido a que, aunque también tuvieron un origen biológico hace millones d e años, no pueden considerarse como renovables (Gobierno de Aragón-CIRCE, 1997; Sebastián, 1999; Jarabo, 1999). En origen, la energía de la biomasa proviene directamente de la luz solar. Por el proceso de la fotosíntesis, lo s vegetales transforman la energía solar recib ida en moléculas orgánicas de alto contenido energético a partir de sustancia s simples y del CO 2 presente en el aire, almacenándolas despu és. Con posterioridad, el reino animal incorpora, transforma y modifica dicha energía. Durante este proceso de transformación de la materia orgánica se generan subproduct os que no poseen valor para la ca dena nutritiva o que no son ú tiles para la fabricación de bienes de mercado, pero que pu eden Capitulo 1: Antecedentes, objetiv os, m etodología y área de estudio 7 emplearse como combustible en diferentes aprovechamientos energéticos (Gobierno de Aragón-CIRCE, 1997; Sebastián, 1999; Jarabo, 1999). Figura 1.3. Caden a de generación de la biomasa co mo recurso en ergético. A dapta do de IDAE (2007) Una diferencia particular de la biomasa respecto a otras energías renovables como la eólica o la solar es su capacidad natural de almacenamiento, lo que la convierte en un “stock” energético que se renueva con suficiente rapidez para el u so humano (Puig, 1985; Jarabo, 1999). Sin embargo, es importante señalar que, para que la biomasa sea considerada como un recurso renov able, su utilización debe ser más lenta o igua l que la velocidad a la cual se regenera este recurso (Domínguez, 2002). Otras características significativas de la biomasa como recurso energético son su gran diversidad y su escasa concentración espacial, lo que implica un gran número de procesos de transformación para su aprovechamiento final (Gobierno de Aragón-CIRCE, 1997). Así pues, existen distintos tipos o fuentes de biomasa que pueden ser utilizado s para producir energía. En el presente trabajo se adopta la clasifica ción utilizada en el “Atlas de biomasa para usos energéticos de Aragón” (Gobierno de Aragón-CIRCE, 1997): - Biomasa natural: es la biomasa que se produce en la naturaleza sin ningún tipo de intervención humana. Un ejemplo de explotación de este tipo de biomasa sería la recogida de leña en los bosque s. - Biomasa residual: dentro de este grupo están incluidos los subproductos que no tienen utilidad en las actividades forestales y agrícolas, en los procesos de Estimación de biom asa residual mediante im ágenes de satélite y trabajo de ca mpo. Modelización del poten cial energético de los bosqu es turolenses 8 transformación de la madera y en los procesos de las industrias agroalimentarias. También se consideran dentro de este grupo los vertidos biodegradables como las aguas residuales industriales y urbanas y los residuos de origen ganadero (de nominados “biomasa residual húmeda”). Destaca el hecho de que el uso con fines energéticos de este tipo de re siduos puede mitigar algunos de los problemas medioambientales ocasionados por su acumulación y/o eliminación. - Cultivos energéticos: son cultivos producidos con la única finalidad de obtener biomasa transformable en combustible, ya sea para automoción o para generar energía eléctrica o calor. Estos cultivos se seleccionan debido a su capacidad de pro ducir materia vegetal con un número reducido de cuidados, no importando que la producción sea apta para el consumo alimentario. Algunos ejemplos de cultivos energéticos en el grupo de los herbáceos son el sorgo (S horgum sp. ) y el cardo ( Cynara cardunculus ) y, entre los leñosos, el chopo ( P opulus sp. ) y el eucalipto ( Eucaliptus sp .). Dentro de estos recursos considerados como proveedores de biomasa, el PFER señalaba a los residuos forestales como uno de los más importantes para cumplir con sus objetivos. Así, en dicho plan se recoge que en 2010 la contribución energética de los residuos forestales debía ser de 450 .000 tep-año. 1.1.3. La biomasa residual forestal La biomasa residual forestal refiere a las hojas-acículas, ramas, raberones e incluso a árboles de pequeñas dimensiones (diámetros inferiores a 7,5 cm) generados tanto en tratamientos selvícolas como en aprovechamientos madereros parciales o finales que no son extraídos habitua lmente por no ser convertibles en subproductos, pero que pueden ser utilizados como combustible orgánico (Gobierno de Aragón-CIRCE, 1997; Gobierno de Aragón-IDAE, 1997; IDAE, 1999; Esteban et al ., 2004; Velázquez, 2006). Siguiendo el concepto d e “árbol completo” introducido por Young et al. (1964), la biomasa residual forestal de un árbol estaría compuesta por la suma de su follaje , su ramaje y de la parte superior de su tallo no útil para propósitos com erciales (raberón). Dentro del concepto de follaje qued an incluidos las hojas y/o acículas, los nuevos brotes y los órganos reproductivos; por su parte, el término ra maje incluye la madera y la corteza Capitulo 1: Antecedentes, objetiv os, m etodología y área de estudio 9 de las ramas vivas o muertas. Por último, la parte superior del tallo no útil para propósitos comerciales (raberón) refiere a la sección superior del tallo que no es utilizada en operaciones madereras debido a su pequeño diámetro y a su alto grado de ramaje, oscilando el diámetro inferior de esta parte superior del tallo entre los 5-10 cm (Hakkila y Parikka, 2002). De aquí en adelante, éstos ser án los componentes del árbol a los cuales nos referiremos como biomasa residual forestal. Tomando el diagrama de Young et al. (1964) para un árbo l medio, el 100% del volumen del árbol se reparte como sigue (Gobierno de Aragón-CIRCE, 1997): 60% en el fuste maderable, 20% en el tocón o raíces, 15% en las ramas (y follaje) y 5% en el raberón. De esta manera, dejando a un lado el tocón y las raíces (ya que estas partes son muy costosas de extraer), la biomasa resid ual forestal compuesta por las ram as, el follaje y el raberón suponen aproximadamente un 20% del volumen total del árbol. Figura 1.4. Biomasa r esidual forestal y fuste made rab le proced ente de una corta fito sanitaria A continuación, se realiza una descripción más detallada de estos residu os según la actividad forestal que los genera. - Residuos procedentes de tratamientos selvícolas: estos residuos proceden de la necesidad de llevar a cabo tratamientos para la mejo ra y el mantenimiento de los montes y masas forestales (Gobierno de Aragón-CIRCE, 1997). Las actividades selvícolas generadoras de estos residuos son diversas y se pueden clasificar según sean sobre el vuelo arbóreo (parte superficial del Estimación de biom asa residual mediante im ágenes de satélite y trabajo de ca mpo. Modelización del poten cial energético de los bosqu es turolenses 16 PFER (IDAE, 2005a; Pascual et al ., 2006). Ante la necesidad de introducir cambios urgentes y sustanciales, al objeto de llegar a los objetivos fijados para 2010, se realizó el Plan de Energía Renovables 2005-2010 (PER) que es una revisión del anterior PFER (IDAE, 2005a). En el PER 2005-2010 se definen nuevos objetivos para el área de la biomasa, incrementándose el aporte de los residuos forestales hasta las 462.000 tep-año en 2010. A su vez, se identifican los problemas y barreras detect ados durante la vigencia del primer plan que han impedido el crecimiento de esta energía renovable, distinguiéndose entre barreras en la fase de producción y en la fase de transformación energética del recurso . Dentro de las primeras, se destaca como uno de los principales inconvenientes el desconocimiento de la capacidad real de producción de biomasa residual de una masa forestal (IDAE, 2005a). Este desconocimiento es un punto fundamental, ya que impide conocer la oferta constante de biomasa que asegure la producción en las centrales termoeléctricas que la pudieran utilizar (Domínguez et al ., 2003, IDAE, 2005b). Para superar esta importante barrera, además de la adopción de medidas generales com o la creación de la Co misión Interministerial para el aprovechamiento energ ético de la biom asa creada en la Orden PRE/472/2004, de 24 de febrero, el PER 2005-2010 propone como medida concreta el desarrollo de la Disposición Adicional Cuarta de la Ley 43/2 003, de 21 de noviembre, de Montes. Esta Disposición, titulada Uso energético de la biomasa residual forestal , dice textualmente: “El Gobierno elaborará, en colaboración con las comunidades autónomas, una estrategia para el desarrollo del uso ener gético de la biomasa residual forestal, de acuerdo con los objetivos indicados en el Plan de Fomento de las Energías Renovables en España”. Esta tarea, aunque sin asignación presupuestaria, queda encargada d urante el periodo 2005-2010 a la Dirección General de la Biodiversidad del Ministerio de Medio Ambiente (IDAE, 2005a). De esta manera, dicha Disposición otorga un papel importante a las comunidades autónomas, no especificando n inguna metodología para cuantificar con precisión la cantidad de biomasa residual forestal existente en un determinado territorio. En el caso de Aragón, la sexta comunidad autónoma en cuanto a los objet ivos energéticos en biomasa residual forestal según el PER 2005-2010 (32.985 tep), la proposición no de Ley núm. 87/06 para la elaboración de un plan de aprovechamiento de la biomasa residual forestal, presentada en las Cortes de Aragón el 25 de abril de 20 06, fue rechazada Capitulo 1: Antecedentes, objetiv os, m etodología y área de estudio 17 (BOCA n.º 247-2006), por lo que, en estos momentos, no está estandarizada ninguna metodología que permita determinar la cantidad de este recurso energético. Así pues, la determinación de una metodología que permita superar esta barrera es una cuestión esencial, ya que el primer pa so para el crecimiento de esta fuente de energía debe ser el conocimiento de la cantidad de recursos potencialmente disponibles para ser usados (Esteban et al ., 2004; Pascu al et al ., 2006; Velázq uez, 2006). Esta metodología debe ser sencilla y extrapolable, tanto en el espacio como en el t iempo, para obtener así una fuente de información fácilmente actualizable. A este respecto, diversos trabajos han demostrado la utilid ad de las imágenes de satélite para estimar variables forestales (p.e . Jakubauskas, 1996; Gerylo et al ., 2002; Haapanen et al ., 2004). Las imágenes proporcionadas por la teledetección registran información de carácter completo y continuo de un territorio, siendo obtenidas en intervalos frecuentes. Estás cara cterísticas permiten superar algunas de las limitaciones que presentan los muestreos puntuales de los inventarios (Salvador y Pons, 1998a; Hyyppä y Hyyppä, 2001), si bien es ineludible el trabajo de campo (Howard, 1991; Roller y Bergen, 2000). 1.2. Objetivos e hipótesis El objetivo general de la presente tesis doctoral es desarrollar una metodología eficaz para estim ar y localizar la biomasa residual forestal de los bosques de Pinus sylvestris, P. halepensis, P. nigra y P. pinaster de la provincia de Teruel m ediante ajustes de regresión entre los valore s obtenidos a partir de tra bajo de campo e infor mación forestal preexistente, por una parte, y los reg istros de las imágenes de satélite y de información auxiliar de carácter topográfico y forestal, por otra . Este procedimiento permitirá inventariar los montes respecto de una variable hasta ahora no utilizad a: los residuos energéticamente aprovechables que se obtendrían de la realización de los tratamientos selvícolas adecuados y de futuras explotacion es madereras en los pinares turolenses. Se pretende, por tanto, desarrollar un modelo sencillo y aplicable a escala provincial y regional que proporcione una cartografía fiable y actualizable sobre los recursos de biomasa residual fore stal existentes, eliminando de esta m anera una de las principales barreras en la utilización energética de este recurso: su con ocimiento preciso Estimación de biom asa residual mediante im ágenes de satélite y trabajo de ca mpo. Modelización del poten cial energético de los bosqu es turolenses 18 en cantidad y localización. A su vez, con el empleo de una metodología sencilla se pretende que el método desarrollado pueda ser a doptado por las distintas Administraciones como herramienta útil, tanto para la gestión forestal como para la planificación del territorio , ya que la planificación energética tiene una alta incidencia en la ordenación territorial, circunstancia ésta que alcanza su máximo exponente cuando se trata de energías renovables, dad a la estrecha relación que existe entre éstas y el territorio. Este objetivo general se fundamenta en la hipótesis de que es posible estimar de forma precisa la biom asa residual forestal mediante el uso de im ágenes de teledetección y de trabajo de cam po . Esta hipótesis d escansa en el he cho de que la e stimación de variables forestales continuas, en ge neral, y de biomasa, en particular, constituye una de las líneas de trabajo más prolíficas y fructíferas de la teledetección. Aunque la biomasa no puede ser medida directamente mediante imágenes de satélite, la inform ación de reflectividad proporcionada por éstas sí puede se r relacionada con la biomasa estimada a partir de trabajo de campo (Dong et al ., 2003; Muukkonen y Heiskanen, 2005). Este mismo principio se puede aplicar a la biomasa residual forestal, ya qu e no deja de ser una fracción de la total considerada en muchos de los trabajos de estimación abortados en el ámbito de la teledetección. Además, a priori , esta f racción de la biomasa total - compuesta por follaje, ramaje y raberón- será más fácilmente relacionable con im ágenes ópticas de satélite, ya que éstas registran fundamentalmente la parte superior del dosel vegetal. En cuanto a la utilización de imágenes radar, esta fracción de biomasa se presta a su estudio mediante imágenes de satélite de banda C, dado que hojas y ramas son los principales mecanismos retrodisper sores en esta longitud de onda. Subsidiario de aquel objetivo general, implícito en él, subyace el interés por conseguir una metodología adaptada y operativa en medios mediterráneos . El repaso a la literatura científica referente a la estimación de parámetros forestales continuos y de biomasa (véase apartado 1.3) muestra cómo la mayoría de experiencias se han llevado a cabo en bosques de ambientes boreales (p.e. Fazakas et al ., 1999; Kurvonen et al ., 1999; Mäkelä y Pekkarinen, 2001; Reese et al ., 2002; Kurvonen et al ., 2002; Muukkonen y Heiskanen, 2005; Rauste, 2005). Lo s bosques de estos ambientes est án caracterizados por ser monoespecíficos, presentar una alta densidad y homogeneidad y por estar situados sobre topogra fías poco complejas, generalmente sobre lla nuras o suaves relieves alomados. En estos ambientes, d iferentes técnicas se han mostrado como óptimas en relación a lo s objetivos expresados . En cambio, un menor n úmero de trabajos Capitulo 1: Antecedentes, objetiv os, m etodología y área de estudio 19 se ha orientado a la estimación de estas mismas variables en medios más complejos como los tropicales y mediterráneos. Centrándonos en los medios mediterráneos, las investigaciones desarrolladas han mostrado cómo las características de estos bosques -pluriespe cíficos, de alta heterogeneidad espacial y escasa densidad for estal, localizados en zonas de topo grafía compleja, generalmente en áreas de montaña con acusadas pendientes- dificult an en gran manera la generación de modelos robustos que permitan estimar los parámetros forestales (p.e. Salvador y Pons, 1998a,b; Shoshany, 2000; Mallinis et al ., 2004; Vázquez de la Cueva, 2005; Maselli y Chiesi, 2006). En este contexto, el presente trab ajo de investigación trata de implementar una serie d e técnicas y métodos en el tratamiento de las variables que eviten algunas de las fuentes de error detectadas en esos trabajos como responsables del escaso po der funcional de los modelos de sarrollados hasta ahora, sin olvidar que el resultado final deb e ser una metodología aplicable a escala provincial o regional, sencilla y asumible por parte de los agentes de planificación forestal y ordenación del territorio. Desde el punto de vista temático, del objeto de estudio, cabe destacar la escasez de trabajos previos orie ntados a la estim ación de la fracción de biom asa del árbol que en esta tesis se define como biomasa residual forestal . Así, sólo se han encontrado algunos ejemplos de utilización de imágenes radar como los trabajos de Beaudoin et al . (1994) y Austin et al . (2003), que analizan la s relaciones de los coeficientes de r etrodispersión de las bandas P y L, respectivamente, con los diferentes componentes del árbol; existiendo también ejemplos de utilización de imágenes LIDAR (p.e., Popescu, 2007) y de combinación de datos radar y ópticos, como el trabajo de Moghaddam et al . (2002), en el que se estima la biomasa del follaje en un bosque de coníferas. En cambio, no se ha encontrado investigación alguna re lativa a la estimación de nuestra variable-objetivo mediante el uso exclusivo de imágenes ópticas. Por todo ello, resulta de gran interés - casi necesario- indagar las posibilidades de e stimación de biomasa residual for estal mediante el uso de este último tip o de imágenes, no sólo por el interés que t iene el conocimiento de la distribución espacial de esta variable desde el punto de vista energético, sino también desde el punto de vista metodológico, dada la escasez de experiencias previas en medios mediterráneos. En cuanto al aspecto técnico-m etodológico, el análisis estadístico de regresión , utilizado para relacionar los datos de biomasa residual forestal con la información Estimación de biom asa residual mediante im ágenes de satélite y trabajo de ca mpo. Modelización del poten cial energético de los bosqu es turolenses 20 multiespectral de satélit e y las variables auxiliares topográficas y forestales, respon de en su elección, por un lado, a la pretensión de desarrollar u n modelo sencillo y fácilmente asumible por las Administraciones responsable s de la gestión y la planificación territorial y, por otro, a que ha sido ampliamente utilizado en los trabajos que tienen por objeto la estimación de parámetros forestales continuos mediante teledetección (p.e. Roy y Ravan, 1996; Salvador y Pons, 1998a,b; Steininger, 2000; Foody et al ., 2003; Mallinis et al ., 2004; Lu, 2005; Lu et al ., 2005). El método k-NN , que tan buenos resultados genera en medios boreales, es descartado en este trabajo debido a que no se ajusta a las condiciones de heterogeneidad y fragmentación de los bosques mediterráneos, características éstas qu e hacen que no se cumpla una de las premisas básicas para aplicarlo, la de uniformidad en el área incluida en la imagen de satélite (Mallinis et al ., 2004). Para lograr el objetivo general planteado y desarrollar una metodología eficaz para estimar y localizar la bi omasa residual forestal de los bosques de Pinus sylvest ris, P. halepensis, P. nigra y P. pinaster de la provincia de Teruel mediante ajustes de regresión entre los valores obtenidos a partir de trabajo de ca mpo e información forestal preexistente, por una parte, y los registros de las imágenes de satélite y de información auxiliar de carácter topográfico y forestal , por otra , es necesaria la consecución de una serie de objetivos parciales-operativos : I. Conocimiento de la cantidad de biom asa residual forestal presente en determinados puntos en los bosque s de pináceas de la provincia de Teruel . Objetivo que refiere a la variable dependiente del modelo a desarrollar. Para ello, resulta imprescindible el trabajo de campo, con objeto de desarrollar ecuaciones alométricas específicas para cada especie de pino presente en el territorio, debiendo ser estas ecuaciones aplicables a las tablas de inventario existentes. II. Obtención de variables radiométricas derivadas de im ágenes de satélite que sean útiles para ser relacionadas con la inform ación de biomasa residual forestal y que permitan el estableci miento de un modelo operativo sencillo y fácilmente actualizable a escala provincial o regional . Este segundo objetivo parcial refiere a la necesidad de seleccionar las imágenes adecuada s para desarrollar el modelo planteado en la s condiciones expresadas. Imágenes que deben ser objeto de una serie de pretratamientos y tratamientos para poder Capitulo 1: Antecedentes, objetiv os, m etodología y área de estudio 21 ser utilizadas en el modelo. Se trata de conocer la dimensión espectral de la información sobre el área de estudio. III. Obtención de variables auxiliares -topográficas y forestales- susceptib les de ser utilizadas en el modelo de estim ación . Al igual que el objetivo anterior, éste refiere a la preparación de una serie de variables útiles para ajustar el modelo de estimación de la biomasa residual forestal. En este caso, se tr ata de modelar la información topográfica de la zona de estudio (elevaciones, pendientes, etc.) y la de carácter forestal (nivel de madurez…), ya que estas variables presentan una dimensión informacional independiente de la espectral y, posiblemente, correlacionada con la biomasa, que puede matizar y mejorar el modelo de regresión. IV. Determinación de un método idóneo para relacionar la información de bio masa residual con la espe ctral y de las variables au xiliares . Como se ha señalado, la heterogeneidad espacial de los bosques mediterráneos es, a priori , una de la s principales barreras que impiden el estable cimiento de modelos estimativos de variables forestales mediante teledetección. Por ello, se pretende ensayar distintos procedimientos de extracción de la información radiométrica -que será relacionada con la de biomasa- identificando cuál de ellos logra reducir en mayor medida la heterogeneidad de la muestra y, p or tanto, sirv e para establecer ajustes más sólidos y robustos, t anto desde el punto de vista biofísico como estadístico. V. Formulación del m ejor modelo de regresión entre información de bi omasa residual forestal e inf ormación e spectral y auxiliar . Núcleo central de la presente tesis doctoral, este objetivo parcial implica el estudio de la correlaciones de las variables de los objetivos I, II y III, considerando los distintos métodos de relación-extracción del objetivo IV, así como el cálculo de distintos tipos de modelos de re gresión en función de esas relaciones (logística, lineal, curvilineal, etc.), considerand o siempre las premisas que dirigen este trabajo. VI. Verificación de la consistencia temporal de la metodología y de las relaciones biofísicas entre la biomasa residual forestal y las variables espectrale s más útiles para su estimación . Se trata, en defin itiva, de replicar la metodología encontrada como más eficiente usando para ello otras imágenes de satélite de Estimación de biom asa residual mediante im ágenes de satélite y trabajo de ca mpo. Modelización del poten cial energético de los bosqu es turolenses 22 características análogas. Este o bjetivo parcial permitirá concluir si la metodología empleada y las relaciones biofísicas existentes entre variables radiométricas y la cantidad de biomasa residual son independientes de la fecha de la imagen utilizada y si, por tanto, las estimaciones de biomasa son fácilmente actualizables. VII. Estimación de la biomasa residual forestal de la provincia de Teruel en la actualidad . Mediante este último objetivo parcial se pretende ofrecer un inventario de este recurso energético utilizando para ello una imagen de satélite reciente; este inventario se realiza a tres escalas: provincial, comarcal y municipal. Asimismo, mediante análisis SIG, se pretende determinar qué zonas resultan más adecuadas para la extracción de biomasa residual forestal en función de la cantidad existente y de otros factores de índole espacial que condicionan o impiden su explotación desde el punto de vista técnico y económico. La escala de trabajo elegida es 1:50.000, ya que es la a decuada para el análisis con las imágenes de satélite que se van a emplear (Landsat y Envisat-ASAR) y a la cual viene referida la información forestal que se utiliza en esta investigación para delimitar la superficie forestal de la provincia de Teruel y para obtener las variables for estales auxiliares que se van a utilizar. 1.3. La estimación de biom asa en el contexto de las aplicaciones forestales de la teledetección para la evaluación de parámetros forestales continuos e información biofísica Tarea implícita en la concepción general y en los objetivos de la presente investigación es la revisión de la literatura científica en re lación con la aplicación de la teledetección a la estimación de la biomasa, que se enmarca en el contexto de los parámetros forestales continuos y la información biofísica. El logro exitoso de los objetivos formulados exige dedicar a esta labor de revisión un importante esfuerzo, que se recoge en el pre sente apartado. Tras unas –breves- referencias básicas a la teledetección, se abordan sus aplicaciones fore stales, profundizando posteriormente en Capitulo 1: Antecedentes, objetiv os, m etodología y área de estudio 23 el ámbito de los inventarios forestales y, finalmente, en las principales experiencias existentes en relación con la estima ción de biomasa. 1.3.1. Fundamentos de teledetección La teledetección es la disciplina científica que obtiene información sobre un objeto, un área o un fenómeno a través d el análisis de los datos adquiridos por un dispositivo que no está en contacto con ese objeto, área o fenómeno (Lillesand y Kiefer, 2000). En sentido estricto, el termino teledetección espacial se reserva para el conjunto de técnicas que permiten adquirir e interpretar imágenes de la superficie terrestre obtenidas desde sensores transportados en satélites, empleando para ello la energía electromagnética como medio de detectar y medir las características y propiedades de los objetos. Aunque la fotografía aérea y los sensores aerotranspo rtados quedan fuera de este término de teledetección espacial, éstos recursos son técnicas complementarias que en muchas ocasiones actúan como herramientas auxiliares de los sensores esp aciales (Chuvieco, 2002). Un sistema de teledetección espacial se compone de una fuente de energía, que es el origen de la radia ción electromagnética que capta el sensor; la cubierta terrestre, que recibe la radiación electromagnética y la refleja o emite conforme sus característica s físicas; un sistema sensor, que capta esa ene rgía procedente de los objetos y que se encuentra instalado en un satélite; un siste ma de recepción-comercialización, que almacena los datos adquiridos por el sensor y, finalmente, un intérprete o usuario , que convierte esos datos en información (Chuvieco, 1996). La teledetección (de a quí en adelante se emplea el término en su sentido más amplio, incluyendo tanto sensores satelitales como aerotransportados) es considerada como un instrumento de análisis geográfico, ya que considera el planeta Tierra como un sistema integrado del cual se obtienen imágenes que proporcionan una perspectiva sintética de la intera cción de los fenómenos y variables que lo forman, considerando diferentes escalas de detalle. La u tilización para ello de l a energía electromagnética permite la indagación en el territorio desde una perspectiva no posible con la mera observación del ojo humano, aportando nuevas dimensiones de análisis (de la Riva, 1997). A este respecto, aunque el espectro electromagnético es un sist ema continuo, la teledetección lo separa, a efectos prácticos, en una serie de regiones en la cua les la radiación electromagnética presenta un comportamiento similar. Su denominación y rango espectral más aceptados son los sigu ientes (Chuvieco, 1996): espectro visible (d e Estimación de biom asa residual mediante im ágenes de satélite y trabajo de ca mpo. Modelización del poten cial energético de los bosqu es turolenses 24 0,4 a 0,7 µm), infrarrojo próximo (de 0,7 a 1,3 µm), infrarrojo medio (de 1,3 a 8 µm), infrarrojo térmico (de 8 a 14 µm) y micro-ondas (a partir de 0,1 cm). El criterio más empleado para la clasif icación de los distintos sensores hace referencia al origen de la energía que captan. Así pues, existen dos tipos de sen sores: activos y pasivos. Los sensores activos están caracterizados por emitir energía en la región de las micro-ondas, energía que es reflejada por la superficie terrestre y es posteriormente captada por el sensor. Los denominados sensores SAR ( Synthetic Aperture Radar ) y LIDAR ( Light Detection and Ranging ) son los que operan de esta forma. Los sensores pasivos son aquellos que solamente recogen la energía electromagnética procedente de la superficie t errestre, ya sea ésta reflejada del Sol o emitida en función de su temperatura. Otro criterio complementario para clasificar los sensores es la resolució n espacial de las imágenes que proporciona n: baja, media y alta. La resolu ción espacial hace referencia al tamaño de píxel de la imagen de satélite, que es la unidad mínima de información en la imagen (Chuvieco, 1996). Ex isten diversos umbrales para incluir un sensor en uno de los tres grupos de resolu ción espacial aludidos; en este trabajo emplearemos los umbrales utilizados por Lu (2006), por lo que serán considerados sensores de baja resolución aquellos cuyas imágenes están formadas por píxeles de más de 100 m, de media resolución aquellos entre 10-100 m y de alta resolución los que proporcionan imágenes con píxeles inferiores a 10 m. La superficie de observación real de los distintos sensores (área de terreno registrada) está en relación directa con el tamaño del píxel; así, los sensores de alta reso lución espacial que pro porcionan píxeles de menos de 10 m recogen información simultánea de áreas pequeñas, mientras que los sensores de baja resolución cubren en una sola imagen grandes extensiones de terreno 1 . Por otro lado, los sensores también se cara cterizan por su resolución espectral, radiométrica y temporal. La resolución espectr al hace refere ncia al número y anchura de las bandas de información espectral que reco ge el sensor; cuantas más sean y más estrechas, más sencilla resultará la caracteriza ción espectral de las cub iertas registradas. 1 Así, por ejemplo, las im ágenes pro porciona das por el satélite Ikonos, encuadrado dent ro del grupo de los satélites con sen sores de alta resolució n espacial, tienen 1 m en la banda de l pancromático y 4 m en las band as multiespect rales, siend o la superficie de observación muy reducida (i mágenes de 11 x 11 km ). En cambio, Tiros-NOAA , que perten ece a la fa milia de satélites equipados con sensores de baja resoluci ón espacial (1,1 km en el NADI R) registra información radiométrica d e forma simult ánea en g randes áre as (aproximadam ente unos 3000 x 3000 km). Capitulo 1: Antecedentes, objetiv os, m etodología y área de estudio 25 Por su parte, la resolución radiométrica alude a la sensibilidad del sensor para cod ificar la información espectral recibida en niveles digitales (ND); una vez más, a mayor resolución radiométrica, más fácil será la identificación de cubiertas y la caracterización d e las variables a estudiar e n la imagen. Finalmente, la resolución temporal refiere a la frecuencia con la cual el sensor proporciona imágenes de una misma zona; cuanto menor sea el periodo de revisita, más fácil será la observación de determinados fenómenos caracterizados por su rápida ev olución temporal (Chuvieco, 2002). Estos cuatro tipos de resolución que caracterizan a los sensores a b ordo de las plataformas satelitales están íntima mente relacionados entre sí. El aumento de cualquiera de ellos implica un incre mento notable del volumen de datos a almacenar, por lo q ue las imágenes obtenidas (ficheros de estructura matricial en los que cada píxel aparece codificado con un ND en función de las cara cterísticas del sensor) son de un tamaño mayor, haciéndose más difícil su almacenamiento y su procesamiento. Teniendo en cuenta las interrelaciones de lo s distintos tipos de resolución, el diseño de los sensores se hace te niendo en cuenta los fines para los cuale s se va a emplear. Así, los satélites destinados a la observación meteorológica precisan de una alta resolución temporal, relegando a un papel menos importante la resolución espacial o espectral. Por el contrario, satélites destinados a la obtención de cartografía de alta precisión están diseñad os de forma que las resoluciones espacial y e spectral sean las más importantes, siendo menor la resolución temporal. Así pues, tal y como señala Chuvieco (1996, pp. 97), un solo sensor “no pu ede cubrir todas las expectativas”. En este sentido, tiene que ser el usuario el que sele ccione el tipo d e sensor e imágenes a utilizar en función de sus objetivos y de las hipótesis de l trabajo a realizar , partiendo de la premisa de que la teledetección es una herramienta adecuada para resolver el problema concreto que se plantea investigar (Lillesand y Kiefer, 2000). 1.3.2. Aplicaciones forestales de la teledetección Las aplicaciones forestales de la telede tección son muy numerosas y contrastadas. Tras una revisión bibliográfica sobre el tema (Chuvieco, 1996; de la Riva, 1997; Roller y Bergen, 2000; Bergen et al ., 2000; Doblón, 2000; Lillesan d y Kiefer, 2000; Franklin, 2001; Chuvieco, 2002), una clasificación genérica nos lleva a distinguir tres tipos: (i) aplicaciones para la genera ción de cartografía forestal (especies y unidades de manejo); (ii) aplicaciones para la observación y el seguimiento de las alteraciones- Estimación de biom asa residual mediante im ágenes de satélite y trabajo de ca mpo. Modelización del poten cial energético de los bosqu es turolenses 32 de matorral, pastizales y praderas. Dado que la metodología de trabajo seguida en teledetección para la estimación de estas dos variables b iofísicas es análoga en muchos casos a la empleada en la e stimación de los parámetros forestales de inventario comentados y que el presente trabajo se orienta hacia la estimación de biomasa residual forestal, nos centraremos a partir de ahora en sintetizar las distintas aproximaciones que se han hecho para estimación de biomasa e n ámbitos forestales, comentando las distintas técnicas utilizadas y problemas detectados. 1.3.3.2.1. Importancia del conocimiento de la biomasa forestal y su estudio mediante teledetección El interés suscitado en los últimos años por el estudio de la biomasa viene dado por su importancia para entender y modelizar el cambio climático, el cual ha sido identificado como el mayor problema medioambiental del presente siglo. Una de las mayores incógnitas que existen para entender el futuro devenir del clima y de sus consecuencias es la cuantificación de los inputs (emisiones de CO 2 ) y los ou tputs (sumideros de CO 2 ) del ciclo de carbono (C), cuestión señalada como uno de los elementos principales en el Protocolo de Kyoto (Le Toan, 2002). En este sentido, aunque gran parte de las emisiones de CO 2 provienen del uso de combustibles fósiles, también son muy importantes las cantidades de este gas liberadas a la atmósfera durante los incendios forestale s (Palacios-Orueta et al ., 2005; Lu, 2006). Para estimar las emisiones de gases de efecto invernadero debidas a los incendios forestales se han desarrollado varios métodos, algunos de ellos a partir de la utilización de datos proporcionados por telede tección (Palacios-Orueta et al ., 2005). Estos métodos requieren de estimaciones sobre la biomasa que se ha quemado y de factores de emisión para cuantificar la cantidad de gase s liberados durante el incendio (Palu mbo et al ., 2006). Una de las mayores incertidumbres para mejorar estos modelos de emisiones es la falta de información sobre la biomasa quemada (carga de co mbustible) debido a su alta variabilidad espacio temporal (Palumbo et al ., 2006; Chuvieco et al ., 2006). Como resulta obvio, si los incendios forestales son uno d e los más importantes emisores de carbono a la atmósfera es por e l importante papel que los bosques tienen como sumideros de carbono terrest re (Díaz y Romero, 2004; ASEMFO, 2004; Montero et al ., 2005; Muukkonen y Heiskanen, 2005; Muukkonen y Heiskanen, 2007). Tal y como se ha explicado anteriormente, la biom asa es el resultado de la a cción fotosintética de la vegetación en la cual el CO 2 presente en el aire es transformado en moléculas orgánicas. Capitulo 1: Antecedentes, objetiv os, m etodología y área de estudio 33 Este secuestro de CO 2 es máximo en la biomasa forestal, aunque también se prod uce en otras partes del sistema bosque. Así pues, la biomasa f orestal representa la cantidad potencial de C que pu ede ser liberada a la atmósfera debida a la d eforestación o la conservada en la superficie terrestre cuando los bosques so n correctamente gestionados (Brown et al ., 1999; Lu y Batistiella, 2005). Este papel relevante de los bosques en el ciclo de C fue destacado en las conclusiones del Protocolo de Kyoto (Brown et al ., 1999). Por ello resulta fundamental conocer la cantidad y la distribución de la biomasa forestal, cuestión que ha sido identificada como una de las mayores incertidumbres en lo concerniente a los presupuestos globales de C (Hall et al ., 2006). Por otra parte, el conocimiento de la biomasa forestal es también imp ortante por su utilidad como indicador estructu ral y funcional de los atributos de los ecosistemas forestales, para la definición de d iferentes hábitats terrestres, para el estudio de la productividad del ecosistema, para la localización de nutrien tes, para el conocimient o de las zonas de acumulación de combustible y para el planeamiento y la gestión de operaciones forestales con propósitos comerciales, todo ello a lo lar go de un amplio rango de condiciones medioambientales (Labrecque et al ., 2 003; Zheng et al ., 2004; Lu, 2005; Hall et al ., 2006). Las imágenes de teledetección co nstituyen una fuente primaria de información para la estimación de biomasa (Lu, 2006). De acuerdo con la Guía de Buenas Prácticas del Panel Intergubernamental para el Cambio Climático (cuyas siglas en inglés son IPCC- GPG ), las técnicas de teledetección son especialmente útiles para verificar las cartografías y estadísticas de usos del suelo, las de cambios de usos del suelo y las estimaciones de reserva de C en los bosques, haciendo e specialmente referencia este último apartado a las e stimaciones de biomasa total aérea (Muukkonen y Heiskanen, 2005; 2007), que en la bibliografía anglosajona aparece referida como aboveground biomass ( AG B ). Como en el caso de la estimación de parámetros forestale s continuos, e xiste en la literatura científica un gran número de aproximaciones q ue han intentado estimar la biomasa total aérea 3 (a partir de ahora denominada simplemente biomasa ) mediante la 3 Como se h a indicado e n el primer aparta do 1.1, el tocón y las raíces de un á rbol son muy costosos de extraer. Esta razó n, junto con la esca sez de ecuacion es alomét ricas que permitan Estimación de biom asa residual mediante im ágenes de satélite y trabajo de ca mpo. Modelización del poten cial energético de los bosqu es turolenses 34 utilización de técnica s de teledetección, utilizando para ello tanto imágenes ópticas como radar. A este respecto, es importante resaltar que la biomasa no puede ser medida directamente mediante imágenes de satélite, pero la información de reflectividad 4 proporcionada por éstas sí q ue puede ser relacionada con la biomasa estimada a partir de trabajo de campo (Dong et al ., 2003; Muukkonen y Heiskanen, 2005 ). Además de la utilización de imágenes de satélite, otros dos métodos han sido también empleados para estimar y cartografiar biomasa (L u, 2006): (i) la utilización de mediciones en el campo y (ii) la utilización de Sistemas de I nformación Geográfica (SIG). El primero de estos dos métodos es el más preciso, siendo requisito imprescindible contar con un gran número de parcelas muestreadas en el campo qu e sirvan tanto para desarrollar el modelo de estimació n como para validarlo. Los problemas de est a técnica aparecen a la hora de obtener inform ación sobre la distribución de la biomasa en grandes áreas, ya que es muy costoso en tiempo y dinero y es difícil de llevar a cabo en zonas con problemas de accesibilidad. Como resultado se obtienen cartogr afías muy costosas de actualizar y que presentan un grado de incertidumbre elevado en determinados espacios. Por su parte, los métodos que se basan en la utilización de lo s SIG necesitan, además del trabajo de campo para obtener los datos de biomasa, un alto volumen de capas de información auxiliar como, por ejemplo, cartografía forestal con información sobre especies, estado de desarrollo o nivel de madurez, estructura, cartografía de suelos, elevaciones, pe ndientes, etc., siendo la calidad y adecuación de estas capas requisito fundamental para la exactit ud de los resultados de la estimación de biomasa. Es de destacar que las relaciones entre la variable biomasa y estas cap as de información auxiliar no es directa (son capas de información sobre dif erentes variables relacionadas con la superficie forestal, no con la cantidad de biomasa), siendo difícil completar con esta información auxiliar todas las variabl es y escenarios que condicionan la mayor o menor cantidad de biomasa. estimar la biomasa subterránea o la biomasa total de forma pre cisa (Keith et al ., 2000), hace que la inmensa mayoría de trabajos en t eledetección considere n solamente la biomasa total aé rea (AGB), que es más fácilmente estima ble en las parc elas de muestreo, ya sea mediante el uso de ecuacione s alométrica s específicas (mu cho más exte ndidas en la bibliografía que la s de bio masa subterránea) o media nte trabajo de campo de caráct er destru ctivo. Una al ternativa que suple la escasez de ecu aciones alométri cas para estimar la bi omasa subterrán ea es el esta blecer relaciones en tre ésta y la biomasa total aérea (Brown et al. , 1999; Keith et al ., 2000). 4 Entendida como l a relaci ón entre el flujo in cidente y el reflejado por una su perficie (Chu vieco, 1996). La reflectividad varía entre 0 (superficie perfectamente absorbe nte) y 1 (superficie totalmente reflectora). La reflectividad de u n determinado tipo de cubierta dep ende de sus características físi cas y químicas y de las condicio nes de observació n, siendo di stinta en las distintas bandas del espe ctro electr omagnético (reflectividad e spectral). Capitulo 1: Antecedentes, objetiv os, m etodología y área de estudio 35 Frente a estos dos métodos, las propiedades ya comentadas de las imágenes de satélite proporcionan una serie de ventajas que convierten a la teledetección e n una herramienta óptima para la estimación de biomasa, sobre todo si se consideran grandes áreas de estudio y zonas de difícil acceso. Así, la información de carácter continuo y completo a lo largo de un territorio, la periodicidad de esta información, el carácter digital de la misma y las correlaciones existentes entre las bandas espectrales con los parámetros de la vegetación convierten a las imágenes d e teledetección en una fuente primaria de información para la estimación de la biomasa en grandes áreas, superando las restricciones planteadas utilizand o solamente trabajo de campo o SIG (Lu, 2006). Sin embargo, ninguna de las aproximaciones desarrolladas en el seno de la teledetección ha logrado presentar una técnica consistente y enteramente reproducible y aplicable a escala regional o contin ental (Muukkonen y Heiskanen, 2005). Los principales problemas en la estimación de bi omasa mediante teledetección aparecen a la hora de estudiar bosques cara cterizados por la presencia de múltiples especies y diferentes rangos de edad (Brown et al ., 1999), así como bosques de estructura compleja, como son los bosques tropicales y los mediter ráneos (Foody et al ., 2001; Mallinis et al ., 2004) . En consecuencia, abundan en la bibliografía trabajos desarrollados a varias escalas de trabajo y en diferentes ecosistemas que intentan ofrecer una metodología adecuada para estimar la biomasa en su correspondiente ár ea de estudio, solventando los distintos problemas encontrados mediante el concurso de diferentes sensores y técnicas estadísticas. 1.3.3.2.2. Utilización de los sensores pasivos para la estim ación de biomasa - Utilización de sensores de baja resolución esp acial Los sensores pasivos de baja resolución se han empleado para la estimación d e biomasa a escala nacional, continental y global, siendo AVHRR, SPOT VEGET ATION y MODIS los más utilizados. Los problemas detectados en la estimación de biomasa mediante el uso de estos sensores son debidos precisa mente al gran tamaño de los píxeles de las imágenes que proporcionan (1,1 km en el caso de AVHRR, entre 250 m y 1km en MODIS y 1 km en SPOT VEGET ACION), ya que, generalmente, existe una enorme diferencia entre el tamaño de las parcelas muestreadas en el campo y el de los píxeles, con lo que resulta difícil la integración de los datos de campo con los d e las variables espectrales derivadas de la imagen; a demás, un gran número de estos píxeles representan situaciones de mezcla de distintos tipos de cubiertas. Una solución a este problema es la utilización de sensores de resolución media como un paso intermedio Estimación de biom asa residual mediante im ágenes de satélite y trabajo de ca mpo. Modelización del poten cial energético de los bosqu es turolenses 36 entre los datos de campo y los datos radiométricos de los sensores de baja resolución (Lu, 2006). Ejemplos de esta forma de proceder son los trabajos de Häme et al . (1997), Tomppo et al . (2002) y Zheng et al. , (2007), en los que las relaciones empiricas establecidas previamente entre las parce las de campo e imágenes Landsat son utilizadas con posterioridad sobr e imágenes AVHRR, IRS-1C WiFS y MODIS, respectivamente, para estimar la biomasa presente en amplias regiones de norte de Euro pa, en el caso de los dos primeros, y en Estados Unidos, en el último. Por su parte, Muukkon en y Heiskanen (2007) relacionan datos del IFN de Finlandia co n datos de MODIS, utilizando el sensor ASTER, de mayor res olución espacial que Landsat, para garantizar la consistencia de las rela ciones entre biomasa y reflectividad. Una aproximación diferente es el trabajo de Anaya et al., (200 8, 2009), donde las rela ciones entre las par celas con estimaciones de biomasa y los compuestos de MODIS se establecen directam ente, usándose imágenes de resolución media (Landsat) para constatar que la vegetación de la parcela correspondía a un píxel puro de MODIS, dada la diferencia de tamaño entre ambas fuentes (entre 0,01 y 0,1 ha las parcelas de campo y 25 ha los píxeles de MODIS). - Utilización de sensores de resolución espacia l media En la bibliografía referida a la estimación de biomasa a escalas regional y local, al igual que en las aplicaciones de la teledetección en tareas de inventario fore stal, la utilización de imágenes ópticas con resoluci ón media aparece ampliamente representada, siendo Landsat el satélite más utilizado (Roy y Ravan, 1996; Todd et al ., 1998; Fazakas et al ., 1999; Steininger, 2000; Foody et al ., 2001; Mickler et al ., 2002; Reese et al ., 2002; Foody et al ., 2003; Labrecque et al ., 2003; Phua y Saito, 2003; Calvao y Palmeirin, 2004; Mallinis et al ., 2004; Lu et al ., 2004; Zheng et a l ., 2004; Lu, 2005; Lu y Batistiella, 2005; Hall et al ., 2006; Labrecque et al ., 2006). La frecuente utilización de este sensor pa ra la estimación de biomasa a estas escalas responde a la utilidad de sus imágenes para cartografiar y hacer un seguimiento controlado de las condiciones biofísicas forestales de una manera consistente y replicable (Jakubauskas, 1996). Su resolución espacial (30 m en las bandas reflectivas), su resolu ción espectral (3 bandas en la región del visible, una en el infrarrojo cercano y 2 en el infrarrojo medio), el cará cter global y periódico de su cobertura a lo largo de las últimas décadas y su buena comercialización son los factores que explican su frecuente uso por parte de científicos procedentes de diversas áreas de conocimiento (Chuvieco, 2002). Los métodos estadísticos emplea dos para estimar biomasa usando imágenes TM o ETM+ son princi palmente modelos de regresión lineales Capitulo 1: Antecedentes, objetiv os, m etodología y área de estudio 37 y no lineales, modelos de redes neuronales y modelos de interpolación del vecino más próximo, alcanzándose diferentes grados de é xito en el cumplimiento de los objetivos enunciados. A este respecto, los principales problemas para lograr una buena estimació n aparecen cuando los bosques estud iados presentan una estructura compleja (Lu, 20 06). Dado que esta tesis está referid a a una escala regional, parece conveniente ahondar un poco más en los trabajos llevados a cabo a est a escala, tanto los relativos a la estimación de biomasa, como los referentes a la est imación de parámetros forestales de inventario y de la variable biofísica LAI . Como hemos indicado, la mayoría de estos trabajos se basan en la utilización de imágenes Landsat. Se pretende con e llo un conocimiento exhaustivo de los diferentes condicionantes y de las técnicas aplicadas para ser tenidos en cue nta, más tarde, a la hora de plantear la metodología de trabajo de la presente investigación. Un análisis detallado sobre la biblio grafía existente nos muestra cómo cuando los ámbitos de aplicación corresponden a bosques boreales densos, homogéneos y de topografía poco compleja, los result ados son más directos y preciso s que cuando se trabaja en entornos tropicales y mediterráneos, si bien es cierto que, t al y como indican Hyyppä y Hyyppä (2001, p. 2613), “…la comp aración de resultados de estudios previos es extremadamente difícil debido a las diferencias existentes entre las áreas de estudio y las características estudiadas del área forestal, los procedimientos de validación, los parámetros usados como criterio de evaluación ( R 2 , error e stándar), la selección de las parcelas incluidas en el estudio y el número de predictores usados en el modelo”. Un hecho que refleja la utilidad de las imágenes Landsat para la estimación de los parámetros forestales en medios boreales es la incorporación de este tipo de imágenes en la elaboración del In ventario Forestal Nacional (IFN) de Finlandia de sde la década de los 90 (Fazakas et al ., 1999; Mäkelä y Pekkarinen, 2001; Pekkarinen, 20 02; Haapanen et al ., 2004; McRoberts y Tomppo, 2007; Tomppo et al. , 2008). Este inventario forestal combina datos de campo obtenidos en parcelas de muestreo, información radiométrica procedente de imágenes Landsat e información auxiliar por medio de métodos estadísticos no paramétricos, siguiendo un esquema metodológico empírico: la información forestal de las parcela s de muestreo localizadas en la imagen de saté lite es generalizada a todo el área comprendida, utilizando para ello las propiedades espectrales de esas parcelas proporcionadas p or la imagen y el resto de píxeles que la componen (Mäkelä y Pekkarinen, 2001). El método estadístico no paramétrico utilizado es el k-NN Estimación de biom asa residual mediante im ágenes de satélite y trabajo de ca mpo. Modelización del poten cial energético de los bosqu es turolenses 38 ( k-Nearest neighbour ). En este método, el valor del parámetro forestal estimado para cada píxel de la imagen es calculado como un valor medio de los parámetros observados en las parcelas de referencia en las que sí qu e existen datos de campo, utilizando para ello un criterio de similitud. Esta si militud es definida en términos de distancia e spectral (por ejemplo, distancia euclidiana) pudiéndose variar el número de parcelas tomadas como referencia (Fazakas et al ., 1999; Reese et al ., 2002; Haapanen et al ., 2004). Este tipo de inventario basado en la utilización de imágenes de satélite se ha mostrado útil para la estimación de atributos forestales de áreas de medio y de gran tamaño (escala municipal, regional o nacional ), pero la precisión alcanzada a nivel de parcela y de cuartel forestal no es la adecuada para la gestión f orestal (Mäkelä y Pekkarinen, 2001; Pekkarinen, 2002; Tuominen y Pekkarinen, 2005). Un buen ejemplo de cómo aumenta la precisión de e ste método a medida que el área de inventario considerada es mayor es el trabajo de Fazakas et al . (1999). En este trabajo se utiliza el error cuadrático medio (RMSE) para evaluar las diferencias en 6 á reas forestales de diferente tamaño (7,39, 11,9, 16,4, 34,6, 73,1 y 510 ha) entre los valores reales de volumen de madera y de biomasa proporcionados por el inventario y los estimados a partir de la utilización de una imagen Landsat y del método k-NN . El resultado es que, mientras que en el primer nivel de agregación el RMSE es superior a 70% para am bas variables, en el nivel de agregación de 510 ha es solamente de 8,7% p ara la biomasa y de 4,6% para el volumen de madera. En la conclusión, el autor considera como aceptable el RMSE que se obtiene a partir del nivel de agregación de 100 ha de terreno real (inferior al 10%). Aunque para algunas cuestiones medioambientales y de gestión forestal el conocimiento de las variables forest ales a este nivel de precisión es más que suficiente (Reese et al ., 2002), diferentes métodos han sido evaluados en estos ambientes para mejorar la precisión a nivel de parcela y cuartel f orestal, entre los que destacan el uso de técnicas de segmentación sobre imágenes Landsat (Mäkelä y Pekkarinen, 2001; Hall et al ., 2006), la utilización de datos de campo referidos a unidades de muestreo más grandes que las parcelas de inventario tradicionales (Mäkelä y Pekkarinen, 2004) o el empleo de imágenes de mayor re solución espacial (Pekkarinen, 2002; Muukkonen y Heiskanen, 2005; Tuominen y Pekkarinen, 2005), obteniéndo se distintos grados de é xito. En medios forestales tropicales el principal problema que se presenta a la hora de estimar parámetros continuos mediante teledetección es su elevada heterogeneidad, fruto de la estructura compleja y de la gran riqueza de especies que caracteriza estos bosques húmedos (Lu, 2005; Lu y Batistiella, 2005; Lu et al ., 2005). Debido a esta Capitulo 1: Antecedentes, objetiv os, m etodología y área de estudio 39 compleja estructura forestal aparecen determinados problem as que incid en notablemente en la bondad de la estimación de biomasa hecha mediante imágenes de satélite, como son, por ejemplo, (i) el impacto de las sombras de la propia cubierta en la sig natura espectral; (ii) la aparición de cuarteles con idénticas cantidades de biomasa pero con estructura muy diferente (un cuartel compuesto por varios ejemplares de una especie de gran altura puede tener la misma cantidad de biomasa que otro compuesto por un ejemplar de gran altura de esa especie y varios de otra especie con un porte mucho menor); y (iii) la existencia de una gran cantid ad de vegetación, lo que puede llevar a situaciones de saturació n en la respuesta espectral del sensor (Foody et al ., 2001; Lu et al ., 2004; Lu, 2006). Estas características propias de entornos tropicales convierten en inapropiados algunos de los métodos usados en otros ambientes (Foody et al ., 2001). Además, estas peculiaridades aumentan la ya de por sí difícil tarea de elaborar modelos de estimación de biomasa fácilmente tr ansferibles entre regiones (Foody et al ., 2003). Un excelente trabajo que muestra la dificultad de estimar biomasa debido a la complejidad estructural de estos bosques es el trabajo desarrollado en la cuenca del río Amazonas por Lu et al . (2004). En esta investigación, las relaciones entre parámetros forestales e información espectral ob tenida con Landsat son analizadas en tres áreas de estudio relativamente próximas entre sí, demostrándose que, en ocasiones, los cambios en la reflectividad de la vegetación están directamente relacionados con la estructura forestal en vez de con cambios en la cantidad de biomasa. Una solució n para mejorar la capacidad de predicción de la v ariable biomasa en estos ambie ntes es la utiliza ción conjunta de información espectral y de textura proporcionada por imágenes Landsat, siendo obtenida esta ú ltima variable a partir de la aplicación de diferentes filtros de textura (media, varianza, homogeneidad, contraste, entropía, kurtosis, etc.) sobre cada una de las bandas que componen la imagen, utilizando para ello ventanas móviles ( kernels ) de diferentes tamaños (Lu, 2005; Lu y Batistiella, 2005). Los principales problemas de este método son el tener que identificar qué informaciones de textura están más correlacionadas con la biomasa y poco correlacionadas entre sí, qué tamaño de kernel utilizar para calcularlas y sobre qué bandas aplicar estos kernel ; tareas todas ellas que consumen un gran tiempo, ya que no existe un criterio específico a seguir y es dependiente de las características intrínsecas d el área de estudio (Lu, 2006). Por último, indicar que la regresión es el método estadístico más utilizado para estimar biomasa en bosques tropicales mediante imágenes Landsat (Roy y Ravan, 1996; Steininger, 2000; Foody et al ., 2003; Lu, 2005; Lu et al ., 2005), aunque también se ha probado el uso de redes neuronales (Foody et al ., 2001; Foody et al ., 2003). Estimación de biom asa residual mediante im ágenes de satélite y trabajo de ca mpo. Modelización del poten cial energético de los bosqu es turolenses 40 Las experiencias llevadas a cabo para la estimación de parámetros forestales mediante imágenes Landsat en medios mediterráneos (en los cuales se incluye el área de estudio de esta te sis) son más bien escasas. Las r egiones mediterráneas están caracterizadas por presentar un os patrones vegetales que presentan una alta heterogeneidad espacio-temporal. Esta heterogeneidad es debida a la existencia de grandes zonas de transición vegetal que están compuestas por la mezcla de especies en los diferentes estratos y que son resultado de la respu esta vegetal, más o menos evolucionada, ante los numerosos y continuados impactos y alteraciones sufridos con anterioridad, tanto de origen antrópico como nat ural, siendo difícil alcanz ar la vegetación “clímax” y dando lugar a paisajes altamente fragmentados. Esta característica def initoria de las áreas mediterráneas tiene su reflejo en las diferentes aproximaciones hecha s en el seno de la teledetecció n para el estudio de los bosque s mediterráneos, identificándose una serie de limitaciones en su uso para la evaluación de los principales variables forestales continuas, incluida la b iomasa (Shoshany, 2000). Además de esta diversidad de las áreas forestales mediterráneas en cuanto a composición de especies y estados de desarrollo, también hay que tener en cuenta otros factore s como son la complejidad del relieve que generalmente presentan (Mallinis et al ., 2004). Restringiéndonos a ámbitos mediterráneos europeos, los trabajos de Salvador y Pons (1998a,b), aunque no estudian directamente la variable biomasa forestal, constituyen una de las primeras referencias en la utilización de imágenes Landsat para la estimación de parámetros de inventario forestal. En concreto, los dos tr abajos señalados intentan desarrollar modelos predictivos para las variables cobertura del dosel vegetal, área basimétrica, volumen del tallo y LAI , todas ellas obtenidas a partir de datos proporcionados por el Inventario Ecológico Forestal de Cataluña (IEFC) en zonas de bosque dominadas por Pinus sylvestris , P. nigra y Quercus ilex situadas en áreas montañosas. El método estadístico que se utilizó para relacionar los datos de cam po de estas variables con los de reflectividad proporcionados por Landsat fue la regresión, tanto simple como múltiple. Los resulta dos obtenidos indican que, aunque las re laciones encontradas entre los parámetros y los valores radiométricos son significativas, n o se puede llegar a establecer un modelo de estimación robusto y operacional, señalándo se la alta heterogeneidad espacial de los bosques estudiados como una de las principales causas. En el trabajo de Mallinis et al . (2004) sí que se consideró la variable biomasa como uno de los parámetros forestales a estima r mediante el uso de un a imagen Landsat en una zona de paisaje mediterráneo. En concreto, el área de estudio de este trabajo se localizó al norte de Grecia, estando las áreas forestales d e esta zona compuestas por Capitulo 1: Antecedentes, objetiv os, m etodología y área de estudio 41 Pinus sylvestris con un rico sotobosque compuesto por varias especies d e arbustos. Para elaborar este trabajo se utilizaron 34 parcela s de campo que representaban toda la posible variabilidad de las condiciones forestales del área de estudio. La biomasa de estas parcelas fue calculada mediante ecuaci ones de regresión obtenidas a partir del muestreo efectuado sobre 30 ejemp lares de cada especie presente. P ara incrementar la información espectral proporcionada por Landsat, fueron aplicadas varias transformaciones (análisis de componentes principales, Tasseled-Cap y varios índices de vegetación) sobre la imagen una vez corregida geométrica y radiom étricamente. El método estadístico utilizado fue el análisis de regresión, desestimando el uso de k-NN tan común, como hemos visto, en medios boreales ya que, como indican los autores, “una de las asunciones de e ste método ( k-NN ) es la existencia de bosques de similares características a lo largo del área de referencia cubierta por la imagen de satélite” (Mallinis et al ., 2004, p. 454), condición ésta que no se da en entornos mediterráneos. Los resultados recogidos en este trabajo muestran la dificultad de encontrar un modelo predictivo para la variable biomasa, siendo ésta más difícil de modelar que otras de las variables forestales consideradas, como la densidad y el área basal, identificándose como uno de los factores responsables la compleja estructura de los bosques mediterráneos. Aparte del trabajo de Mallinis et al . ( 2004), no se han encontrado en la bibliografía más experiencias llevadas a cabo en medios fo restales mediterráneos para la estimación de biomasa forestal a escala regional mediante imágenes Landsat. Por el contrario, sí se han localizado otros dos interesantes trabajos que centran su atención en la estimación de otros parámetros forestales co ntinuos. El primero de ellos, Vázquez de la Cueva (2005), analiza las relaciones existentes ent re los registro s de una imagen y los datos proporcionados por el Tercer Inventario Forestal Nacional (IFN-3) en la porción occidental del Sistema Central, siendo el objet ivo explorar los patrones de relación entre estos datos considerando distintas e species presentes ( Pinus pinaster , Quercus ilex y Q. pyrenaica ). Para ello utiliza un total de 764 parcelas (196 de P. pinaste r , 198 de Q. ilex y 330 de Q. pyrenaica ), para las que se dispon e de datos sobre área basimétrica, densidad de pies, altura de la masa, fracción de cabid a cubierta total de la ve getación y fracción de cabida cubierta total arbórea. La metodología empleada es el análisis de correlación, empleando 3 grupos distintos de parcelas para cada especie, de tal manera que el primero de ellos contiene todas las disponibles, mientras que en el segundo se eliminan aquellas que presentan outliers y valores extremos y en el tercero se prescinde de las parcelas que, según una clasificación no supervisada, se encuentran en áreas con r espuesta espectral Estimación de biom asa residual mediante im ágenes de satélite y trabajo de ca mpo. Modelización del poten cial energético de los bosqu es turolenses 48 ellas proporcionadas por LIDAR (McRoberts y Tomppo, 2007). Ésta es la forma de proceder de Lefsky et al . (1999), Dr ake et al . (2002), Bortolot y Wynne (2005) y Popescu (2007), obteniéndose buenos resultados. Entre los trabajos citados es de destacar el último, ya que en éste no sólo se obtiene la biomasa total del árbol, sino que se logra estimar la biomasa de cada uno de sus componentes a partir de datos derivados de LIDAR. Las limitaciones de esta técnica para la estimación de biomasa a escala regional son análogas a las citadas para el uso de técnicas int erferométricas que relacionaban altura con biomasa. Recientemente, Nelson et al. (2009) han utilizado el sistema LIDAR GLAS situado a bordo del satélite ICESat para estimar volumenes de madera en Siberia, utilizando como paso intermedio una cartografí a de usos del suelo obt enida con MODIS, siendo los resultados en la zona comparables a los obtenidos en trabajos independientes basados en estimaciones basadas e n trabajo de campo. 1.3.3.2.4. Utilización de otras técnic as de teledetección para la estim ación de biomasa Este subapartado, dedicado a la estimación de biomasa forestal mediante otras herramientas de teledetección, engloba dos técnicas: en primer lugar, el uso de técnicas de combinación de imágenes ópticas y radar y, en segundo lugar, el u so de modelos de simulación de reflectividad. Como hemos visto en los dos an teriores subapartados, cada sen sor tiene sus propias características a la hora de sintetizar la información que recoge de la superficie observada. De esta manera, la utilización de dos o más sensores proporciona un a gran oportunidad para conocer la cu bierta observada desde diferentes puntos de vista, obteniéndose una base de datos mucho más rica y completa. Dado que los sensores ópticos proporcionan información so bre la refl ectividad del dosel vegetal y los sensores radar son capaces de proporcionar conocimie nto acerca de la estructura interna de la formación estudiada, la combinació n o fusión de ambos tipos de dato s puede mejorar la estimación de la variable biomasa forestal. Así, la combinación de ambos tipos de datos puede resolver las situaciones de saturación y de presencia de píxeles mixtos, tan frecuentes cuando se utilizan estas metodologías por separado, obteniéndose variables independientes poco correlacionada s entre sí, que pueden mejorar el ajuste del modelo predictivo de biomasa (Lu, 2006). Ejemplos de esta integración de datos son los trabajos de Moghaddam et al . (2002) y Treuhaft et al . (2003). En el primero de ellos se utilizaron conjuntamente datos radar procedentes del s ensor aerotransportado AIRSAR y datos ópticos de Landsat 5 TM para estimar la biomasa del follaje en un bosque de coníferas de topografía compleja de Oregón (EE.UU.). En concreto, dentro de los datos Capitulo 1: Antecedentes, objetiv os, m etodología y área de estudio 49 proporcionados por AIRSAR, se utilizó tanto información referida al coeficien te de retrodispersión de las bandas C y L, como información de coherencia interferométrica en banda C, mientras que de Landsat TM solamente se tuvier on en cuenta las seis bandas reflectivas, no calculándose ningú n índice o ratio con ellas. Los resultados obtenidos demuestran que la combinación de datos radar y ópticos mejora las estimaciones de la biomasa del follaje obtenidas utilizando solamente datos Landsat. El segundo trabajo - Treuhaft et al . (2003)- estima biomasa forestal a partir de perfiles de densidad de área foliar obtenidos mediante el uso de datos interferométricos en banda C y datos hiperespectrales proporcionados por un sensor a erotransportado; así, los datos radar son empleados para producir los perfiles de densidad relativos, mientas que los datos hiperespectrales sirven para crear el índice de área foliar, obteniéndose resultados satisfactorios en la estimación de biomasa. Por último, señalar el potencial de los modelos de simulación de reflectividad para estimar biomasa forestal. Como hemos visto, la biomasa f orestal es un parámetro global o de conjunto que está relacionado con muchos otros, parciales, como la composición de especies, la densidad de árboles o la estructura de la cubierta. Parámetros estos últimos que no son fácilmente analizables por los satélites ópticos, ya que –recordemos- éstos solamente recogen información de la parte superior del dosel vegetal. Es por ello por lo que muchas veces los cambios en las can tidades de biomasa no son reflejados directamente en los datos de reflectividad proporcionados por los sensores satelitales. Esta situación puede ser solucionada mediante la utilización de modelos de simulación de reflectividad, que son capaces de considerar diferentes variables que mejoran la estimación de parámetros estructurales forestales. A este respecto, Fr anklin y Hieraux (1991) mostraron el potencial de estos modelos para estimar biomasa leñosa y del follaje. Diferentes modelos de reflectividad útiles para la estimación de parámetros forestales están presentes en la bibliografía científica, pudiéndose clasificar todos ellos en 4 categorías: modelos geométricos, modelos de medio túrbido, modelos híbridos y modelos de simulación computerizados. Cada uno de estos t ipos utiliza diferentes variables estructurales como, por ejemplo, el tamaño de la hoja, la forma geomét rica y orientación de las hojas y ramas, la disposición de la vegetación en distintas capas, etc. Sin embargo, a pesar de los esfuerzos realizados en este campo para modelar la reflectividad de distintas cubiertas vegetales co n el objeto de predecir caracterí sticas como altura, densidad o LAI mediante datos de satélite, la complejidad de las car acterísticas de la cubierta vegetal, las condiciones atmosféricas, el ángulo solar y la geomet ría de observación, así como la inciden cia de la pendiente y la orientació n del terreno son Estimación de biom asa residual mediante im ágenes de satélite y trabajo de ca mpo. Modelización del poten cial energético de los bosqu es turolenses 50 aspectos que introducen una enorme dificu ltad en la precisión alcanzada mediante el uso de estos modelos (Lu, 2006). 1.3.3.2.5. Factores restrictivo s en la estimación de biom asa forestal Como hemos visto, la teledetección presenta un enorme potencial para la estimación de parámetros forestal es continuos, en general, y de bio masa forestal, en particular. En las últimas páginas se ha presentado una revisión de la s diferentes formas mediante las cuales se ha abordad o la estimación de la biomasa forestal desde el seno de esta disciplina, considerando distintos t ipos de sensores (activos y pasivos), resoluciones espaciales, caracte rísticas intrínsecas de l área estudiada, métodos estadísticos, etc. Dada la extensa colección de datos y técnicas de teledetección útiles a la hora de abordar un proyecto que tiene como finalidad estimar la biomasa forestal de un territorio, parece fundamental seleccionar entre todas ellas la que más se adecue a los objetivos marcados y a las posibles restricciones o limitaciones de diversa índole que afecten a un proyecto tal. A nuestro juicio, son tres los principales factores que determinan el tipo de imágenes y de técnicas a utilizar: el económ ico, el tecnológico y el temporal, encontrándose muchas veces estos tres factores interrelacionados entre sí. En efecto, el presupuesto disponib le para abordar un proyecto de estimación de biomasa mediante teledetección condiciona d e gran manera el diseño del mismo. Por ejemplo, la partida económica es el principal fa ctor que condiciona la cantidad y calidad de los datos de campo de biomasa que posteriormente serán relacionados con la información de satélite. Si se cuenta con suficiente dinero, lo ideal es la realización de trabajo de campo en un número suficiente de parcelas para que el modelo de estima ción resultante sea estadísticamente robusto, reservando algunas de ella s para la validación final. Si, por el contrario, se disp one de pocos recursos económicos, los dat os de biomasa tendrán que ser obtenidos de manera indirect a, por ejemplo, mediante la aplicación de ecuaciones alométr icas prev iamente publicadas a da tos de inventario forestal o de otras fuentes, con lo que, en principio, los errores de partida serán mayores que en la situación anterior. La disp onibilidad de dinero también controla la se lección de imágenes de satélite a utilizar. Así , se ha visto cómo las imágenes de alta resolució n espacial tienden a ofrecer bueno s resultados, dado que evitan el uso de píxeles heterogéneos; sin embargo, este tipo de imágenes suele cubrir extensiones de terreno no muy extensas, por lo que es necesario contar con un gran número de ellas si se quiere Capitulo 1: Antecedentes, objetiv os, m etodología y área de estudio 51 abordar un estudio a escala regional, por lo que será necesario contar con una gran cantidad de dinero. Esta misma situación se da si queremos utilizar imágenes de resolución media como Landsat, Spot o ERS para realizar un trabajo a escala na cional. El factor tecnológico refiere a la disponibilidad de recursos tanto humanos como físicos. En efecto, contar con un p ersonal con formación suficiente e n el tratamiento e interpretación de imágenes de satélite es un paso previo fundamental a la hora de iniciar un proyecto de estimación de biomasa mediante teledetección. Así pues, el tipo de imágenes y de técnicas a utilizar de be estar en función de la formación de las personas que van a abordar estas tareas, ca reciendo de sentido el uso de, por e jemplo, imágenes LIDAR si el equipo técnico carece de conocimientos para interpretarlas y trabajarlas. Aunque la formación continua es deseable en cualquier ámbito de trabajo, esta for mación lleva implícito el consumo de dinero y de tiempo, recursos no siempre fácilmente disponibles. Además de este conocimiento relativo al tratamiento de datos de teledetección, también es deseab le la posesión de cono cimientos medioambientales y geográficos (ya que la variable a estudiar se sitúa en estas ramas de conocimiento), así como la posesión de cierta destreza en el uso de la estadística, dado que muchas veces el resultado final es un modelo matemático de relación entre datos espectrales y de biomasa. En cuanto a los recursos físicos, éstos refieren ta nto a los equipos informático s necesarios para almacenar y procesar los datos como al software específico para realiza r ciertos tratamientos sobre las imágenes y sobre la información alfanumérica en general. Las imágenes de satélite son generalmente archivos de gran volumen, que ocupan mucho espacio en el disco duro y necesitan de ordenadores potentes para ser procesadas. Así mismo, es necesario contar con software específico que permita realiza r las tareas necesarias -como la georreferenciación, la normalización radiométrica o topográfica o la generación de nuevas bandas de información- y que, normalmente, es caro; por lo que, una vez más, el factor económico debe ser tenido en cuenta. Por último, es necesario considerar el tiempo con el que se cuenta para abordar el proyecto. Efectivamente, el tiempo es un recurso limitado que o bliga a adoptar determinadas decisiones al inicio del trabajo de investigación , que resultan fundamentales a la hora de obtener los resu lta dos. Como hemos visto, la utilización de unas imágenes o técnicas u otras está en función de los conocimientos previos d el personal encargado de la realización del trab ajo, siendo necesario u n periodo más o menos prolongado de formación si se desea utilizar recursos para los que no se dispone de conocimientos previos. Además, como ocurre en cualquier trabajo de investigación, Estimación de biom asa residual mediante im ágenes de satélite y trabajo de ca mpo. Modelización del poten cial energético de los bosqu es turolenses 52 los primeros resultados obtenidos no son siem pre los previstos, por lo que es necesario dedicar más tiempo de lo inicialmente planteado para tareas que, en principio, se preveían terminadas para una determinada fech a. De igual forma, destacar que, durante el desarrollo del trabajo, los resultados parcia les pueden sugerir el em pleo de nuevas metodologías que, previsiblemente, puedan mejorar lo obtenido hasta ese momento; sin embargo, la necesidad de cumplir con los plazos fijados impone la necesidad de concluir en un determinado punto, apuntando en las conclusiones posibles lín eas de investigación futuras. En conclusión, la conjugación de estos factores debe ser tenida en cuenta a la hora de establecer la metodología de trabajo que dé lugar a la consecución del o bjetivo de estimar la biomasa forestal en un área determinada, teniendo que e star a su vez este objetivo supeditado a la disponibilidad de estos tres fa ctores. Al igual q ue en cualquier otro tipo de proyecto o de investigación, la temprana planificación de las tareas a re alizar -siendo consciente del objetivo y de los recursos disponibles- determinará el éxito o el fracaso del labor abordada. 1.4. Fases de la investigación y metodología estadística para el modelado de la biomasa residual forestal La metodología científica empleada se enmarca en una argumentación de tipo hipotético-deductivo. De esta manera, a partir de la hipótesis de que es posible est imar la biomasa residual forestal mediante el uso de imágenes de teledetección, información auxiliar y trabajo de campo, se formulan una serie de modelos que se v erifican experimentalmente a partir de la utilización de datos de campo reservados a tal efecto. Así pues, al igual que la mayoría de las aplicaciones desarrolladas en el seno de la teledetección para la estimación de parámetros forestale s continuos (Franklin, 2001), esta investigación se centra en el desarrollo de un modelo empírico en el cual la biomasa residual forestal se co nvierte en la variable dependiente que intenta ser estimada o predicha mediante el uso de imágenes de satélite debidamente calibradas y la ayuda de otras informaciones auxiliares. Se trata, por ta nto, de la elaboración de un mo delo a escala provincial aprov echando las propiedades de las imágenes de satélit e para registrar información d e carácter continuo y completo a lo largo de un territo rio en intervalos más o menos frecuentes, superando las limitaciones puntuales de los inventarios. Capitulo 1: Antecedentes, objetiv os, m etodología y área de estudio 53 1.4.1. Marco tecnológico e in stitucional de la investigación La metodología que se aplica en esta investigación se sitúa en el contexto de las tecnologías de la información geográfica (teledetección y SIG) como fuentes de información y herramientas para el análisis geográfico y la gestión forestal. En el apartado 1.3 se ha mostrado la utilidad de la teledetecció n en distintos campos relacionados con la gestión forestal como, por ejemplo, la obtención de cartografía de especies; el análisis del riesgo, detección y seguimiento post-fuego de incend ios forestales; las tareas de inventario, etc. (Chuvieco et al ., 2002; Wagner et al ., 2003; Calle et al ., 2005; Pérez- Cabello et al ., 2006; McRoberts y Tomppo, 2007; Tomppo et al. , 2008). En cuanto a los SIG, entendidos estos como un “sistema compuesto por hardware, software y procedimientos para capturar, manejar, manipular, analizar, modelizar y representar datos georreferenciados, con el objeto de resolver problemas de gestión y planificación” (NCGIA, 1997), diferentes trabajos han dado cuenta de su operatividad en cuestiones relativas al ámbito forestal, como el proyecto FIREMAP (http://www.geogra.uah.es/firemap/), que los utiliz a para la estimaci ón del riesgo de incendios, o el proyecto SIBosC (Sistema de Información de los Bosques de Cataluña) ( http://www.creaf.uab.es/esp/proyectos/10_230.htm ), que es un SIG de información forestal que integra un gran número de cartografías de distinto origen; en cualquier caso, la utilización de estas tecnologías de la información en el ámbito de la Geografía es abundante y fructífera (Chuvieco et al ., 2005). En el marco de la prese nte investigación, los SIG -como tecnología de integración de la información que funciona como una base de datos sofisticada en la que se relaciona información espacial y temática mediant e una extensa colección de funciones analíticas, de visualización, de edición, etc.- permiten el modelado de todos los materiales necesarios para la obtención de las variables que más tarde se utilizarán en la formulación del modelo de estimación, así como el análisis de estas variables y su representación final. Se trata, pues, de una herramienta importante e imprescindible para la ejecución y el éxito de la presente tesis. Para su correcto desarrollo, el presente trabajo se integró dentro del proyecto LIGNOSTRUM (AGL2002-03917-AGR-FOR), c uyo objetivo era conseguir un incremento considerable de la utilización de los residu os agrícolas y forestales como recurso energético, proponiéndose como ár ea de estudio y experimentación la provincia de Teruel. En este proyecto, financiado por la Comisión Interministerial de Ciencia y Tecnología (CICYT), se considera la creación de una metodología fiable, veraz y extrapolable que permita cuantificar los residuos forestales y agrícolas en un territorio a Estimación de biom asa residual mediante im ágenes de satélite y trabajo de ca mpo. Modelización del poten cial energético de los bosqu es turolenses 54 escala provincial, la caracterización energética de estos residuos, la búsqueda de la tecnología más adecuada para su aprovechamiento y la lo calización de emplazamientos adecuados para la inst alación de plantas de producción energética. Los integrantes de l equipo investigador encargados de llevarlo a cabo per tenecen a dos organismos distintos: - Fundación CIRCE (Centro de Investigación de Recursos y Consumos Energéticos) ( http://circe.cps.unizar.es/ , Universidad de Zaragoza). Dirigidos por el Dr. Francisco Javier Royo Herrer, los investigadores del proyecto que pertenecen a este centr o poseían de forma previa a la concesión del proyecto LIGNOSTRUM una dilatada experiencia tanto en la evaluación de recursos de biomasa residual forestal y agrícola, como en el estudio de las tecnologías para su aprovechamiento energético (producción de electricidad y calor). - Grupo GEOFOREST del Departamento de Geografía y Ordenación del Territorio ( http://geoforest.unizar.es/ , Universidad de Zaragoza). Este grupo ha estado trabajando con profusión en los últimos años en el empleo de la teledetección y los SIG como herramientas de apoyo para el análisis de la dinámica ambiental del territorio en relación con la actividad humana y los caracteres físicos del medio, así como en el desarrollo de trabajos experimentales de campo. El investigador responsable del grupo en el proyecto es el Dr. Juan de la Riva Fernández. El autor de esta tesis se inscribe en este último grupo de investigación d esde junio de 2004, aunque con anterioridad han sido varios los trabajos tutorizados por sus integrantes, relacionados principalmente con el uso de teledetecció n y los SIG como herramientas para el análisis del territorio. De las diferentes actividades en las que el proyecto LIGNOSTRUM fue dividido, la de cuantificación de los recursos de biomasa residual agrícola y forestal, la de localización de emplazamientos adecuados par a la instalación de plantas de produ cción energética y la de difusión de re sultados fueron desarrolladas por los dos organismos, quedando las de caracterización energética y búsqueda de la tecnolo gía más adecuada para su aprovechamiento en manos de CIRCE. En concreto, la tarea de desarr ollar la metodología para evaluar los recursos de biomasa residual forestal fue asignada, dentro de GEOFOREST, a quien firma este trabajo de investigación, constituyendo la base sobre la que se asentaron sus objet ivos. Capitulo 1: Antecedentes, objetiv os, m etodología y área de estudio 55 Los recursos físicos y logísticos utilizados son los disponib les en el Departamento de Geografía y Ordenación del Territorio de la Universidad de Zaragoza (equipamiento informático, software específico, bibliografía...), corriendo la financiación de los materiales necesarios (imágenes de satélite, datos de invent ario forestal, cartografía digital, modelos digitales de elevaciones...) y del trabajo de campo a cargo del proyecto LIGNOSTRUM. En concreto, los programas informáticos dispo nibles en este Departamento y que han sido utilizados son: ERDAS Imagine 8.7 para el tratamiento y análisis digital de las imágenes de satélite, ArcGIS-ArcINFO y ArcVIEW como SIGs para el tratamiento de la información auxiliar y la edición de la cartografía y, finalmente, SPSS y EXCEL p ara el tratamiento estadístico de todos los datos. Además, en el Centre d'Etudes Spatiales de la Biosphère (CESBIO) se hizo uso del programa GA MMA REMOTE S ENSING para el calibrado y procesado de las imáge nes radar utilizadas en este trabajo. 1.4.2. Fases del trabajo de investigación La metodología seguida en este trabajo se articula en tre s fases: la primera de ellas se dirige a la obtención de la variable dependiente (biomasa residual forestal) y de las variables independientes (información radiométrica, topográfica y forestal), quedando la segunda reservada a la formulación del modelo de estima ción que utiliza ambas y a su validación. Finalmente, en la tercera fase se aplica e l modelo más adecuado a una imagen de similares características a las que se han empleado en su creación, pero de fecha más reciente, obteniéndose así un inventario actual de este recurso energético en la provincia de Teruel. En las siguientes páginas se desarrollan las distintas actividades en que se articulan estas tres fases, que se relacionan con los objetivos parciales- operativos anteriormente enunciados. Por último, antes de presentar y caracterizar el área de estudio, se muestra el mét odo estadístico y sus distintas variantes utilizada s para la obtención de los diferentes modelos de estim ación: el análisis de regresión. Fase 1. Obtención de la variable depe ndiente (biomasa residual forestal) y de las variables independientes (información radiométrica, topográfica y forestal) Esta fase está dividida en 4 actividades, que se presentan a continuación. I. Obtención de los datos de biomasa residual forestal Esta actividad está en relación con el objetivo operativo I y se estructur a en tres partes diferenciadas. La primera de ellas refiere expresamente a la obtención de cuatro ecuaciones alométricas (una para cada especie de Pinus considerada) que permitan Estimación de biom asa residual mediante im ágenes de satélite y trabajo de ca mpo. Modelización del poten cial energético de los bosqu es turolenses 56 conocer la cantidad de biomasa residual de cada pie arbóreo a partir del conocimien to de su dbh y su altura. Para ello se realiza un muestreo estratificado por especies; dado su carácter destructivo, el trabajo de campo tiene que ser coincidente con tareas selvícolas dirigidas por la Administración Forestal. Posterior mente a la realización de este muestreo se procede al tratamiento estadístico de los datos obtenidos para la formulación de las ecuaciones alométricas. La segunda parte de esta actividad refiere a la aplicación de estas ecuaciones a los datos disponibles en el Segundo Inventario Forestal Nacio nal de la provincia de Teruel (IFN-2), cuyas labores de muestreo se realizaron entre otoño de 1993 y primavera-verano de 1994. Las ecuaciones alométricas se aplican a cada uno de los pies recogidos en las parcelas del IFN-2 ya que, en las tablas adjuntas, aparece información sobre el dbh y la altura de cada ejemplar que las compone. Finalmente, la tercera y última parte consiste en la espacialización de los datos obtenidos de biomasa residual forestal por parcelas, o bteniéndose una cartogr afía de puntos que será el documento base a partir del cual se extraerá la información radiométrica y de las variables auxiliares. Varios procesos de filtrado se aplican para eliminar determinadas parcelas en función de criterios de homogeneidad y calidad de los datos. Esta actividad se desarrolla en el Ca pitulo 2, concretamente en el apartado 2.1. II. Obtención de las variables radiométricas En esta segunda actividad se aborda el tratamiento de las imágenes de satélite seleccionadas para ser relacionadas con los da tos de biomasa residual forestal obtenidos en la actividad I. Es ésta una tarea larga, compleja y crítica para la bondad de los resultados finales de la investigación. Dado que se emplean dos tipos de imágenes de satélite distintas -ópticas y radar-, los pretratamientos a aplicar en ambos casos son diferentes; por ello, se dedican apartados diferentes dentro del mismo Capítulo 2. En el apartado 2.3 se llevan a cabo las tareas de tratamiento digital sobre tres imágenes Landsat 5 TM. La elección de este tipo de imágenes responde al hecho, anteriormente comentado (véase 1.3.3), de que, en la bibliografía existente sobre aplicaciones de teledetección a tareas de inventario forestal y de estima ción de biomasa a escalas regional y local, éste es e l tipo de imágenes ópticas más utilizadas (p.e. Roy y Ravan, 1996; Todd et al ., 1998; Salvador y Pons, 1998a,b; Fazakas et al ., 1999; Steininger, 2000; Foody et al ., 2001; Mickler et al ., 2002; Reese et al ., 2002; Foody et al ., Capitulo 1: Antecedentes, objetiv os, m etodología y área de estudio 57 2003; Labrecque et al ., 2003; Phua y Saito, 2003; Calvao y Palmeirin, 2004; Mallinis et al ., 2004; Lu et al ., 2004; Zheng et al ., 2004; Lu, 2005; Lu y Batistiella, 2005; Hall et al ., 2006; Labrecque et al ., 2006). Además, como también se ha comentado, la frecuente utilización de este sen sor para la estimación de biomasa a estas e scalas responde a la utilidad de sus imágenes para car tografiar y hacer un seguimiento controlado de las condiciones biofísicas forestales de una m anera consistente y replicable (Jakubauskas, 1996). Otros factores que inclinar on también la balanza hacia el e mpleo de estas imágenes fueron el carácter periódico de su cobertura sobre el área de estudio, la obtención mediante una sola escena de la mayor y más interesante parte del territorio que compone el área de estudio y las previsiones de liberalización de estos productos o, en todo caso, su sencilla adquisición a parti r de distribuidores autorizados a precio razonable. Estos últimos factore s están en consonancia con el objetivo expresado de crear una metodología sencilla y aplicable que pueda ser ap rovechada por los agentes y Administraciones responsables de la planificación territorial. Las tres imágenes seleccionadas son sin crónicas a los trabajos de campo del IFN- 2, estando todas ellas libres de nubes en su mayor parte. Tres son los tratamientos que se aplican al objeto de o btener variables radiométricas consistentes y susceptible s de ser relacionadas con los da tos de biomasa residual forestal: - Corrección geométrica . Consiste en la eliminación de las alteraciones que afectan a la localización correcta de los píxeles. La importancia de una precisa corrección geométrica es evidente en este trabajo ya que las imágenes van a ser relacionadas con localizacione s precisas para las que se conoce la cantidad de biomasa residual forestal y porque van a ser integradas en un SIG con otras informaciones (cartografía forestal, ele vaciones, pendientes…). Para llevar a cabo la corrección geométri ca se utiliza un modelo empírico. - Corrección radiométrica . Este pretratamiento se aplica para correg ir las distorsiones que introducen la a tmósfera y la topografía en la señal registrada. Considerando la irregular topografía del área de estudio , la influencia del relieve en los ND es, a priori , muy alta, por lo que es imprescindible contar con un modelo digital de elevaciones (MDE) de calidad para eliminar esta influencia. Se utiliza para ello un MDE de la provincia de Teruel crea do a tal efecto en el apartado 2.2 a partir de la Base Cartográfica Numérica 1:25000 (BCN25). Estimación de biom asa residual mediante im ágenes de satélite y trabajo de ca mpo. Modelización del poten cial energético de los bosqu es turolenses 64 de los criterios y técnicas aplicada s con anterioridad, ya que se conoce mejor todas las variables implicadas en el modelo. Sobre los nuevos resultados obtenidos se abre otro proceso de análisis y reflexión q ue llevará al enunciado de otro nuevo modelo de estimación. Se trata pues de un proceso dinámico e interactivo en el que las estrategias a aplicar en el nuevo modelo quedan definidas en función de los resultados anteriores y de las soluciones aportada s por otros autores que han encont rado problemas similares en trabajos análogos sobre estimació n de parámetros forestales de inventario, LAI o biomasa. En el caso de las imágenes Envisat-ASAR este proceso es mucho más sencillo, ya que las peculiaridades de este tipo de imágenes hacen que solamente se cuente con unas pocas parcelas tipo sobre las que poder estudiar cuál es la relación entre la biomasa residual forestal y la información proporcionada por este tipo d e imágenes. Se trata, pues, de un análisis meramente exploratorio de tales relacio nes, no pudiendo ser utilizados los modelos estimativos que se obtienen, dada la esca sa población de la muestra utilizada. Junto a este motivo se añade el de la no coetaneidad de los datos de campo de la biomasa residual (1994) con estos datos radio métricos (2003). VII. Validación de la metodología y de las relaciones biofísicas encontradas en los modelos de estimación en la dimensión temporal Esta actividad se relaciona con el objetivo operativo VI y consiste en la utilización de las imágenes Landsat de julio de 1993 y junio de 1994 para validar, en primer lugar, la consistencia de la mejor metodología encontrada para extraer la información radio métrica en este tipo de imágenes y, en segundo, para conocer la estabilidad de las relaciones encontradas entre la biomasa residual forestal y las variables radiométricas obtenidas de la imagen de junio de 1994. Para ello, se replica el mejor método encontrado en el Capítulo 3, teniendo en cuenta determinadas particularidades de las dos escenas empleadas, que explican que las parcelas del IFN-2 a considerar varíen ligeramente con respecto a la de junio de 1994. Una vez obtenidos los datos, se replica todo el proce so de cálculo de los modelos de regresión (análisis de correlaciones, ajuste de los modelos, validación de los mismos) y se validan las nuevas cartografías de estimación obtenidas utilizando también la misma metodología que en las obtenidas en el Capítulo 3. Capitulo 1: Antecedentes, objetiv os, metodología y área de estudio Figura 1.10. Diagrama de fluj os de la fase metodológica 2 Estimación de biom asa residual mediante im ágenes de satélite y trabajo de ca mpo. Modelización del poten cial energético de los bosqu es turolenses 66 El éxito en esta actividad determina la posibilidad de extrapolar la metodología ajustada en el tiempo, haciendo posible la estimación de la biomasa residual en el área de estudio en la actua lidad mediante el uso de una imagen Landsat más reciente que las utilizadas para calibrar y validar los modelos de estimación. Esta actividad se desarr olla a lo largo del Capítulo 4. La figura 1.10 recoge el diagrama de flujos de las distintas actividades contempladas en esta fase metodológica 2. Fase 3. Aplicación de la metodología para la estimación de la biomasa residual forestal actual en la provincia de Teruel Esta última fase comprende tres actividades, relacionadas directamente con el objetivo operativo VII y desarrolladas a lo largo del Capítulo 5. VIII. Selección de la imagen, aplicación de pre tratamientos y estimación de la biomasa residual forestal Para obtener la información de la b iomasa residual forestal actual en el área d e estudio es necesario, en primer lugar, adquirir u na imagen Landsat análoga en cuanto a sus características espa ciales y temporales a las utilizadas en los capítulos 3 y 4; debe, por tanto, contener todo el territorio estudiado, estar libre de nubes y haber sido adquirida por el sensor en verano. Una vez adquirida la imagen, debe ser sometida a los pretrata mientos de corrección geométrica y radiométrica, teniendo que ser estos procesos tan rigurosos como en las imágenes que han servido para ajustar el model o de estimación. Se trata, en definitiva, de garantizar la correcta estimación de la biomasa en cada punto del territorio a partir del valor radiométrico de cada píxel, sin que éste valor esté influenciado por las distorsiones que introducen la atmósfera y la topografía en la señal registrada por el sensor. Seguidamente, caso de ser necesario para la aplicación de la ecuación de estimación, se aplican la s transformaciones necesarias para la obtención de neocanales. El último paso consiste en la aplicación del modelo de estimación de biomasa residual más adecuado de los obtenidos en lo s capítulos 3 y 4 en función de la fecha de adquisición de la imagen. Capitulo 1: Antecedentes, objetiv os, metodología y área de estudio Figura 1.11. Diagrama de flujos de la fase metodológica 3 Estimación de biom asa residual mediante im ágenes de satélite y trabajo de ca mpo. Modelización del poten cial energético de los bosqu es turolenses 68 IX. Inventario de los recursos energéticos de biomasa residual forestal del área de estudio a escala provincial, comarcal y municipal Esta actividad consiste en derivar información cartográfica y estadística sobre e l recurso utilizando para ello las tres divisiones administrativas existentes en el área de estudio, si bien sólo se crearán mapas para las dos primeras 5 . De esta manera se proporcionan datos precisos del territorio a los agentes implicados en la promoción y el desarrollo de las energías renovables en gener al y de la biomasa en particular. X. Desarrollo de una metodología para localizar las zonas óptimas de explotación de biomasa residual forestal Una vez conocida la ca ntidad de recurso existente en cada punto de la provincia de Teruel, se combina esta variable con otras tres de fuerte impronta espacial que, junto a la primera, determinan la viabilidad de extracción de la biomasa residual para su uso energético: la pendiente, la extensión del área forestal y la distancia a pistas, caminos y carreteras. Con esta finalidad se u tilizan herramientas SIG para, en primer lugar, asignar distintos grados de aptitud en función del valor de cada variable en cada punto del territorio, siendo utilizad o para ello bibliografía específica r elativa a la incidencia d e estos factores en la eficiencia-rentabilidad de la explotación. En segundo lugar, las capas resultantes de esta reclasifica ción son comb inadas en el SIG mediante la utilización de uno o varios índices que ofrecen como resultado final una cartografía de las zonas óptimas para el aprovechamiento de la b i omasa residual, estableciendo una escala cuantitativa dentro de ellas. La figura 1.11 recoge el diagrama de flujos de los procesos y resultados parciales y finales de esta última fase de la metodología. 1.4.3. Técnicas estadísticas para el ajuste de lo s modelos de estimación de la biomasa residual forestal En los siguientes subapartados se presentan las técnicas estadísticas usadas en el análisis de las correlaciones y en el ajuste de los modelos de regresión entre los datos de biomasa residual forestal obtenid os del trabajo de campo (variable dependiente) y las 5 La provincia de T eruel incluye 2 36 munici pios, por lo que gene rar cartografía e specífica para cada uno de ellos incrementaría e n exceso el volumen de esta tesis. No obstante, esta ca rtografía puede ser obtenid a en cualquier momento en caso de ser requerida por las distintas Administraciones, da do el carácter digital de la informació n base y su integraci ón en un SIG. Capitulo 1: Antecedentes, objetiv os, m etodología y área de estudio 69 variables radiométricas, topográficas y forestales obtenidas a partir d e las imágenes de satélite, del MDE y del MFA, respectivamente (variables independientes). 1.4.3.1. Análisis de correlaciones El análisis de correlación es una técnica estadística que describe la rela ción entre dos variables medidas en una muestra común de individuos (Ebdon, 1982). Para determinar la existencia o no de esta relació n, su fuerza, su dirección y su significació n estadística, se utiliza el coeficien te de correlación de Pearson . Este coeficiente -o producto-momento - es una medida paramétrica de la fuerza y la dirección de la r elación lineal entre dos variables. Éstas deben esta r medidas en una escala métrica y se presupone que proceden de poblaciones normalmente distribuidas (Ebdon, 1982). La correlación de Pearson se calcula mediante la aplicación de la siguiente ecuación: ( ) () y x s s y x n xy R − = ∑ / Ecuación 1 donde R es el coeficiente de correlación de Pearson , x e y refieren a los valores de las variables, n es el número de observaciones, x e y son las medias de las variables y s x y s y son las desviaciones estándar de muestra de las variables (adaptado de Ebdon, 1982). El resultado varía entre -1 y 1, indi cando el valor 0 la ausencia de correlación y siendo ésta mayor cuanto más alto sea el valor obtenido. El signo indica si la correlación es directa (positiva) o indirecta (ne gativa) (Ebdon, 1982, Hair et al. , 1999; Pardo y Ruiz, 2005). El nivel crítico de significación ( p ) p ara considerar las correlaciones como significativas ha sido 0,05, siguiénd ose las directrices convencionales. Así, se rech azará la hipótesis nula de independencia y se co ncluirá que existe relación entre la s dos variables cuando p<0,05 . La prueb a de significación se realiza media nte el estadístico t (Ebdon, 1982; Hair et al. , 1999; Pardo y Ruiz, 2005), que adopta la siguiente forma: 2 1 2 R n R t − − = Ecuación 2 donde R es el coeficiente de correlación de Pearson y n es el número de casos (adaptado de Pardo y Ruiz, 2005). 1.4.3.2. Ajuste de los modelos de regresión El análisis de regresión es una técnica estadística de dependencia utilizada para Estimación de biom asa residual mediante im ágenes de satélite y trabajo de ca mpo. Modelización del poten cial energético de los bosqu es turolenses 70 predecir una única variable criterio (dependient e) a partir del conocimiento de una o más predictoras (independientes). Cada variable independiente es analizada y ponderada; estas ponderaciones indican su utilidad y su contribución relativa a la predicción. Al calcular las ponderacion es, el procedimiento del análisis de regresión asegura la máxima predicción a partir del conjunto de variables independientes con sideradas (Hair et al. , 1999). En este trabajo se consideran tres tipos de regresión : lineal, curvilineal y logística. 1.4.3.2.1. Regresión lineal La regresión lineal se basa en el cálculo de una e cuación de una línea de mínimos cuadrados para predecir la variable dependiente a partir de los valores de una o de varias independientes (regresión lineal simple o múltiple, respectivamente). Tanto la variable dependiente como las independientes deben e star medidas en escala métrica, aunque bajo determinadas circunstancias es posible incluir datos no métricos para las independientes. El result ado es una ecuación de regresión -simple o mú ltiple- que estima la variable dependiente dando infor mación acerca de la(s) independient e(s) más útil(es) (Ecuación 3) (Ebdon, 1982; Hair et al. , 1999; Etxeverría, 1999). n n X X X Y β β β β + + + + = ... 2 2 1 1 0 Ecuación 3 donde Y es la variable dependiente que se quiere predecir, β 0 es el valor de la constante, β n es el coeficiente de regresión de la variable independient e X n (adaptado de Hair et al. , 1999; Etxeverría, 1999; Pardo y Ruiz, 2005). Las diferencias entre los valores reales de la variable dependiente ( Y i ) y los predichos ( Y i ’ ) mediante la ecuación linea l ajustada por mínimos cuadrados reciben e l nombre de residuos ( r i ), de tal manera que se cumple la siguiente igualdad (Ecuación 4): () ∑ = − n i i Y Y 1 2 = () ∑ = − ′ n i i Y Y 1 2 + () ∑ = ′ − n i i i Y Y 1 2 STC = SCR + SCE Suma total de cuadrado s Suma de los cuadra dos de la regr esión Suma de cu adrado s de los residuos Ecuación 4 donde i Y es el valor real para la observación i , Y es la media de los valores reales, i Y ′ es el valor pronosticado p ara la observación i (adaptado de Etxeverría, 1999; Hair et al. , 1999). Capitulo 1: Antecedentes, objetiv os, m etodología y área de estudio 71 - Valoración de la exacti tud de la predicción Para cuantificar la proporción de la varianza de la variable dependiente que es explicada por las independientes se utiliza el coeficiente de determinación ( R 2 ), que es el cociente entre la suma de los cuadrados de la re gresión y la suma total de cuadrados. () () ∑ ∑ = = − − ′ = n i i n i i Y Y Y Y R 1 2 1 2 2 Ecuación 5 donde R 2 es el coeficiente de determinación, i Y es el valor real para la observación i , Y es la media de los valores reales, i Y ′ es el valor pronosticado para la observación i (adaptado de Etxeverría, 1999; Hair et al. , 1999). El valor resultante es siempre positivo y varía entre 0 y 1, siendo mayor el poder explicativo del modelo de regresión cuanto más alto sea (Ebdon, 1982; Etxeverría, 1999; Hair et al. , 1999; Pardo y Ruiz, 2005). Una variante del R 2 es el coeficiente de determinación corregido o ajustado ( R 2 a ), que tiene en cuenta el número de variables in dependientes incluidas en la ecuación de regresión (Ecuación 6), corrigiendo el efecto de aumento de R 2 por la adición de variables independientes al modelo de regresión si éstas t ienen escaso poder explicativo y/o si los grados de libertad se vuelven demas iado pequeños. De esta manera, el R 2 a se hace más pequeño a medida que se tienen menos observaciones por variable independiente, resultando muy adecuado para comparar ecuaciones con un número diferente de variables independientes, tamaños muestrales diferentes o ambos (Hair et al. , 1999; Etxeverría, 1999; Pardo y Ruiz, 2005). ( ) ⎟ ⎟ ⎠ ⎞ ⎜ ⎜ ⎝ ⎛ − − − − = 1 1 2 2 2 p n R p R R a Ecuación 6 donde R 2 es el coeficiente de determinación, p es el número de variables independientes y n es el número de casos (adaptado de Pardo y Ruiz, 2005). Los residuos también pueden ser u tilizados para valorar globalmente la exactitud de la predicción. De los distintos estadísticos que los utilizan se han seleccionado tr es: el error estándar de la estimación ( S e ), el error cuadrático medio ( RMSE ) y el RMSE relativo Estimación de biom asa residual mediante im ágenes de satélite y trabajo de ca mpo. Modelización del poten cial energético de los bosqu es turolenses 72 ( RMSE r ) (Ecuaciones 7, 8 y 9, respectivamente). El prime ro, proporcionado por defecto por el programa estadístico utilizado (SPSS), permite una rápida comparación de los distintos modelos creados; el segu ndo, se ha seleccionado por ser muy utilizado en trabajos de estimación de parámetros forestale s (p.e. Fazakas et al. , 1999; Hagner, 2002; Pekkarinen, 2002; Mäkelä y Pekkarinen, 2004; Muukkonen y Heiskanen, 2005; Tuominen y Pekkarinen, 2005; Hall et al. , 2006; Labrecque et al. , 2006); el tercero se ha considerado muy útil porque ofrece una medida del error independie nte del rango de valores reales observados en la submuestra de validación, lo que permite la comparació n directa entre los modelos ajustados en este tr abajo y los obtenidos en otros (p.e. Mäkelä y Pekkarinen, 2001; Hagner, 2002; Pekkarin en, 2002; Mäkelä y Pekkarinen, 2004; Muukkonen y Heiskanen, 2005; Tuominen y Pekkarinen, 2005 ). Lo s tres índices se interpretan de igual forma: cuanto menor es el valor obtenido, mejor es el modelo de regresión. () 2 1 2 − ′ − = ∑ = n Y Y S n i i i e Ecuación 7 donde S e es el error estándar de la estimación, i Y es el valor real para la observación i , i Y ′ es el valor pronosticado para la ob servación i y n es el número de casos (adaptado de Pardo y Ruiz, 2005). () n Y Y RMSE n i i i ∑ = ′ − = 1 2 Ecuación 8 donde RMSE es el error cuadrático medio, teniendo los restantes términos idéntico significado que en la Ecuación 7 (ada ptado de Pekkarinen, 2002). 100 * Y RMSE RMSE r = Ecuación 9 donde RMSE r es el error cuadrático medio relativo, RMSE es el error cuadrático me dio e Y es la media de los valores reales (a daptado de Muukkonen y Heiskanen, 2005). El examen de la significación estadística se hace a dos niveles: a nivel de modelo y a nivel de los coeficientes de regr esión de las variables independientes sele ccionadas Capitulo 1: Antecedentes, objetiv os, m etodología y área de estudio 73 (incluida también la constante). Para contrastar la hipó tesis de que la cantidad de variación explicada por el modelo e s mayor que la variación explicada por su media (es decir, que R 2 >0) se utiliza el estadístico F (Ecuación 10), sobre el que se aplica la p rueba de significación (normalmente p <0,05) (Hair et al. , 1999; Etxeverría, 1999; Pardo y Ruiz, 2005). () () ( ) 1 1 2 1 2 − − ′ − − ′ = ∑ ∑ = = p n Y Y p Y Y F n i i i n i i Ecuación 10 donde F es el estadístico F , i Y ′ es el valor pronosticado para la observación i , Y es la media de los valores reales, i Y es el valor real para la observación i , p es el número de variables independientes y n es el número de casos (adaptado de Etxeverría, 1999; Hair et al. , 1999). Por su parte, el estadí stico t (Ecuaciones 11 y 12) y su prueba de significación permiten validar la hipótesis de que los coeficientes de regresión β n y la constante β 0 calculados en el modelo son d istintos de 0 y, por lo tanto , son representativos par a toda la población (Hair et al. , 1999; Etxeverría, 1999; Pardo y Ruiz, 2005). 0 0 0 β β β S t = Ecuación 11 donde 0 β t es el estadístico t de la constante, β 0 es la constante y 0 β S es el error estándar de la constante (adaptado de Pardo y Ruiz, 2005). n n n S t β β β = Ecuación 12 donde t β n es el estadístico t del coef iciente de regresión - β n - de la variable independiente n y S β n es el error estándar de β n (adaptado de Pardo y Ruiz, 2005). - Supuestos del análisis de regresión lineal y soluciones en caso de incumplim iento El análisis de regresión debe respetar una serie de supuestos subyacentes que deben ser contrastados dos veces: en primer lugar para las variables individuales que lo pueden integrar (dependiente e independientes) y en segundo lugar para el valor teórico Estimación de biom asa residual mediante im ágenes de satélite y trabajo de ca mpo. Modelización del poten cial energético de los bosqu es turolenses 80 ello que en la presente investigación solamente se ajustaron modelos univariantes a partir de la función “estimación curvilínea” integrada en SPSS. Este programa ofrece, al efecto, once modelos diferentes de estimación de una variable dependiente a partir del uso de una única variable independiente ( Tabla 1.1), proporcionando todos los métodos gráficos y estadísticos necesarios para evaluar la bondad del aju ste obtenido y su significación estadística (Pardo y Ruiz, 2005). Modelo de regresión Expresión matemática Lineal X Y 1 0 β β + = Logarítmico ( ) X Y ln 1 0 β β + = Inverso ( ) X Y 1 1 0 β β + = Cuadrático 2 2 1 0 X X Y β β β + + = Cúbico 3 3 2 2 1 0 X X X Y β β β β + + + = Potencia ( ) 1 0 β β X Y = Compuesto ( ) X Y 1 0 β β = S ( ) X e Y 1 1 0 β β + = Logístico ( ) X c Y 1 0 1 1 β β + = Crecimiento X e Y 1 0 β β + = Exponencial X e Y 1 0 β β = Tabla 1.1. Modelos de regresión incluidos en la funció n “Estimación curvilínea” de SPSS. Fuente: Pardo y Ruiz (2005) donde Y es l a variable d ependiente, X la independi ente, β 0 la c onstante, β 1 el coeficiente de r egresión y c el parámetro que refiere al límite superior de la funci ón logística. - Valoración de la exacti tud de la predicción Para comprobar la bondad del ajuste obtenido mediante la regresión cu rvilínea se utilizan los mismos estadísticos que en el caso de la lineal. Así, para cuantificar la proporción de la variable dependiente explicada por la independiente se utiliza R 2 (Ecuación 5), mientras que S e , RMSE y RMSE r ofrecen una visión global de la exactitud de la predicción (Ecuación 7, 8 y 9, respectivamente). El examen de la significación estadística del modelo se hace también mediante el cálculo del estadístico F (Ecuación 10) y el contraste de su significación ( p <0,05), mientras que el estadístico t (Ecua ciones 11 y 12) y su prueba de signifi cación se utilizan para contrastar la validez del coef iciente de regresión y de la constante del modelo ajustado. Capitulo 1: Antecedentes, objetiv os, m etodología y área de estudio 81 - Método de ajuste del modelo Al tratarse de modelos univariantes, la especificación del modelo de regresión se puede hacer únicamente de forma confirmatoria, de tal manera que la única cuestión a resolver es qué tipo de modelo curvilineal se adapta mejor para describir la relación entre la variable dependiente y la indepe ndiente. Para ello resulta fundamental el análisis del patrón de puntos del grafico de dispersión definido por las dos variables que previamente habían mostrado la existencia de una relación no lineal. En función de este patrón se explora la utilidad de dos o tres de los modelos recogidos en la Tabla 1 .1. Los resultados obtenidos son analizados y comparados utilizando para ello los estadíst icos señalados en el anterior punto ( R 2 , S e , etc.). Finalmente, el modelo propuesto es aquel que, siendo significativo a todos los niveles, explica la mayor cantidad de varianza de la v ariable dependiente y presenta el error de estimación menor. 1.4.3.2.3. Regresión logística La regresión logística es un tipo especial de re gresión que se utiliza para estimar la probabilidad de ocurrencia de una variable dependiente categórica binaria (dos g rupos, 0/1), en lugar de una medida dependiente métrica, permitiendo la entrada de variables explicativas continuas y/o categóricas sin que tengan que cumplir el supuesto de normalidad, siendo el único requisito que no est én altamente correlacionadas entre sí. El resultado es una relación multivariante con coeficientes co mo los de la regresión lineal múltiple, que indican la influencia relativa de las variables predictoras (Hair et al. , 1999; Silva y Barroso, 2004). Puede expresarse mediante la siguiente función : n n X X X P P P β β β β + + + + = − = ... 1 ln ) ( logit 2 2 1 1 0 Ecuación 13 donde P es la probabilidad de ocurrencia de la variable dependiente, β 0 es la constante del modelo y β n es el coeficiente de la variable independiente X n (adaptado de Silva y Barroso, 2004). Formas equivalentes de expresar el mismo modelo son: ( ) () n n n n X X X X X X Y P β β β β β β β β + + + + + + + + + = = ... exp 1 ... exp ) 1 ( 2 2 1 1 0 2 2 1 1 0 Ecuación 14 () n n X X X Y P β β β β − − − − − + = = ... exp 1 1 ) 1 ( 2 2 1 1 0 Ecuación 15 donde P ( Y =1) es la probabilidad de que la variable dependiente Y =1, β 0 es la constante y β n es el coeficiente de la variable independiente X n (adaptado de Silva y Barroso, 2004). Estimación de biom asa residual mediante im ágenes de satélite y trabajo de ca mpo. Modelización del poten cial energético de los bosqu es turolenses 82 Aunque la regresión logística inclu ya un único valor teórico, resumen de los coeficientes estimados para cada variable independiente al igual que en la lineal, su naturaleza no lineal requiere un método de estimación diferente al de mínimos cuadrados. Así, la regresión logí stica utiliza el criterio de la máxima verosimilitud, que busca la estimación más probable de los coeficientes. El resultado es una función continua cuyos valores de salida oscilan entre 0 y 1, de tal manera que los valores <0’5 se corresponden con la no ocurrencia de la varia ble dependiente y los valores >0’5 con la ocurrencia (Hair et al. , 1999; Silva y Barroso, 2004). Los coeficientes est imados ( β 0 , β 1 , β 2 …, β n ) son, en realidad, medidas de los cambios en el ratio de probabilida des ( odds ratio ), de tal manera que un coeficiente positivo aumenta la probabilidad, mientras que uno negativo la disminuye. Una interpretación más fácil de este h echo se obtiene a partir de l cálculo del antilogaritmo de estos coeficientes ( exp β n ), que refiere al cambio predicho en el ratio de probabilidades por cada unidad de incremento en la variable independiente. Así, cuando β n es positivo, exp β n >1 y el ratio de probabilidades aumentará; por el contrario, si β n es negativo exp β n <1 y el ratio disminuirá (Hair et al. , 1999). - Valoración de la exacti tud de la predicción La medida global de cómo se ajusta el modelo viene d ada por el valor de la verosimilitud ( -2LL ), que queda definido por la siguiente expresión: V LL ln 2 2 − = − Ecuación 16 donde -2LL es el valor de la verosi militud y V es el producto de todas las probabilidades predichas por el modelo de que los sujetos de la muestra tengan la condición que realmente tienen (adaptado de Hair et al. , 1999 y Silva y Barroso, 2004). El valor mínimo para -2 LL es 0, de tal manera que cuanto más peque ño sea el valor de este parámetro, mejor será el ajuste (Hair et al. , 1999). Otra forma de evaluar la bondad del modelo es cotejar y evaluar la concordancia entre lo predicho y la ocurrencia-no ocurrencia real de la variable dependiente (Silva y Barroso, 2004), pudiendo ser utilizada para ello una matriz de confusión 9 y el estadístico 9 La matriz de confusión es una tabla de doble entra da en la que se compara n los he chos reales con los predicho s, de obteniéndose el porcentaje de acie rto global del modelo (Hair et al. , 1999). Capitulo 1: Antecedentes, objetiv os, m etodología y área de estudio 83 Kappa 10 (Pérez-Cabello et al. , 2006). El test de Hosmer-Lemeshow proporciona una medida final del ajuste que se basa también en la predicción real de la variable dependiente. Para ello, primeramente se dividen los casos en 10 clases aproximadamente iguales, siendo comparado después el número de sucesos reales y predichos en cada clase con el estadí stico chi-cuadrado ( χ ² Ecuación 17). Para que el modelo sea dado como bueno, la prueba de significación aplicada a este parámetro tiene que ser negativa; es decir, el valor obtenido tiene que superar el nivel crítico fijado (en nuestro caso, p>0,05) (Hair et al. , 1999) . ( ) ( ) ∑ ∑ = = − + − = 10 1 * 2 * * 10 1 2 2 i i i i i i i i E E O E E O χ Ecuación 17 donde O i son los valores observados dentro de cada grupo, E i son los valores esper ados dentro de cada grupo, * i O es la frecuencia de ocurrencia de ese grupo menos los valores observados y * i E es la frecuencia de ocurrencia de ese grupo menos los valores esperados (adaptado de Silva y Barroso, 2004). Por último, señalar que se han diseñado varias medidas para representar el ajuste global del modelo de forma semejante a como lo hace e l R 2 en la regr esión lineal como, por ejemplo, la R 2 de Cox y Snell, la R 2 de Nagelkerke y el pseudo- R 2 (Ecuación 18) (Hair et al. , 1999). Los dos últimos devuelven un valor que entre 0 y 1, de tal manera qu e se obtiene el valor máximo cuando el modelo asigna correctamente todos los casos en su respectivo grupo, aproximándose a 0 cuando la asignación sea peor. Sin embargo, debe advertirse que el test de Hosmer-Lemeshow , la matriz de confusió n y el estadístico Kappa son más adecuados que R 2 para medir la bondad d el ajuste, reservándose el uso de este último estadístico para valorar globalmente la capacidad explicativa de los modelos (Hair et al. , 1999; Silva y Barroso, 2004). ( ) base base t l LL LL LL R 2 2 2 2 ogi − − − − = Ecuación 18 donde 2 ogi t l R es el pseudo- R 2 , base LL 2 − es el valor de verosimilitud de referencia obtenido 10 El estadístico Kappa mid e la diferencia entre el a cuerdo valor p redicho-valor observad o y el que cabría esperar simplemente por el azar. Así, es te parámetro d elimita el grado de ajuste debid o sólo a la exactitud del modelo, desechando el caus ado por efectos aleat orios, variando entre 0 (acuerdo debido al azar) y 1 (acue rdo perfecto) (Chuvieco, 1996; Erda s Field Guide, 1999). Estimación de biom asa residual mediante im ágenes de satélite y trabajo de ca mpo. Modelización del poten cial energético de los bosqu es turolenses 84 sin la inclusión de ninguna variable dependiente en el modelo y -2LL es el valor de verosimilitud final del modelo (adaptado de Hair et al. , 1999). Al igual que en los otros dos modelos de regresión, la comprobación de la significación estadística del modelo de regresión logística se hace a ni vel de modelo y a nivel de las variables independiente s incluidas. A nivel de modelo se aplica un co ntraste chi-cuadrado (similar al estadístico F de la regresión lineal) para comprobar que el cambio del valor -2LL respecto a base LL 2 − es signif icativo ( p <0,05). Para los co eficientes estimados de las variables dependientes y para la constante se utiliza el estadístico de Wald (similar al estadístico t ) (Ecuación 19) y su prueba de signif icación, dándose por válidos si su significació n estadística se sitúa por debajo d el nivel crítico ( p <0,05) (H air et al. , 1999; Silva y Barroso, 2004). n n S W n β β β = Ecuación 19 donde n W β es el estadístico de Wald del coeficiente de regresión de la variable independiente n ( β n ) y S β n es el error estándar de β n (adaptado de Silva y Barroso, 2004). - Método de selección de variables Como en la regresión lineal, el método aplicado para el ajuste de los modelos logísticos ha sido el de búsqueda secuencial de pasos sucesivos mediante SPSS, utilizando en los criter ios de signif icación y tolerancia los parámetros específico s de este tipo de regresión, que sustituyen a los propios de la lineal. 1.4.3.3. Validación de los modelos Para validar cada modelo de regresión, el total de la muestra compuesta por las parcelas del IFN-2 seleccionadas sobre las que se tiene información de biomasa residual forestal se divide al azar en dos grupos: el 80% se utiliza para el ajuste, el 20% restante se reserva para la validación. Esta di visión de la muestra se hace de for ma aleatoria para que cualquier ordenación de los datos no afecte a los procesos de estimación y validación. Además, para valorar la robustez de los modelos, esta división aleatoria se realiza en cinco ocasiones, calculándose el respectivo modelo y la validación en cada una de ellas. La repetición de las variabl es seleccionadas en cada modelo, la similitud de su s coeficientes y de los estadísticos usados para valorar la exactitud del modelo serán los indicadores de que el modelo es independiente de la selección aleatoria de los datos. Capitulo 1: Antecedentes, objetiv os, m etodología y área de estudio 85 Todos los modelos de re gresión ajustados son analizados p ara valorar la exactitud de la predicción, utilizando para ello sus correspondientes estadístico s. Así mismo, se valora también la significación estadística global del modelo y de las variables que lo integran. Por último, se comprueba que, a pesa r de las precauciones adoptadas, ninguno de ellos incumpla los su puestos subyacentes en los que se basa. Por su parte, las muestras de validación también se utilizan para valorar la exactitud de la predicción, calculándose el RMSE (expresado en tons/ha) y el RMSE r (en porcentaje) a partir de las diferencias entre los valores observados en estas muestras y los predichos en los modelos de regresión simples y múltiples, siendo calculado con estos datos el estadístico Kappa en el caso de los modelos de regresión logística. 1.5. El área de estudio: de limitación y presentación general La provincia de Teruel tiene una superficie total de 14804 km 2 y se encuentra situada en el cuadrante noreste de la Península Ibérica, próxima al Mediterráneo (Figura 1.12). La elección de esta área de estudio se debe a que éste fue el territorio seleccionado por el proyecto LIGNOSTRUM para la validación de la metodología en él propuesta. Dos son las características de esta provincia que la convierten en un escenario ideal para verificar la s hipótesis de los beneficios del empleo de los re siduos forestales y agrícolas con fines energéticos: la presencia de una gran superficie agrí cola y forestal y la existencia de espacio s rurales económicamente desfavorecidos. Los datos del Anuario Estadístico Agrario de Aragón de 2003, 2004, 2005 (Departamento de Agricultura y Alimentación, 2007) indican que en 2005 la superficie catalogada como tierras de cultivo era de 442.4 90 ha, mientras que la correspondiente a terreno forestal era de 405.502 ha. La superficie forestal -donde se g eneran los residuos que se evalúan en este trabajo- supone el 27 % del total de territorio provincial, poniendo de manifiesto su importancia. Pero, como veremos más adelante, su distribución no es uniforme, concentrándose la mayor parte de la riqueza forestal en las sierr as ibéricas. Por otra parte, desde el punto de vista socio-económico, la provincia de Teruel es una de las más desfavorecidas del territorio español. De forma sintética puede def inirse como una provincia poco poblada, envejecida y que, económicamente, conserva un marcado carácter agrario con escaso desarrollo del sector in dustrial y de servicios. En las Estimación de biom asa residual mediante im ágenes de satélite y trabajo de ca mpo. Modelización del poten cial energético de los bosqu es turolenses 86 siguientes páginas se p resentan sus principales caracteres físicos y socio-económicos, con especial atención a los primeros e incluyendo una descripción de la cubierta fore stal. Figura 1.12. Localizació n del área de estu dio: la provincia de Teruel 1.5.1. Caracterización física de la provincia de Teruel En este apartado se van a analizar los diferentes aspectos ecogeog ráficos que condicionan la existencia, las caract erísticas y el desarrollo de los paisajes forestale s de Teruel: fisiográficos y lito-geológico s, climáticos, edáficos y biogeográficos. Las múltiples y complejas interrelaciones de todos ellos, junto con la acción antrópica ejercida a lo largo del tiempo, han configurado los bosques actuales que serán objeto de nuestra atención. 1.5.1.1. Aspectos fisiográficos y lito-geológicos La fisiografía de un territorio es un factor fundamental condicionante del desarrollo y distribución de las masas forestales. La a ltitud, la pendiente y la orientación son características topográficas que definen un territorio y le confieren unas determinadas propiedades para el desarrollo de la vegetación. Pero el papel del relieve va mucho más allá, ya que influye directamente en la confi guración de topoclimas al modificar elementos como las temperaturas, las precipitaciones y lo s vientos, además de otras características derivadas de éstos (iluminación, humedad, aridez...). Por su parte, la naturaleza litológica del sustrato condiciona en gran medida el tipo de suelo, si bien la formación final d e éste depende de una gran cantidad de agentes que intervienen en la eda fogénesis (clima, Capitulo 1: Antecedentes, objetiv os, m etodología y área de estudio 87 cubierta vegetal, pendiente...). El suelo es un factor ecológico de primer orden para la actividad vegetal, siendo a la vez sujeto agente y paciente de la misma. La provincia de Teruel queda enmarcada casi en su totalidad en el sector centroriental de la Cordillera Ibérica, situándose solame nte fuera de él su parte más septentrional, que forma parte de la Depresión del Ebro. Además, también en la parte norte, en la zona de los Puertos de Beceite, se produce el enlace con las alineaciones orográficas de la Cordillera Costero-Catalana (Gutiérrez y Peña, 1990). Esta localización en la zona central del Sist ema Ibérico explica sus rasgo s topográficos: un terreno bastante accidentado que se sitúa a una elevada altitud media, con el 60% de su territo rio por encima de los 1000 m de altitud sobre el nivel del mar. A pesar de esto, la energía del relieve no es muy importante y el aspecto general es macizo y pesado, rasgo agudizado por la planitud de sus cumbres. Estas características dotan al relieve de la provincia un carácter de altiplano que sólo se rompe por algunas incisiones fluviales, generándose en ellas lo s mayores valores de pendiente (Lozano, 2005a). Atendiendo a su fisiografía, la provincia puede dividirse en t res secto res (Figura 1.13): - Sector meridional. En esta zona se localizan las principales elevaciones montañosas: la Sierra de Javalambre (2.020 m), situada en el extremo sur, y la Sierra de Gúdar (2.019 m), emplazada en el sureste, estando separadas ambas por la Depresión del Mijares. Estos dos conjunto s montañosos se encuentran caracterizados por presentar un relieve masivo y alomado, obedeciendo sus contrastes al fuerte encajamiento de los ríos que las rodean. La Sierra de Gúdar se prolonga al oeste en la Sierra del P obo, cuya cima se sitúa por encima de los 1.700 m. Finalmente, en el extremo sureste, separado de la Sierra del Pobo por la depresión del Alfa mbra-Turia, aparece el conjunto de la Sierra de Albarracín, cuya cima se sitúa e n los 1920 m., siendo su relieve más enérgico que el de los anteriores conju ntos montañosos (Gutiérrez y Peña, 1990; Querol, 1995; González et al. , 2001). - Sector central. Esta zona está caracterizada por la presencia de relieves amesetados que apenas producen la sensación de relieve, a pesar de que el rango altitudinal se sitúa entre los 1000 y los 1.500 m (Gutiérrez y Peña, 1990). Las formaciones montañosas que apar ecen en esta área son, de oeste a este: Sierra Menera, Sierra de Cucalón, Sierra Palomera y Sierra de San Estimación de biom asa residual mediante im ágenes de satélite y trabajo de ca mpo. Modelización del poten cial energético de los bosqu es turolenses 88 Just. Estas sierras aparecen individualizadas por los ríos que forman las cuencas del Jiloca, Alfambra, Martín y Guadalope. - Sector nororiental. El relieve está compuesto por las sierras ibéricas más marginales, de menor altitud que las nombradas anteriormente e inter sectadas por los ríos Martín, Guadalope, Matarraña y sus afluentes, formándose depresiones de menor entidad que en el sector cent ral y meridional. Paulatinamente, el relieve va disminuyendo hacia el norte, hasta alcanzar la Depresión del Ebro, que presenta en esta zona altitudes inf eriores a los 400 m (Gutiérrez y Peña, 1990). Figura 1.13. M apa fisiográ fico de la provincia de Teruel Este territorio se constituye como un nudo hidrográfico de primer orden en la Península Ibérica, ya que en él se localiza la cabecera del río Tajo que estable ce la divisoria entre la vertiente atlántica y mediterránea. Además, dentro de esta última se distinguen los límites de la Cuenca del Ebro (ríos Jiloca, Huerva, Aguasvivas, Martín, Guadalope, Matarraña y Algás) y los de las cuencas de pequeños ríos que v ierten directamente al Mediterráneo (Cabriel-Júcar, Guadalaviar-Turia y Mijares). Todos estos ríos se caracterizan por tener un escaso caudal, marcados contrastes e stacionales y una Capitulo 1: Antecedentes, objetiv os, m etodología y área de estudio 89 importante irregularidad interanual producto de un régime n pluvial mediterráneo. Otro hecho destacable es la presencia de zonas endorreicas, co mo las saladas de Alcañiz, en el Bajo Aragón, y la Laguna de Gallocanta, cerca de la depresión del Jiloca (Lozano, 2005a). El sustrato geológico se caracteriza por su varie dad litológica y cronoestratigráfica. Existen diversos afloramientos paleozoicos de cuarcitas y pizarras que se localizan en la mitad occidental (Sierra de Carbonera, Sierra de Tremedal, Sierra Menera, Sierra de Cucalón), aunque los materiales más representativos pertenecen al Mesozoico. De este grupo de materiales destacan, dentro del Triá sico, las areniscas y conglomerados del Rodeno y las barras dolomíticas y de arcillas ye síferas que orlan los macizos paleo zoicos o afloran en núcleos anticlinales; por su parte, el Jurásico está ampliamente representado en la Sierra de Albarracín, Javala mbre y en las sierras del Bajo Aragón; por último, los materiales cretácicos están bien representados en el área d e Gúdar-Maestrazgo. Todos estos afloramientos están afectado s por la tectónica Alpina en varias fases, adaptá ndose a dos direcciones dominantes: NO-SE ( dirección ibérica ) y la NE-SO ( dirección catalana ). Las depresiones tectónicas que se generaron durante las fases dist ensivas (Depresión del Ebro, Alfambra-Teruel, etc.) se rellenaron principalmente de materiales terciar ios de carácter detrítico y lacu stre, la mayoría de ellos neógenos. Estas cue ncas y otras más recientes -como las del Jiloca, Mijares y Gallocanta- presentan también formaciones de edad pliocuaternaria y cuaternaria (Gutiérrez y Peña, 1990; Lozano, 20 05a). En cuanto a la geomorfología, es de destacar la variedad de formas presentes en sus paisajes como fruto de la diversidad estructural y del modelado de los agentes erosivos, que se han dado en situaciones muy contrastadas a lo largo de su historia geológica, destacando la huella de los climas cálidos que se dieron en el Terciario y las fases frías del Cuaternario. Entre las distintas geoformas destacan tres: (i) las superficies de erosión de edad terciaria, responsables d e las altiplanicies ya comentadas; (ii) los paisajes kársticos, mod elados principalmente en época pliocena sobre las planicies de rocas carbonatadas; y (iii) el modelado cuatern ario presente en las zonas de depr esión (mantos aluviales modelados en glacis, glacis de acumulación, sistema s de terrazas…) y en las zonas de sierra (procesos periglaciares en las zonas más elevadas y presencia de estrechas gargantas modeladas por la erosió n fluvial). En la actualidad los procesos geomorfológicos presentes son lo s propios de medios semiáridos en la mayor parte de la provincia, manifestándose procesos perigla ciares en los macizos más elevados durante los meses más fríos (Gutiérrez y Peña, 1990; Peña et al. , 2002a; Lozano, 2005a). Estimación de biom asa residual mediante im ágenes de satélite y trabajo de ca mpo. Modelización del poten cial energético de los bosqu es turolenses 96 grúa integrada en la caja del camión; otro factor de mejora es la con strucción de una red de vías de saca. La difícil orografía, la est ructura de la propiedad y la forma de aprovechamiento de los montes han hecho que no se incorporen sistemas más modernos de explotación. Así, los trabajos forestales sigue n siendo duros, a lo que se une la escasa consideración social dada a los tr abajos forestales. Esto conlleva un a falta de personal cualificado y la desaparición de autónomos y pequeñas empresas especializadas que, tradicionalmente, realizaban los procesos de explotación fore stal. Al igual que en el resto de España, en las ú ltimas décadas se ha pr oducido una constante disminució n del volumen de maderas aprovechadas cada año en los bosques de mo ntaña. La presión existente contra las cortas de madera y el descenso de los precios de la madera en pie hace que apenas se ejecuten los aprovechami entos previstos, poniendo en riesgo el cumplimiento de los objetivos de re generación. Todas estas circunstancias ha cen que la explotación de los bosques sea ca da vez menos rentable, por lo que los trabajos de poda, clareo, etc., tan importantes para la eliminación del peligro de incendios y plagas, son cada vez menos abundantes (Ministerio de Medio Ambiente, 1996). Aun así, el bosque continúa siendo fuente de riqueza para el medio rural turolense, manteniéndose la explotación directa de su madera en las zonas de sierra del sector meridional e increm entándose otros usos y aprovechamientos a escala provincial, como la caza o la recolección de set as. Con vistas al futuro, la gestión y conservación del monte por los habitantes de estos territorios es una de sus principales alternativas económicas (Guillén, 2005a). Por último, reco rdar en este punto los beneficios socio- económicos (aumento de las rentas agrarias, aparición de empresas, mejora de las infraestructuras, fijación de població n…) y medioambientales (disminución del riesgo de incendio, mejora del estado de las masas, etc.) que a escala local podría generar el aprovechamiento energético de los r esiduos forestales de estos bosques. 1.5.1.4.2. Otras formaciones vegetales Aproximadamente una cuarta parte de la provincia está ocupada por matorrales de sustitución y pastizales xerófilos, incluyendo formaciones gipsófila s y matorrales de cumbre y parameras. Precisamente en esta zona de las altas parameras predo minan caméfitos almohadillados que alternan con la presencia de sabina rastrera ( Juniperus sabina ), enebro ( Juniperus comm unis communis ) y sabina albar ( Juniperus thurifera ). En las zonas más pobres y secas d e la provincia, sobre litologías calcáreas, pred ominan formaciones de matorral de aliaga ( Genista scorpius ), tomillo ( Thymus vulgaris ), romero ( Rosmarinus officinalis ) y lastón ( Brachypodium retusum ). En cambio, bajo estas mismas Capitulo 1: Antecedentes, objetiv os, m etodología y área de estudio 97 condiciones, pero sobre yesos, aparecen algunos endemismos como el asnallo ( Ononis tridentata ), la albada ( Gypsophila hispanica ) y el albardín ( Lygeum spartum ). Por último, destacar la existencia d e ambientes azonales, como las reducidas formaciones de ribera compuestas principalmente por chopos ( Populus nigra ), que aparecen acompañados por especies del genero Tamarix en el caso de formaciones de ribera en zonas endorreicas con acumulación de sales, como la Laguna de Gallocanta, apareciendo también sosas ( Suaeda vera ) y salicornias y pastos halófilos ( Puccinellia ) (Longares, 20 05). 1.5.2. Caracterización socio-económi ca de la provincia de Teruel La provincia de Teruel puede considerarse como uno de los territorios más representativos de los medio rurales europeos de carácter marginal. Como se ha señalado anteriormente, se trata de un territorio muy diverso, circunstancia ésta que le concede ser una tierra con muchas posibilidades, pero que se encuentra afectado por muchas desigualdades que amenazan su porvenir (Guillén y Lozano, 2005). 1.5.2.1. Modelo territorial y aspectos demográficos El modelo territorial actual de la provincia de T eruel se enmarca en el contexto de la crisis demográfica y funcional que ha af ectado a numerosos territorio s europeos desde la Segunda Guerra Mundial. El origen de esta crisis hay que buscarlo en el masivo éxodo rural, movimiento debido a la atracción que los centros urbanos producían -y producen- sobre la población del medio rural, dada la mayor concentración de capital existente en ellos, hecho que con lleva un mayor crecimiento económico y, por consiguiente, la generación de mayores oportunidades de empleo y bienestar social. El vaciado demográfico producido en la provincia de Teruel por el éxodo rural no fue compensado por el saldo natural, produciéndose un vaciado poblacional del territo rio que llevó a la consiguiente pérdida del tejido eco nómico y de servicios (Rubio, 2005a). En concreto, la provincia de Teruel perdió entre 1900 y 2004 un 45% de su población inicial, existiendo algunos municipios con perdidas poblacionale s superiores al 95% (Guillén, 2005b). En 2004 la provincia de Teruel contaba con un total de 139.333 habitantes, lo que la convertía en la segunda provincia menos poblada de España, siendo tan sólo superada por la provincia de Soria (Guillén, 2005b). Considerando sus más de 14.000 km 2 de superficie, la densidad de población es inferior a 10 hab/km 2 , por lo que se pued e hablar casi de “desierto demográfico” (Rubio, 2005a). En cuanto al reparto de la población en ese mismo año, el 34% se asentaba en los do s únicos centros urban os de la provincia (Teruel y Alcañiz), encontrándose el resto de la población en municipios que no Estimación de biom asa residual mediante im ágenes de satélite y trabajo de ca mpo. Modelización del poten cial energético de los bosqu es turolenses 98 sobrepasaban los 10.000 habitant es, siendo importante el número de los de menos de 500 habitantes (80% del total de municipios). De esta manera, las densidades de población más importantes se encu entran en la capital y en la zona del Bajo Aragón, siendo las áreas de montaña las que presentan valores de densidad de población menores (<1 hab/km 2 ). Los datos anteriores señalan dos aspectos fundamentales del sistema de poblamiento provincial: la excesiva atom ización de la red de asentamientos y la inexistencia de una adecuada estructura jerárquica, definida por el predominio de los núcleos con escasa pob lación y por la ausen cia de asentamientos de carácter interm edio capaces de vertebrar el territorio. Otros dos rasgos de finitorios son el progresivo envejecimiento en la estructura demográfic a provincial, siendo este proceso mucho más acusado en aquellos municipios de carácter más rural, y la alta tasa de masculinidad, rasgo este último característico de territorios ru rales poco dinámicos. Para finalizar este esbozo de la situación demográfica de la provincia, dest acar el horizonte esperanzador abierto por la llegada de población extranjera en la segunda mitad de los 90, que hizo que en 1998 se alcanzara, por primera vez en 100 años, un saldo migratorio positivo. La importancia de la llegada de población extranjera radica, más que en su número (sólo representan el 5% del total de población), en las características de los recién lleg ados: jóvenes en edad laboral y con capacidad de aumentar la natalidad (Guillén, 2005b). Figura 1.14. Di visión comarcal de la provincia de Teruel Capitulo 1: Antecedentes, objetiv os, m etodología y área de estudio 99 La provincia de Teruel se divide administrativamente en 236 municipios que se integran en 10 comarcas (Figura 1.14), que se han ido creando en distintas fechas a partir de la Ley 10/1993, de 4 de noviembre, de Comarcalización de Aragón (BOA núm. 133 de 19/11/1993): Andorra–Sierra los Arcos, Bajo Aragón, Bajo Martín, Comunidad de Teruel, Cuencas Mineras, Gúdar–Javalambre, Jiloca, Maestrazgo, Matarraña y Sierra de Albarracín. 1.5.2.2. Actividades económicas El envejecimiento en la estructura poblacional es un gra ve problema social y económico para la provincia de Teruel que afecta de forma decisiva a su potencial de desarrollo. Así, el porcentaje de población activa provincial en 2001 era del 47%, inferior tanto a la media de Aragón (54%) como a la española (56%), existiendo municipios con tasas inferiores al 30%. Por su parte, la tasa d e paro provincial, tomando los datos del cuarto trimestre de 2004, puede considerarse como baja, ya que se situaba en el 5% de la población activa, por debajo de la mitad de la tasa registrada en el conjunto nacional (10%); las razones so n dos: la baja tasa de actividad y el carácter de la estr uctura económica de la provincia, ya que las actividad es agrarias y de servicios, caracterizadas ambas por un importante porcentaje de autoempleo, aportan un alto grado de estabilidad al conjunto del mercado laboral (Guillén, 2005b). La economía de la provincia es cad a vez más abierta, aunque con una tendencia a la especialización espacial. La s actividades agrarias siguen siendo la principal forma de uso del territorio, aunque su papel es decrecie nte en cuestiones como la generación de rentas y la participación en el mercado de trabajo, pudiéndose hablar incluso de una “desagrarización” de la provincia (Rubio, 2005a). Algunos de los aspectos que caracterizan al sector agrario turolense son: (i) el bajo porcentaje de Superficie Agraria Útil (SAU), en torno al 50% de la superficie, lo que indirectamente señala la importancia de otros usos del suelo (forestal, erial-pastos…); (ii) la extensión de los cultivos herbáceos, fundamentalmente el cereal extensivo de se cano (52% de la SAU), aunque la variedad climática permite la existencia de otros cultivos como los frutales, la vid y el olivo; (iii) la baja produ ctividad como resultado de la elevada media de edad d e la población activa en este sector, su escasa cualifica ción, la atomización de las explotaciones, la escasez de tierr as de regadío y los rigores del medio físico; (iv) la escasa competitividad de las explotaciones con tierras, tanto por su tamaño (74 ha de media) como por su alto grado de parcelación (31 parcelas por explotación), siendo la extensión media por parcela solamente de 0,79 ha; (v) la elevada edad de los jefes de Estimación de biom asa residual mediante im ágenes de satélite y trabajo de ca mpo. Modelización del poten cial energético de los bosqu es turolenses 100 explotación y la falta de formación agraria, que constituyen una barrera fundamental a la hora de aplicar innovaciones; (vi) la escasa capacidad del sector a la hora de crear empleo, más allá del autoempleo; y (vii) el auge de la agricultura a tiempo parcial. Pese a los anteriores condicionantes, la actividad agraria concentraba en 2001 alrededor de un 14% de los o cupados totales de la provin cia. Otro hecho importante a destacar es que el agrícola, ju nto con el ganadero, sigue siendo un sector estratégico para la provincia, ya que en muchas localidades rurales e s su único motor económico (Guillén, 2005c). Una de cada tres explotaciones agrarias mantiene una orientación ganadera, siendo la presión gana dera provincial de 0,44 Unidades de Ganado Mayor (UGM) por hectárea de SAU y de 51,4 UGM por explotación. El ganado porcino (en régimen intensivo) constituye un 57% del censo, siendo el ovino (semiextensivo) el segundo más importante con un 29%. La explicación del predominio de estas dos cabañas ganaderas se encuentra e n el empuje dado por las denominaciones de origen Jamón de Teruel y Ternasco de Aragón, que aseguran a los ganaderos rentas superiores a las obtenidas cuando se trabaja con producciones no certificadas (Ru bio, 2005b). Al contrario que la agraria, las actividades industriales y terciarias se encuentran en crecimiento (Rubio, 2005a). Entre las primeras se incluye el sector minero-energético, de gran tradición dada la existencia de importantes reserv as mineras, sobre todo de carbón. A pesar de la perdida de importancia, desde mediados de los 50, del carbón como fuente energética a escala nacional y de los diversos procesos de reconversión sufridos en el sector, la actividad minero-energética sigue siendo de gran importancia para la economía turolense, especialmente por cuanto su impacto económico se localiza sobre todo en dos comarcas: Andorra-Sierra los Arcos y Cuencas Mineras. En la actualidad, la producción de carbón se destina a alimentar las dos ce ntrales termoeléctricas emplazadas en la provincia, en Andorra y en Escucha. El futuro de este sector en la provincia depende de los cambios en la p olítica energética nacional y comunitaria, siendo una de las principales alternativas la reorientación del actual sector hacia la producción de energías re novables (Rubio y Royo, 2005a). Procede destacar una vez más en este punto las posibilidade s que tendría el aprovechamiento de la biomasa residual forestal, dada la existencia de una importante masa forestal y la tradición que la provincia tiene en el sector energético. El peso de actividad industrial no es tan notable como en otras provincias, aportando el 38% del Valor Añadido Bruto (VAB) y el 31% del empleo. Tres son las Capitulo 1: Antecedentes, objetiv os, m etodología y área de estudio 101 ramas industriales que destacan en la provincia de Teruel: (i) la agroalimentaria, co n presencia en todas sus comarcas y con un futuro asegurado gracias a las cuatro denominaciones de origen existentes; (ii) la de transformados metálicos, compuesta por grandes empresas concentradas en la zona de la capital y en la comarca de Cuencas Mineras y por pequeños talleres dispersos por toda la provincia; y, finalmente, (iii) la construcción, que es la principal actividad secundaria en todas las comarcas. La actividad industrial ha mejorado progresivamente sus cifr as en la economía provincial, adsorbiendo las dificultades generadas por el proceso de reconversión del sector minero-energético (Rubio y Royo, 2005b). Dentro del sector terciario, el comercio es la rama más importante, ya que tan sólo las actividades agrarias superan e l número de personas empleadas en esta actividad. Además de por este dato, el comercio también es importante porque contribuye a dinamizar económicamente otras actividades y garantiza la calidad de vida de la población. Existe un dominio de establecimientos comerciales de pequeño tamaño y carácter familiar, con una tenden cia a la concentración d e bienes y servicios ofertados, destacado el porcentaje de comercios clasificad os como mixtos por secciones, similares a los supermercados. En cuanto a su distribución territorial, como es lógico, existe una mayor concentración en las comarcas en la s que el volumen de población es mayor (comarca de Teruel y Bajo Aragón) (Guillén, 2005d). Por último, puede destacarse la importancia del turismo, considerado tradicionalmente como uno de lo s puntos fuertes de la provincia p ara potenciar su desarrollo económico. Para ello, la provincia de Teruel cuenta con los tres elementos necesarios: (i) existencia de unos recursos atractiv os, tanto cuantitativa como cualitativamente, basados en su diversidad natural y cultural (ciudad de Albarracín, arte Mudéjar, Dinópolis…), destacando su alto gr ado de conservación, sobre todo de los naturales; (ii) existencia de una demanda interesada en conocer esta oferta, básicamente formada por una sociedad urbana que demuestra un creciente interés por disfrut ar su tiempo libre en el medio rural; y (iii) existencia de una infraestructura y gestión turísticas adecuadas, basadas en la calidad pero sin descuidar el mantenimiento del carácter de ruralidad que atrae a la demanda. En este sentido las instituciones implicadas deben centrar sus esfuerzos en acciones encaminadas al fomento de la calida d, la profesionalización del sector y su ordenación territorial (Guillén, 2005e). Estimación de biom asa residual mediante im ágenes de satélite y trabajo de ca mpo. Modelización del poten cial energético de los bosqu es turolenses 102 1.5.2.3. Infraestructuras, transporte e infoestructuras La carencia de infraest ructuras de la pr ovincia de Teruel es el principal fa ctor limitante de cara al desarrollo económico territorial. La ausencia de vías de gran capacidad y de conexiones ferroviarias de alta velocidad supone una deficiencia estructural que afecta a todos los componentes de su organización territ orial y que sitúa a esta provincia -a pesar de su interesante posición ge oestratégica- en una clara desventaja competitiva respecto de otras. Esta carencia de infraestructuras se manif iesta tanto en la cantidad como en la calidad y afecta a la movilidad intraprovincial e interprovincial. Dos hechos que ponen de manifiesto estas afirmaciones son que hasta 2001 no había ningún kilómetro de autovía construido y que, aún en la actualidad, Teruel capital sigue siendo la única capital provincial peninsular sin conexión ferroviaria con Madrid. Respecto de la movilidad intraprovincial, las limitaciones impuestas por el medio físico no han sido superadas po r las infraestructuras viarias prese ntes, lo que ha impedido la completa vertebración de la provincia; sólo 100 de los 3.000 km de red viaria existentes son de vía rápida (Autovía Mudéjar, A-23), correspondiendo un 50% de las carreteras a vías de una sola calzada con menos de 7 m de anchura (Guillen, 2005f). Esta realidad tan desfavorable para la provincia está intentando ser corr egida por las diferentes Administraciones; de esta manera dos mejoras sustan ciales en materia de infraestructura y transportes que se han ejecutado en los últimos años son la A utovía Mudéjar y la renovación de la vía férrea Zar agoza-Valencia. En cuanto a actu aciones futuras, el Plan Estratégico de Infrae structuras y Transportes (PEIT) pretende convertir la capital provincial en un centro inte rmodal de transporte, importante a escala regional, aprovechando la Autovía Mudéjar y el desarrollo de una conexión férrea e ntre el Cantábrico y el Mediterráneo. Otras actuaciones en esta materia no contempladas y demandadas por los agentes so ciales provinciales son el desdoblamiento de la carretera que comunica Zaragoza con el Mediterráneo por el Bajo Aragón (N-232) y la cone xión directa entre Teruel y Madrid mediante alta velocidad. Estas obras, junto con las previstas por el PEIT, permitirían que Teruel no quede definitivamente fuera de las redes internacionales de transporte en los próximos años, lo que de producirse sería un serio lastre para el futuro socio-económico de la provincia (Guillén, 2005f). Finalmente, comentar la situación de las infoestructuras de la provincia, entendidas éstas como “el conjun to de elementos y servicios que, estrechamente relacionados con las nuevas Tecnologías de la Información y la Comunicación (TIC), permiten el desarrollo social y económico de todo grupo hu mano” (Guillén, 2005g). Las Capitulo 1: Antecedentes, objetiv os, m etodología y área de estudio 103 características de la provincia de Teruel hasta ahora comentadas (difícil medio físico, baja densidad de población, carácter rural de los asentamientos, deficiencia de infraestructuras de tran sporte) convierten a las infoe structuras como Internet en una herramienta fundamental para el desarrollo del potencial económico del territorio y para elevar la calidad de vida de sus habitantes. Sin embargo, a pesar de los esfuerzos realizados por las distintas Administracione s (programas “Teruel Digital” e “Internet Rural”), las cifras que se tienen sobre el acceso y uso de las TIC en la provincia están todavía lejos de las registradas a nivel regional (Guillén, 20 05g). CAPÍTULO 2: OBTENCIÓN DE LAS V ARIABLES A EMPLEAR EN EL MODELO DE ESTIMACIÓN DE LA BIOMASA RESIDUAL FOREST AL POTENCIAL DE LA PROVINCIA DE TERUEL Estimación de biom asa residual mediante im ágenes de satélite y trabajo de ca mpo. Modelización del poten cial energético de los bosqu es turolenses 112 utilización de un a báscula roman a que perm itió una precisión de 250 gramo s. - Se procedió entonce s a recoger en cada ár bo l una muestra d e acículas y otra de ramas, procu rando e xtraer fracci ones en las di ferentes orientaci ones y al turas . - Cada una de las muestras fue guardada herméticamente y llevada al laboratorio, donde fueron sometidas a un proceso de secado a 105 ºC hasta llegar a un peso constante (Ketterings et al. , 200 1; Joosten et al . , 2004). - Finalmente, el peso en seco de la biomasa residual forestal ( BT ) se calculó a partir del peso en húmedo, la humedad de las muestras y la proporción de acículas y ramas para cada especie. Esta última variable se obtuvo mediante la información existente en el Inventari Ecologic y Forestal de Catalunya (CREAF, 2000), comprobándose que, dadas las pequeñas diferencias en la humedad de las acículas y las ramas muestreadas, pequeñas variaciones en las proporciones de éstas no influían apenas en el peso seco de la biomasa residual de cada árbol. B A D C Figura 2.3. A) Materiales utilizados en el tr abajo de campo; B) pie arbóreo ap eado desra mado y despuntado; C) medición de la altura posterior al apeo; D) pesada de la biomasa en húmedo Capitulo 2: Obtención de l as variables a em plear en el modelo de estim ación de la biomasa … 113 La Figura 2.3 muest ra el instrumenta l utilizado y distintas fa ses del pro ceso; la Tabla 2.2 ofrece una de scripción estadística de la muestra ob tenida mediante trabajo de campo. Muestreado Repo blación dbh Biomasa residual (p eso en seco ) Especie Nº pies (%) Nº pies y (%) rango (cm) Media (kg) Desv. est. (kg) Error est. Media (kg) P. sylvest ris 30 15,7% -- 10,5-38,6 59,73 46,71 8,52 P. halepensis 59 31,1% 34 (57,6%) 7, 7-34,2 54,30 54,20 7,05 P. nigra 57 30,0% 47 (82,5%) 9, 7-39,9 54,39 50,59 6,70 P. pinaster 40 23,2% 12 (27,3%) 7, 8-41,7 42,77 39,83 6,00 Total 186 100,0% -- 7,7-41,7 52,51 48,87 3,54 Tabla 2.2. Co mposición de la muest ra por especies : nº de pies y % sobre el tota l muestrea do, nº y % de pies proce dentes de re poblaciones, ra ngo de los diáme tros muestreados , desviación e stándar y error estándar d e la media de la biomasa resid ual forestal (peso en seco ). Fuente: Alonso et al. (2005) 2.1.1.2. Análisis estadístico y ajuste de las regresiones de estimación de biomasa residual forestal por árbol 2.1.1.2.1. Análisis estadístico Para cada una de las especies muestreadas se realizó un análisis estadístico individualizado, seleccionándose en cada caso la forma de la ecuación de regresión óptima que minimizara la variabilidad no explicada. El procedimiento comenzó con un análisis gráfico de la respuesta ( BT , peso de la biomasa residual forestal a humedad cero) frente a las dos potenciales covariables numéricas más influyentes en los t rabajos de biomasa ( dbh y ALT ). En esta aproximación las cuatro especies mostraron una relación no lineal entre la re spuesta y el diámetro. Además, en este primer análisis, también se detectó la existencia de dos sub-poblaciones dentro de la muestra de P. pinaster , ya que para un mismo valor de dbh se observó una mayor BT en los pies procedentes de repoblaciones que en los de origen natural. En segundo lugar, teniendo en cuenta las conclusiones extraídas del análisis gráfico, se propuso un modelo de regresión no lineal sigu iendo una forma ampliada del modelo alométrico tradicional (Ecuación 20); esta forma aparece en los trabajos de Bartelink (1997) y Esteban y Carrasco (2001). Una de las características importantes de este modelo es ser lo suficientemente plástico para mostrar relaciones directas (valores positivos de b o c ) o inversas (valores negativos) con las covariables. c b ALT dbh a BT • • = Ecuación 20 donde a es el coeficiente de la variable dbh (diámetro medio medido a 1,30 cm del suelo), ALT es la altura, b y c son los exponentes modificadores de las variables dbh y ALT . Estimación de biom asa residual mediante im ágenes de satélite y trabajo de ca mpo. Modelización del poten cial energético de los bosqu es turolenses 114 En este paso se obtuvieron, además de la estimación puntual, intervalos de confianza al 95% para los exponentes b y c. Esto permitió contrastar la hipótesis de si el exponente c era nulo, situación que, de producirse, era indicadora de que la covariable ALT no era útil para la r egresión, con lo que la Ecuación 20 perdería su segundo té rmino y coincidiría con la alométrica citada con recurrencia en la bibliografía científica (Termikaelian y Korzukhin, 1997; Zianis y Mencuccini, 20 04). Para analizar la influencia del origen de la masa forestal (natural o rep oblada) se propuso una modificación de la Ecuación 20 que estribaba en la inclusión de un factor binario ( ORIGEN ), que distingue entre los árboles muestreados que proceden de masas repobladas ( ORIGEN =0) y los de masas forestales de origen natural ( ORIGEN =1). Este factor binario se aplicó sobre los exponentes que acompañan a ambas covariables (Ecuación 21). ORIGEN e c ORIGEN d b ALT dbh a BT ∗ + ∗ + • • = Ecuación 21 donde a es el coeficiente de la variable dbh (diámetro medio medido a 1,30 cm del suelo), ALT es la altura, b y d son los exponentes que modifican a la variable dbh , c y e son los exponentes que modifican a la variable ALT y ORIGEN es el factor binario que controla la influencia de la procede ncia de la masa forestal. Sobre la base de estas dos ecuaciones se llevó a cabo el paso de crítica del modelo de regresión. Para ello, en primer lugar, se analizó la presencia de datos atípicos, que correspondían a casos aislado s que no eran representativos de la población o que resultaban en exceso influyentes en el pr oceso de estimación y producían una deformación en los parámetros est imados. Para identificarlos se utilizó el criterio de la distancia de Cook, eliminándose aquellas observaciones cuyas distancias superaban en más de tres veces la segunda distancia de Cook más grande. En segundo lugar, se procedió a la verificación de los supuestos esta dísticos básicos relativos a la influencia de las covariables: la normalidad de lo s residuos (test de Kolmogorov-Smirnov; p>0,05 ), su homocedasticidad (test de Levene aplicado a los grupos e stablecidos en función de la clase diamétrica; p>0,01 ) y, por último, la independencia estadística de las muest ras, la cual, en principio, estaba asegurada por el procedimiento de muestreo seguido. Cuando los residuos mostraron heterocedasticidad -situación basta nte común de acuerdo con la bibliografía (Crow y Laidly, 1980; Parresol, 1999)- se procedió a rehacer la regresión con pesos X -k , que ponderaban cada ob servación inversamente respecto a la variabilida d que Capitulo 2: Obtención de l as variables a em plear en el modelo de estim ación de la biomasa … 115 presentaba en el modelo de regresión, estudiándose qué p esos eran los que resuelven correctamente el problema de heterocedasticida d (Ecuación 22). A este respecto, señalar que las regresiones co n pesos se han mostrado como alternativa aceptable, incluso ventajosa, a las transformaciones logarítmicas para solventar el problema de heterocedasticidad de los residuos, evitando el sesgo incurr ido en la transformación del modelo logarítmico para realizar predicciones (Crow y Laidly, 1980). k c b k X ALT dbh a X BT − − • • • = • ) ( Ecuación 22 donde a es el coeficiente de la variable dbh (diámetro medio medido a 1,30 cm del suelo), ALT es la altura, b es el exponente que modifica a la variable dbh , c es el exponente que modifica a la variable ALT y X -k e s el peso que homogeniza adecuada mente la varianza de los residuos. Al final del proceso, se consideró satisfactoria para cada especie la ecuación de las expresadas que sup eró el paso de crítica del modelo de regresión, siendo utilizado el procedimiento por pasos hacia delante del programa estadístico SPSS para determinar los modelos idóneos. En el caso de que más de un modelo superara la fase crítica, se seleccionó, tal y como se ha señalado más arriba, el q ue más minimizaba el error estándar asociado a la respuesta ( BT ). Aunque las ecuaciones descritas en este subapartado sólo tienen en cuenta las variables dimensionales dbh y ALT , es conveniente señalar que también se estudió la introducción en ellas de la variable DENS , así como la posibilidad de utilizar modelos de tipo polinómico, logarítmicos y exponenciales, siendo u tilizado, como veremos más adelante, uno de estos ú ltimos para la estimación de la biomasa residual de P. nigra . Más detalles sobre este análisis esta dístico pueden encontrarse en Alonso et al. (2005). 2.1.1.2.2. Ajuste de las regresiones de estim ación de biomasa residual forestal por á rbol La Tabla 2.3 muestra las ecuaciones de estimación de biomasa residual foresta l por árbol obtenidas para cada especie; dos en el caso de P. pinaster . Junto a las expresiones matemáticas se incluye información e stadística sobre su f iabilidad e información sobre la eliminación de casos y pesos aplicados. La regresión obtenida para P. sylvestris result ó especialmente sencilla. Para su ajuste no fue necesario eliminar ninguna de las observaciones de la muestra, ya que ninguna de ellas presentaba valores atípicos en función del criterio expresado. Así Estimación de biom asa residual mediante im ágenes de satélite y trabajo de ca mpo. Modelización del poten cial energético de los bosqu es turolenses 116 mismo, tampoco fue necesaria la aplicación de pesos X -k , dado que los residuales no mostraban indicio alguno de heterocedasticidad. El ajuste obtenido se consideró muy satisfactorio, ya que la desviación típica inicial de la respuesta (46,71 kg) se ha reducido a una variabilidad aleatoria de 12,30 kg por árbol. El modelo ajustado para P. halepensis es muy similar al anterior. Aunque en principio los exponentes b y c tomaron los valores de 2,92 y -0,92, respectivamente, éstos fueron remplazados por los valores enteros 3 y -1, dado que sus intervalos de confianza contienen estos valores, por lo que son compatibles con la información muestral. Esta regresión sí que requirió el uso de un peso X -k , dado por el inverso del diámetro ( 1/dbh ), en los árboles procedentes de repoblaciones y la mitad para los de origen natural ( 1/2•dbh ), puesto que se observó una variabilidad creciente con el diámetro, más acentuada en los pies de origen natural. Por último, este modelo de regresión, al igual que el de P. syilvestr is , también proporciona una fuerte re ducción de la variabilid ad no explicada, ya que la desviación típica de la biomasa residual en la muestra era de 54,20 kg, mientras que el valor estimado en un pie tiene una desviación típica de sólo 13,0 6 kg. Aunque el modelo de Ecuación 20 para P. nigra mostró re sultados satisfactorios, el ajuste de un modelo exponencial presentó un error estándar de la respuesta menor, por lo que este último fue el seleccionado. Además de est a particularidad respect o a las dos especies anteriores, otra diferencia es la au sencia de la variable ALT en la ecuación. Por otra parte, la creciente variabilidad de los residuos de este modelo con el diá metro obligó a realizar una ponderación para verificar la hipótesis d e homocedasticidad, usando para ello el inverso del diámetro. Por último, como se detectó desde un principio en el análisis gráfico, fue necesario ajustar dos ecuaciones distintas para P. Pinaster: una para los pies de origen natural y otra para los pies de origen artificial. La Ecuación 21 indicó que había diferencias significativas entre los parámetros de ambos grupos, confirmando lo ya observado en el análisis gráfico. Aunque el rango de valores de diámetro muestreado en la s tareas de campo fue bastante menor en los pies artificiales, el rango de estos pies en la provincia, según los datos del IFN-2, es bastante reducido (7,75-31,65), por lo que está bien cubierto a pesar de que no fue una covariable considerada al diseñar el muestreo. La principal diferencia en las ecuaciones de regresión de ambas subpoblaciones se encuentra en la relación biomasa-altura, que es directa para los pies artificiales (exponente positivo, 0,33) e inversa para los naturales (exponente negativo, -1). Esta Capitulo 2: Obtención de l as variables a em plear en el modelo de estim ación de la biomasa … 117 última relación inversa ha sido también observada en el resto de las especies y en otros estudios (Perala y Alban, 1994), mientras que el exponente positivo solamente aparece para la subpoblación de artificiales, aunque con un valor muy bajo, por lo que la ecuación resultante es bastante similar a la alométrica. A pesar de esto, la covariable ALT se termina incluyendo en la ecuación de regresión porque minimiza en mayor medida el error asociado a la respuesta que el uso de la alométrica. Sin embargo, es necesario señalar que el pequeño tamaño muestral de esta subpobla ción (12 pies) condiciona la validez del análisis. Por otra parte, dos observaciones fueron retiradas de la muestr a correspondiente a los pies naturales por considerarse atípicas. La ecuación resultante fue aceptada a pesar de que el p-valor de Levene, que valida la hipótesis de homocedasticidad, rozaba el valor crítico. Finalmente señalar que, como en los caso s anteriores, la reducción de la desvia ción típica de la biomasa residual lograda por las dos ecuaciones es importante, ya que, frente a los 39,83 kg de la muestra total de P. Pinaster , la desviación típica es de 12,18 kg p ara los pies artificiales y 6,00 kg para los naturales. Especie Modelo R 2 adj Desv. (kg) Casos elimin. Peso (X -k ) p-KS p-Lev P. sylvest ris BT=0,064· dbh 3,3 /ALT 1,5 0,974 12,30 - - 0,682 0,122 P. halepensis BT=0,067·dbh 3 /ALT 0,969 13,06 - 1/(dbh · (1+ORI )) 0,689 0,061 P. nigra BT=338,416·e -35,116/dbh 0,910 18,84 2 1/dbh 0,814 0,031 P. pinaster Artificial BT=1,97·10 -4 ·dbh 3,823 ·ALT 0,337 0,974 12,18 - - 0,116 0,056 P. pinaster Natural BT=1,101·10 -3 ·dbh 4 /ALT 0,973 6,00 2 - 0,174 0,013 Tabla 2.3. Mo delos de re gresión ajustados para la e stimación de bi omasa res idual, R 2 ajus tado, desviación típica, nº de casos eliminad os, expresión de los pesos utilizados y p-valor de los estadístic os de Kolmogorov-Smirnov y Lev ene. Fuente: A lonso et al . (2005) Como último paso para validar la bondad de los modelos de regresión propuestos, éstos fueron comparados con la for ma que hubieran adquirido si se hubiera ajusta do un modelo alométrico tradicional. La Tabla 2.4 muestra cómo el R 2 ajustado es siempre mayor en las regresiones aquí ajustadas que en sus respectivos modelos alométricos, mientras que la desviación típica de la biomasa residual es siempre menor. Así pues, la utilización de la forma alométrica ampliada de la Ecuación 20 ha sido positiva, ya que se han mejorado las estimaciones que se hubieran obtenido siguiendo la forma tradicional. La Tabla 2.4 recoge también una ecuación de regresión única ajustada para estimar conjuntamente la biomasa residual de las cuatro especies de pinos consideradas, así como su respectiva forma alométrica. Tal y como indican el coeficiente de Estimación de biom asa residual mediante im ágenes de satélite y trabajo de ca mpo. Modelización del poten cial energético de los bosqu es turolenses 118 determinación y el error estándar, estas dos ecuaciones únicas ofrecen peores resultados que considerando cada especie por separado, por lo que su uso fue desechado. Especie Modelo ajustado R 2 adj Desv. (kg) Modelo alométrico R 2 adj Desv. (kg) P. sylvest ris BT=0,064·dbh 3,3 /ALT 1,5 0,974 12,30 BT= 0,049·dbh 2,2 0,945 17,97 P. halepensis BT =0,067·dbh 3 /ALT 0,969 13,06 BT=0,055·dbh 2,36 0,939 18,95 P. nigra BT=338,416· e -35,116/db h 0,910 18,84 BT=0,131·dbh 2 0,895 24,18 P. pinaster Artificial BT=1,97·10 -4 ·dbh 3,823 ·ALT 0,337 0,974 12,18 BT=0,00022· dbh 4 0,971 12,73 P. pinaster Natural BT=1,101·10 -3 · dbh 4 /ALT 0,973 6,00 BT=0,014·dbh 2,47 0,945 10,15 Total Pinus BT=0,148·db h 2,66 /ALT 0,882 24,46 BT =0,167·dbh 1,9 0,850 27,63 Tabla 2.4. Co mparación de los modelos de regr esión por especie pro puestos co n sus respecti vas formas alométricas. Fu ente: Alonso et al. (2005) 2.1.2. Aplicación de las regresiones d e biomasa residual forestal por árbol a las parcelas del IFN-2 Una vez ajustadas las ecuaciones de estimación de biomasa residual de cada una de las especies seleccionadas se dio por cerr ada la segunda fase de l muestreo en dos fases. Tal y como indica la Figura 2.1, el siguiente paso es la aplicación de aquéllas a los datos del IFN-2 de la provincia de Teruel, que constituyen la primera fase del muestreo en dos fases. En el siguiente subapartado se hace una presentación de este IFN-2, centrándonos especialmente en la metodología de muestreo seguida: las parcelas de inventario. Acto seguido se muestr a, en otro subapartado, la metodología seguida para el cálculo de la biomasa residual forestal en cada una de las parcelas del IFN-2 seleccionadas usando las regresiones calcu ladas en el anterior apartado . 2.1.2.1. El IFN-2 de la provincia de Teruel El IFN-2 14 nació de la necesidad de actualización del Primer Inventario Forestal de España (IFN-1), cuya fase de toma de datos sobre el terreno tuvo lugar entre 1965 y 14 El proyecto del IFN-2 f ormó parte de otro m a yor, In ventar iación de Recu rsos Na turales Renovables, del Ministerio de Medio Ambiente y se integró dentro del pro grama Protección y Mejora del Medio Natural. Desde el punto de vist a administrativo depen dió de la Subdirección General de Protecció n de la Naturaleza del exti nto ICONA (pertene ciente al Ministerio de Agricultura, Pesca y Alimentación, MAPA) y de la Subdirección General de E spacios Naturales y Vida Silvestre (también dependi ente del MAPA). Al desaparecer el ICONA se hizo cargo del proyecto la Dirección Ge neral de Cons ervación de l a Naturaleza del Mini sterio de Me dio Ambiente (Ministerio de Medio Ambie nte, 1996). Capitulo 2: Obtención de l as variables a em plear en el modelo de estim ación de la biomasa … 119 1974. El IFN-1 informó por primera vez sobre la situación global de los montes de España, con datos a escala comarcal, provincial y regional, cubrie ndo el vacío de información entonces existente, cuando sólo se tenían conocimientos parciales. La tecnología que se empleó fue muy novedosa y similar a la de los países más avanz ados en la materia en aquella época. En 1984, la Administració n Forestal, consciente de que estaba manejando datos, en algunas zonas, con casi 20 años de antigüedad, comenzó el diseño y la programación del IFN-2, que debía ser la herramienta base para una mejor planificación y gestión del sector forestal, teniendo en cuenta la nueva situación institucional de España (Estado de las Auton omías, futura entrada en la Comunidad Económica Europea…) y los últimos avances científicos de la dasometría. El periodo de ejecución del trabajo de campo se proyectó pa ra el decenio 1986-1995, estable ciéndose como atributo básico que el inventario sería continuo (nuevo ciclo cada diez años) y que la unidad básica de información debía ser la provincia. Para cumplir con el objetivo de periodicidad, el IFN-2 fue diseñado como un muestreo sistemático sobre los vértices de la cuadrícula UTM de 1 km, de manera que en los sucesivos inventarios el seguimiento y la comparación de los datos estuviera n asegurados. La adopción de los adelantos técnicos de la época, especialmente en informática, dio lugar a un inventario de estru ctura y características bastante diferentes de las del anterior, siendo los resultados obtenidos superiores en cantidad, calidad y facilidad de manejo que los de su antecesor. En la actualidad, se está terminando el Tercer Inventario Forestal Nacional (IFN-3) (1997-2007) que, como es lógico, incorpora las mejoras tecnológicas acaecidas en estos últimos años, adoptando también las perspectivas sociales, económicas, ecológicas, e tc. que actualmente se proyectan sobre el ámbito forestal. Entre los objetiv os de este último inventario se destaca el estudio de la evolución de los montes espa ñoles mediante la remedición de las parcelas del IFN-2 y la comparación entre los nuevos datos obtenidos y los del IFN-2 (Ministerio de Medio Ambiente, 1996, 2007; Del Río et al. , 2002). Centrándonos en el IFN-2 de la provincia de Teruel, el trabajo de campo destinado a la recogida de datos se realizó entre marzo y agosto de 1994 , las tareas de comprobación tuvieron lugar también ese mismo año y las de cálcu lo de las tablas e n 1995 (Ministerio de Medio Ambiente, 1996). Al igual que en el resto del territorio español, los contactos fotográficos empleados en las labores de ca mpo y en la modernización de la cartografía de ecosistemas forestales fueron los del Vuelo General de España (1:30 .000), que en la provincia de Teruel fue realizado entre 1984 y 1985. Para las tareas d e recogida de datos sobre el Estimación de biom asa residual mediante im ágenes de satélite y trabajo de ca mpo. Modelización del poten cial energético de los bosqu es turolenses 120 terreno se diseñó un muestreo estratificado de asignación proporcional al tamaño de los estratos y una distribución sistemática consti tuida por los puntos de cruce de las rectas kilométricas de las hojas 1:50.000 del Mapa Topográfico Nacional (MTN) clasificados como forestal arbolado. En estos puntos de int ersección es donde se levantó la p arcela de inventario, produciéndose en ella el arranque de los elementos. Con el fin de disminuir los costes se redujo e l tamaño de la muestra de forma aleatoria, centrándose esta reducción en los estrat os con valores de volumen con corteza ( VCC ) previsiblemente pequeños. De esta manera, el total de parce las de muestreo a apear se elevó a 2.250, resultando útiles un tot al de 2.083 para la rea lización de los cálculo s de las tablas de resultados. Con esta última cifra se obtuvo una intensidad de muestreo de 1 parcela por cada 216 ha de forestal arbolado (Ministerio de Medio Ambiente, 1996). A continuación se detallan algunos aspect os interesantes de la metodología seguida para la localización, delimitación y apeo de las parcelas del IFN-2 de la provincia de Teruel, análogos a los llevado s a cabo en otras prov incias. Estos aspecto s son importantes en la presente tesis ya que, una vez que se apliquen sobre los datos de estas parcelas las ecuaciones de estimación de biomasa residual prev iamente ajustadas, éstas se convertirán en la “verdad terreno” que será relacionada con los registro s de las imágenes de satélite y con la info rmación auxiliar topográfica y forestal. Así pues, las características originale s de estas parcelas de inventario controlaran una parte de los aciertos y errores en la consecución del objetivo marco de esta investigación. - Localización y delim itación de la parcela en el cam po Como se ha indicado con anterioridad, las parcelas de l IFN-2 se situaron en los puntos de cruce de la malla kilométrica UTM 1:50.000 del MTN que estaban dentro de zonas clasificadas como arboladas. La fuente qu e se empleó para determinar si una zona era -o no- arbolada fue el Mapa de Cultivos y Aprovechamientos (MCA) 1:50.000 del Ministerio de Agricultura Pesca y Alimentación de 1974. Una vez determinadas las parcelas que constituyeron la muestra, éstas fueron localizadas en las fotografías 1:30.000 del Vuelo General de España , siendo suministr adas estas fotografías a los operadores de campo (Ministerio de Medio Ambiente, 1996 ). El protocolo de actuación de estos operadores para localizar y delimitar la parcela sobre el terreno fue el siguiente (Ministerio de Medio Ambiente, 1996): (i) utilización de planos generales de la zona, de las fotografí as y de otras informaciones ya acopiadas para desplazarse en vehículo hasta las proximidades del punto que marca la parcela en cuestión; (ii) observación estereoscópica de los pares d e contacto para identificar la Capitulo 2: Obtención de l as variables a em plear en el modelo de estim ación de la biomasa … 121 ubicación exacta de la parcela y recorrer a pie e l camino que lleva hasta ella; cuando esta parcela se encuentra en un área con un entorno homogéneo sin características diferenciadoras identificables en las fotos, se emplaza midiendo rumbo y distancia en e l contacto fotográfico desde un a ccidente geográfico cercano y visible, con po sterior replanteo sobre el terreno; (iii) el emplazamiento del punto central de la parcela se materializa clavando un rejón metálico tubular de aproximadamente 15 cm de longitud y 3 cm de diámetro que debe quedar oculto una vez terminados los trabajos de inventario (el punto exacto de pinchado del rejón se determina siguiendo una decisión aleatoria, sin que influyan en ella la topografía, vegetación, p referencias, etc.); (iv) levantamiento de la parcela, que, tiene forma circular y un diámetro variable; y, finalmente, (v) búsqueda fuera del perímetro de la parcela de un d etalle natural o artificial resisten te al paso del tiempo (por lo menos 10 años) que es marcado con pintura resistente a los elementos. Seguidamente se procede a la medición de l rumbo y la distancia entre el ele mento marcado y el centro de la parcela, procurándose la máxima exactitud. Esta última fase se suprime cuando la localización es muy clara, aun teniendo en cuenta los posibles cambios temporales. De esta manera, mediante este prot ocolo de actuación, se aseguró la exacta localización geográfica d e la parcela para las futuras tareas de remedición , pudiéndose localizar el centro exact o de la par cela mediante la utilización de un detector de metales. Las parcelas que se levantaron fueron circulares, siendo dependiente su radio final del diámetro normal 15 de los pies mayores que se encontraban en el entorno del centro de la parcela. El procedimiento que dio lugar al ra dio final de la parcela fue el siguiente (Ministerio de Medio Ambiente, 1996): (i) el operario se sitúa en el centro de la parcela y mira con la brújula en dirección norte; (ii) inicia entonces un g iro en sentido de las agujas del reloj, escogiendo todos los pie s mayores (diámetro normal ≥ 75 mm) que, según las instrucciones que lleva en el estadillo de campo (ver Tabla 2.5), son incluibles en la parcela. Así pues, un pie de cualquier especie forestal entra o no en la parcela a inventariar en función de su diámetro normal y de su distancia al centro de la parcela con arreglo a la norma recogida en la Tabla 2.5. Como resultado de este procedimiento, el IFN-2 está compuesto por un sistema de parcelas circulares de radio variable, que en las más pequeñas es de 5 m (cuando no existe n pies mayores o éstos tiene un diámetro 15 El diámetro normal co nsiderado e n el IFN-2 se obtiene de l a misma forma q ue el dbh utilizado en las ecuaci ones de re gresión ajustad as para la est imación de la biomasa resi dual (medició n del tallo a 1,30 m del suelo en dos direccione s perpendi culares con una forcípula de p recisió n milimétrica), por lo que ambas medidas son equivalentes. Estimación de biom asa residual mediante im ágenes de satélite y trabajo de ca mpo. Modelización del poten cial energético de los bosqu es turolenses 224 lineales resultan más adecuados que los curvilineales para predecir la biomasa residual. Este hecho señala que será necesa rio aplicar transformaciones para ajustar los modelo s de regresión lineal múltiple del siguiente aparta do si se quiere cumplir con los sup uestos básicos de este tipo de regresión. Dada la baja capacidad predictiva de los modelos ajustados, no se llegó a utilizar la muestra reservada para la validación de cada uno de ellos, ya que se sabía a priori que los errores iban a ser muy altos. Asimismo, siguiendo este criterio, no se elaboró ninguna cartografía de estimación de la biomasa residual del área d e estudio. - Modelos de regresión simple del segundo clúster Los gráficos de dispersión obtenidos al utilizar el grupo de parcelas seleccionado para este segundo clúster (las 208 del grupo del percen til 7) volvieron a mostrar los mismos patrones que en el caso anterior, por lo que se confirma que las relaciones entre la biomasa residual y las variables independientes son predominantemente curvilíneas. Como era esperado por los resultados alcanzados en el ajuste de los modelos de regresión logística, la dispersión de los puntos en estos gráficos es mucho menor que en el caso anterior debido a que las parcelas de esta muestra presentan un entorno radiométrico mucho más homogéneo, aunque ésta sigue siendo demasiado grande para poder ajustar modelos estimativos de precisión. El hecho de q ue las parcelas pertenezcan a entornos radiométricos rela tivamente homogéneos en co mparación con la muestra anterior permite que en estos gráficos se empiece a identificar la presencia de parcelas atípicas q ue caen fuera de las pautas generale s observadas en el conjunto de datos y/o de parcelas influyentes que determinan la forma de la relación. En este se ntido, en la Figura 3.8 se destacan algunas de estas parcelas que presentan un comportamiento atípico (en rojo) o influyente (en azul) en las variables independientes consideradas. La presencia de casos atípicos y/o influyentes en cualquier relación de dependencia como la aquí estudiada condicion a, en gran medida, los resultados que se obtienen en los modelos de regresió n predictivos , por lo que se aconseja eliminarlos para evitar errores en el ajuste y en la generalización de los resultados. La única premisa que debe cumplirse para su eliminación es que sea n de carácter realmente excepcional, es decir, que no sean representativos de la población (Hair et al. , 1999). Capitulo 3: Establecimiento de los m odelos de estim ación de la biom asa residual forestal … 225 B i om a s a re s i dual ( t ons / ha ) B i om as a r e s i dual (t ons / ha) B i om a s a re s idu a l ( t ons/ ha ) Figura 3.8. Gr áficos de disper sión que relac ionan la biomasa residual forestal con algunas de las variables inde pendientes mejor c orrelacionadas usa ndo las parce las del clúster 2 Adoptando una posición prudente, las parcelas atípicas e influyentes detectada s en los gráficos de dispersión de este segundo clúster pueden ser debidas todavía a la heterogeneidad espacial-radiométrica propia de los medios mediterráneos, lo que hace Estimación de biom asa residual mediante im ágenes de satélite y trabajo de ca mpo. Modelización del poten cial energético de los bosqu es turolenses 226 que se carezca de la seguridad necesaria para catalogar las como extraordinarias y, por consiguiente, para proceder a su eliminación. Sin embargo, esta necesaria situación de certeza sí que se ten drá en el paso siguiente, cuando se utilicen las parcelas del clúster tres, ya que éstas representan un alto grado de homogeneidad. Así pues, en el pre sente apartado se ajustan los modelos de regresión con el 80% de la muestra sin eliminar ninguna parcela (Tabla 3.10), teniendo en cuenta que, si se detectan parcelas atípicas extraordinarias co n la muestra del tercer clúster, estos modelos deberían de ser recalculados sin su pr esencia. Variable Tipo de modelo R 2 S e β 0 β 1 TM1 Logarítmico 0,333 10,238 46,053 -21,348 TM2 Logarítmico 0,316 10,364 52,887 -21,537 TM3 Logarítmico 0,345 10,140 51,793 -19,855 TM4 Exponencial 0,077 1,056 63,506 -0,096 TM5 Logarítmico 0,380 9,866 93,187 -27,177 TM7 Logarítmico 0,400 9,708 64,508 -20,832 CP1 Logarítmico 0,336 10,212 112,531 -29,151 CP3 Lineal 0,362 10,013 11,712 2,867 TC1 Logarítmico 0,288 10,578 163,343 -41,091 TC2 Logarítmico 0,189 11,100 -15,487 16,954 TC3 Exponencial 0,386 0,869 71,479 0,222 NDVI Lineal 0,354 10,077 -18,74 5 68,640 SAVI Lineal 0,351 10,095 -18,897 46,904 MSAVI Lineal 0,337 10,206 -33,240 74,704 OSAVI Lineal 0,353 10,083 -18,795 69,191 GESAVI Logarítmico 0,308 10,423 12,843 14,320 GI Lineal 0,199 11,218 22,140 146,795 MSI Lineal 0,390 9,788 52,961 -39,839 VIS123 Logarítmico 0,341 10,177 74,894 -21,369 MID57 Logarítmico 0,392 9,775 97,560 -24,629 ABD Logarítmico 0,337 10,208 136,049 -29,027 Tabla 3.10. Modelos d e regresión simple calculado s para el c lúster 2: tipo de mode lo, coeficie nte de determinación , error estándar y coeficientes de regresió n Como se aprecia en la tabla, solamente se con sideraron variables radiométricas, ya que, como se ha visto, no existen correlaciones significa tivas entre la biomasa residual y las variables topográficas consid eradas en este grupo de parcelas. Los resultados obtenidos confirman los extremos antes re saltados cuando se consideraron todas las parcelas de la muestra. Así, las variables independientes relacionadas directa o inversamente con el contenido de humedad de la vegetación vuelven a erigirse como las Capitulo 3: Establecimiento de los m odelos de estim ación de la biom asa residual forestal … 227 más adecuadas para predecir la variable dependiente, aunque solament e logran explicar ente el 36% y el 40% de su varianza. El tipo de relacio nes de la biomasa con estas variables vuelve a ser curvilineal de tipo l ogarítmico o exponencial, con las excepciones de MSI y CP3, que pre sentan una relación lineal que puede ser debida a la presencia de dos parcelas influyentes. En un segundo lugar aparecen los índices de vegetación NDVI, OSAVI y SAVI, que explican algo más del 35% de la variable biomasa residual, utilizando para ello un modelo lineal, determinado éste por la presencia de las dos mismas parcelas influyentes detectadas en los gráficos de MSI y CP3. El último lug ar en cuanto a capacidad de predicción es nuevamente ocupado por las variables GI ( R 2 =0,199), TC2 ( R 2 =0,189) y TM4 ( R 2 =0,077). De esta manera, la utilización de esta muestra más homogénea ha mejorado los resultados obtenidos previamente al considerar todas la s parcelas, confirmándose las variables radiométricas que son más útiles para la estimación de biomasa. Pero los modelos predictivos ajustados vuelven a ser insuficientes para estimar de una forma precisa esta variable, por lo que no se consideró nece sario validarlos mediante la muestra de parcelas reservada a tal efecto. Finalmente señalar que los gráficos de dispersión obtenidos con esta muestra permiten intuir la presencia de casos influyentes y atípicos cuya eliminación podría cambiar el tipo de modelo ajustado con algunos de los índices y/o mejorar la capacidad predictiva de los mismos. Sin embargo, a tenor de los bajos coeficientes de determinación obtenidos, esta mejora no parece que vaya a ser suficiente para dar lug ar a modelos válidos para obtener una buena cartografía de estimación, por lo que no se considera necesario re calcularlos una vez que se identifiquen los casos atí picos en el siguiente clúster. - Modelos de regresión simple del tercer clúster La Figura 3.9 muestra los gráficos de dispersión obtenidos con la banda reflectiva, el componente principal, el eje Tasseled-Cap y tres de los índices de vegetación que mayor correlación presentan con la biomasa residual forest al utilizando las 68 parce las que componen el grupo del percentil 4. En cada uno de estos gráficos se representan las líneas del modelo de regresión que mejor ajusta los datos y el R 2 alcanzado; además, se identifican las parcelas q ue presentan un comportamiento atípico. La lectura de los gráficos de dispersión creados a partir de la utilización de parcelas con un entorno radiométrico altamente homogéneo permite extraer una serie de conclusiones a cerca de las cue stiones anteriormente apuntadas: Estimación de biom asa residual mediante im ágenes de satélite y trabajo de ca mpo. Modelización del poten cial energético de los bosqu es turolenses 228 - En primer lugar se constata el hecho de que la capacidad predictiva de las variables radiométricas utilizadas aumenta a medida que lo hace la homogeneidad del entorno radiométrico de las parcelas del IFN-2, por lo que se puede concluir que existe una relación biofísica significativa y contrastada entre la biomasa residual forestal y estas variab les. - Permite la identificación de parcelas extraordinarias que no se ajustan a la forma de la relación y, por lo tanto, influyen negativamente en el ajuste del modelo de estimación. Los errores introducidos por estas parcelas atípicas ya no pueden ser achacados a la heterogeneidad de los bosques mediterráneos, sino que se deben a ot ros factores de error relacionados con las tareas del inventario forestal o del tratamiento de las imágenes que se desconocen y, en consecuencia, no se pu eden resolver. Así pues, la única o pción posible para garantizar la adecuación del modelo de regresión es eliminarlas de la muestra. - En tercer lugar, las relaciones entre estos dos tipos de variables son predominantemente curvilíneas, constitu yéndose como única excepción el índice NDVI y tres de los cuatro índices de la familia SAVI considerados (SAVI, MSAVI y OSAVI), por lo menos tomando como umbral las 50 tons/ha, que es el valor máximo del las parcelas incluidas en este grupo. Este hecho de que las relaciones sean curvilineales i ndica que la capacidad predictiva de las variables derivadas de la imagen Landsat llega solamente hasta un determinado umbral; es decir, la señ al proporcionada por el sensor se satura a una determinada cantidad de biomasa residual. A partir d e ese umbral de saturación, los incrementos en las cantidades de biomasa no se corresponden con incrementos de la misma proporción en las variables radiométricas, pudiendo ser la variación de estas ú ltimas incluso nula, por lo que dejan de se r útiles. Sobre esta cue stión se volverá más adelante una vez se hayan eliminado las parcelas atípicas. De esta manera, la primera tarea que se impone antes del ajuste de los modelos de regresión en este tercer clúst er es la identificación y eliminación de las par celas atípicas. Según lo observado en la Figura 3.9, tres son las parcelas más repetidas que presentan un comportamiento más alejado de la tónica común: la 286, la 340 y la 426. Especialmente claro es el comportamiento extraordinario de la parcela 286, ya que es identificada como caso atípico en las 6 variables representa das, estando su posición muy Capitulo 3: Establecimiento de los m odelos de estim ación de la biom asa residual forestal … 229 alejada con respecto a la mejor línea de regresión calculada en todas ellas. Por su parte, las parcelas 340 y 426 presentan exactamente este mismo comportamie nto que la 286 en tres de las variables relacionadas con el contenido de humedad de la vegetación: TM5, MID57 y TC3. R 2 = 0, 529 R 2 = 0, 580 R 2 = 0, 468 R 2 = 0, 622 R 2 = 0, 537 R 2 = 0, 609 Bi o m asa r esi d u al (to n s/ h a) B i om as a re s i dua l ( t ons / ha ) Bi o m asa resi d u al (ton s/ h a) Figura 3.9. Gr áficos de disper sión que relac ionan la biomasa residual forestal con algunas de las variables inde pendientes mejor c orrelacionadas usa ndo las parce las del clúster 3 Estimación de biom asa residual mediante im ágenes de satélite y trabajo de ca mpo. Modelización del poten cial energético de los bosqu es turolenses 230 El resto de parcelas señaladas en los gráficos como atípicos tienen un carácter más particular, ya que sólo aparecen identificados como tales en una o dos variables; así, por ejemplo, mientras que en la variable CP3 aparecen como atípicas importantes las parcelas 759 y 837, éstas no lo son en la variable MSI, siendo más importante la influencia de las par celas 647 y 1811. Así pues, se vuelve a optar por una posición conservadora y solamente se consideran susceptibles d e eliminar las tres parcelas indicadas que más claramente se han identifica do como atípicas en un mayor número de variables. Para tener una mayor certeza acerca del carácter erróneo de estas tres parcelas, se estudió la información que de ellas proporciona el IFN- 2 (número de pies mayores y menores) en relación con lo que se observa e n las ortofotografías aér eas de resolución espacial de 1 metro del SIG Oleícola Español, utilizadas para la georreferenciación de las imágenes Landsat, y con la signatura espectral obtenida a partir de las b andas reflectivas de la imagen de junio de 1994. Según los datos del IFN-2, la parcela 28 6 está compuesta por 15 pies mayores y 1 menor de P. halepensis , siendo su radio de 15 m. Sin embargo, tal y como se observa en la Figura 3.10(A), esta situación no coincide con la realidad observada en la ortofotografía, ya que la parcela está situada en un a zona de bosque abierto con ejemplares aislados (1 ó 2), donde la presencia de sustrato arbustivo, herbáceo e incluso suelo desnudo es dominante. Esta situación real está más en consonancia con la respuesta reflectiva de esta parcela, que dista de la típica de una formación boscosa presentada por los datos del IFN-2 (Figura 3.11). Por su parte, la parcela 340 está compuesta por un total de 13 pies de P. halepensis , 9 con un dbh >7,5 cm y 4 con un dbh <7,5 cm. Estos datos difieren totalmente con la realidad descrita en las ortoimágenes y en la imagen de satélite, ya que, como se observa en la Figura 3.10(B), la parcela está situada sobre una parcela de cultivos leñosos (seguramente olivos) en la que el suelo desnudo es claramente visible, situación que tiene su re flejo en la signatura espectral de la parcela (Fig ura 3.11). Por último, la realidad espacial observada en la ortoimagen y la signatura espectral de la parcela 426 tampoco coincide con la información facilitada por el IFN-2. Esta parcela, que según los datos del inventario está compuesta por 9 pies mayores de P. halepensis y 3 menores, en realidad se sitúa en una zona de tr ansición entre un bosquete y una parcela de cultivo, ocupando esta última la mayor parte de la parcela (Figura 3.10(C)). La signatura espectral es re flejo de esta situación más que de la descrita en el inventario (Figura 3.11). Capitulo 3: Establecimiento de los m odelos de estim ación de la biom asa residual forestal … 231 Figura 3.10. Parc elas del IFN-2 identificadas como er róneas: ( A) parcela 286; (B) parcela 340; y (C) parcela 426 0 5 10 15 20 25 30 35 40 45 0 ,4 0 ,6 0 ,8 1 1 ,2 1 ,4 1 ,6 1 ,8 2 2 ,2 2 ,4 Longitud de onda ( um ) R ef lec t iv i dad P ar c ela 286 P ar c ela 340 P ar c ela 426 Figura 3.11. Signatu ra espectral de l as parcelas identificadas co mo errón eas Así pues, la discordancia entre los datos del IFN-2 y la realida d pone de manifiesto la existencia de imprecisiones en la localización de las parcelas, que p ueden afectar al ajuste de los modelos estimativos que utilizan esta fuente de información Estimación de biom asa residual mediante im ágenes de satélite y trabajo de ca mpo. Modelización del poten cial energético de los bosqu es turolenses 232 forestal. De esta manera, dos fuentes de información independientes entre sí confirmaron y explicaron el comportamiento atípico de estas parcelas en los gráficos de dispersión, por lo que definitivamente fueron eliminadas de la muestra. El hecho de que las tres parcelas se situaran en entornos espaciale s homogéneos, aunque sobre realidades diferentes a las descritas en lo s datos del inventario, es la causa de que hayan permanecido en la muestra a pesar de ser equívocas para la estimación de la biom asa residual forestal. La Tabla 3.11 recoge el mejor modelo de regresión ajustado en cada variable independiente con las cinco muestras del 80% de parcelas seleccionadas al azar. Cabe destacar la gran estabilidad de los modelos calculado s ya que, a pesar de utilizar muestras diferentes, el ti po de modelo utilizado en cada variable es siempre el mismo y el R 2 obtenido varía muy poco. Variable Tipo de modelo R 2 S e β 0 β 1 TM1 Exponencial 0,649 0,653 191,198 -0,664 TM2 Exponencial 0,693 0,611 216,748 -0,535 TM3 Exponencial 0,735 0,568 151,174 -0,432 TM4 Logarítmico 0,080 12,871 92,520 -26,617 TM5 Exponencial 0,764 0,536 299,272 -0,194 TM7 Exponencial 0,766 0,533 130,640 -0,237 CP1 Exponencial 0,735 0,568 420,43 8 -0,136 CP3 Exponencial 0,643 0,655 7,112 0,314 TC1 Logarítmico 0,546 7,777 209,571 -54,712 TC2 Logarítmico 0,374 9,868 -25,184 22,785 TC3 Exponencial 0,743 0,559 147,034 0,300 NDVI Potencia 0,640 0,662 226,067 4,269 SAVI Potencia 0,633 0,668 43,983 4,281 MSAVI Potencia 0,643 0,659 163,603 6,273 OSAVI Potencia 0,637 0,664 233,399 4,273 GESAVI Logarítmico 0,483 9,648 13,801 19,656 GI Lineal 0,516 8,025 23,276 244,576 MSI Logarítmico 0,672 7,686 13,328 -47,748 VIS123 Exponencial 0,715 0,589 193,759 -0,180 MID57 Exponencial 0,767 0,532 208,014 -0,107 ABD Exponencial 0,738 0,565 434,858 -0,060 Tabla 3.11. Modelos d e regresión simple calculado s para el c lúster 3: tipo de mode lo, coeficie nte de determinación , error estánd ar y coeficientes de regre sión Como se observa en la tabla, un total de cuatro modelos presentan unos coeficientes de determinación superiores a 0, 740, lo que los convierte en realment e Capitulo 3: Establecimiento de los m odelos de estim ación de la biom asa residual forestal … 233 operativos para estimar la biomasa residual del área de estudio. Estos cuatro modelos presentan dos características comunes: (i) el empleo de una variable relacionada con e l contenido de agua de la vegetación (MID57, TM7, TC3 y TM5); y (ii) el empleo de una función exponencial para describir la relación. Del resto de modelos obtenidos señalar que la gran mayoría permite explicar más de un 60% de la varianza de la variable dependiente, siendo solamente los modelos ajustados para TC1, GI, GSAVI y TC2 los que se sitúan por debajo de este umbral. Así pues, la eliminación de las parcelas atíp icas ha permitido el ajuste de modelos que siguen la tendencia marcada mediante la utilización de las anteriores muestras (mayor utilidad de las variables relacionadas con el contenido de agua de la vegetación y predominio de las relaciones no lineales, destacando dentro de éstas la s exponenciales), pero con una mayor capacidad predictiva. Para determinar cuál de los cuatro modelos con mayor capacidad predictiva es más útil a la hora de cartografiar la biomasa residual del área de estudio, se tiene en cuenta un doble criterio: (i) el error obtenido mediante la muestra reservada para la validación; y (ii) el grado de satur ación de la función. A este respecto, la Figur a 3.12 recoge los gráficos de dispersión d e estos modelos, mostrándose el RMSE y el RMSE r obtenidos con sus respectivas muestras de validación. En estos gráficos, con el objetivo de caracterizar mejor el grado de saturación de la función, el eje de ordenadas se prolonga hasta las 70 tons/ha, un poco por encima del valor máximo obtenido en las 482 parcelas del IFN-2 en las que se ha estimado la biomasa residual (64, 720 tons/ha; Tabla 2.6). Las diferencias encontradas entre estos cuatro modelos en términos de error de predicción son mayores que las presentadas atendiendo únicamente al coeficiente de determinación. De esta manera, el RMSE y el RMSE r menores se obtienen en los modelos que utilizan la banda original TM5 y el índice MID57, mientras que los más altos se dan en el que ut iliza TC3, siendo la difere ncia de casi 1,34 tons/ha y de un 9 ,81%, respectivamente. Así pues, los modelos ajustados con TM5 y MID57 se erigen como los mejores para la estimación de la biomasa residual, aunque seguidos de cerca por el de TM7. Desde el punto de vista de la saturación de los modelos a altas cantidades de biomasa residual, todos ellos presentan un comportamiento bastante similar. Así, tal y como se observa en la Figura 3.12, ninguno presenta sa turación para las cantid ades Estimación de biom asa residual mediante im ágenes de satélite y trabajo de ca mpo. Modelización del poten cial energético de los bosqu es turolenses Métodos gráficos Métodos estadísticos Diagnóstico Variable Histograma G. Normalidad Asimetría Curtosis Test K-S Descripción Transformación Norm. posterior Biomasa resid. No normalida d No normalidad Positiva Leptocúrtica No No normal Raíz cuadrada Casi normal TM1 Casi normalidad Casi normalidad Positiva Meso cú rtica No No normal Raíz cuadrada Nor mal TM2 Casi normalidad Casi normalidad Positiva Leptocúrtica No No no rmal Logaritmo Normal TM3 Casi normalidad Casi normalidad Positiva Leptocúrtica No No no rmal Logaritmo Normal TM4 No normalida d No normalidad Positiva Leptocúrtica No No normal Inversa Normal TM5 Casi normalidad Casi normalidad Positiva Me socú rtica No No normal Logaritmo Normal TM7 Casi normalidad Casi normalidad Positiva Me socú rtica No No normal Logaritmo Normal CP1 Casi normalidad Casi normalidad Positiva Me socúrtica No No normal Logaritmo Normal CP3 Casi normalidad Normalidad Positiva Mesocúrtica Si Normal - - TC1 Casi normalidad Casi normalidad Positiva Me socúrtica No No normal Inversa Normal TC2 Casi normalidad Casi normalidad Positiva Mesocú rtica No No normal Raíz cuadrada Normal TC3 Normalidad Normalidad Simétrica Mesocúrtica Si Normal - - NDVI Normalidad Normalidad Simétrica Mesocúrtica Si Normal - - SAVI Normalidad Normalidad Simétric a Mesocúrtica Si Normal - - MSAVI Normalidad Normalidad Simétrica Mesocúrtica Si Normal - - OSAVI Normalidad Normalidad Simétrica Mes ocúrtica Si Normal - - GESAVI No normalidad No normalidad Positiva Leptocúrtica No No normal Logaritmo Normal GI Casi normalidad Casi normalidad Positiva Leptocúrtica No No normal Raíz cuadra da Normal MSI Normalidad Normalidad Negativa Mesocúrtica Si Normal - - VIS123 Casi normalidad Casi normalidad Positiva Leptocúrtica No No normal Logaritmo Normal MID57 Casi normalidad Casi normalidad Positiva Mesocúrtica No No normal Logaritmo Normal ABD Casi normalidad Casi normalidad Positiva Me socúrtica No No normal Logaritmo Normal Tabla 3.13. Pruebas de n ormalidad aplicadas a la variable depe ndiente biomasa residual forestal y a las variables independiente s radiométrica s correlacionadas co n ella en el clúster 1 Capitulo 3: Establecimiento de los m odelos de estim ación de la biom asa residual forestal … Métodos gráficos Métodos estadístico s Diagnóstico Variable Histograma G. Normalidad Asimetría Curtosis Test K-S Descripción Transformación Norm. posterior Elevación No normali dad No normalidad Simétrica Platicúrtica No No normal - No normal INS_POT Casi normalidad Casi normalidad Negativa Leptocúrtica No No normal Cuadrado Casi normal PRI_POT Casi normalidad Casi normalidad Negativa Leptocúrtica No No normal Cuadrado Normal VER_POT_ HORAS No normalida d No normalidad Negativa Mesocúrtica No No normal - No normal OTO_POT Ca si normalidad Casi normalidad Negativa Leptocúrtica No No normal Cuadrado Normal INV_POT Normalidad Normalidad Simétrica Mesocúrtica Si Normal - - Tabla 3.14. Pruebas de n ormalidad aplicadas a las variab les independien tes topográficas Estimación de biom asa residual mediante im ágenes de satélite y trabajo de ca mpo. Modelización del poten cial energético de los bosqu es turolenses 242 - Modelos de regresión múltiple del prim er clúster Las Tablas 3.13 y 3.14 recogen los resultados de las distintas pruebas individuales con un nivel de significación p <0,05 aplicadas sobre la variable biom asa y sobre las variables que presentan correlaciones significativas con ella para ver si cumplen el supuesto subyacente de normalidad. En este sentido, las últimas columnas de la tabla indican si la variable cumple o no este supuesto, la transformación más adecuada para corregir este incumplimiento y si, finalmente, esta transformación permite solucionarlo. Tal y como se observa en estas tab las, un total de 7 variables radiométricas (CP3, TC3, NDVI, SAVI, MSAVI, OSAVI y MSI) y una topográfica (INV_POT) cumplen el supuesto de normalidad, por lo que pueden ser incorporadas directamente en el modelo de regresión lineal múltiple. Junto a éstas, también se pueden agregar al modelo las transformaciones de las variables originale s que dan lugar a variables normalmente distribuidas, incluyéndose dentro de este grupo e l cuadrado de INS_POT y, sobre todo, la raíz cuadrada de la variable biomasa residual, ya que, a pesar de no superar el te st K-S , ambas tienen una distribución muy cercana a la de una curva normal (Figura 3.16). A B C D A B C D Figura 3.16. His togramas y gráficos de dis tribuci ón normal de las v ariab les transformadas d e la biomasa resid ual forestal (rz_biomasa) ( A y B) y de la insolación poten cial (cd_INS_POT) (C y D) Capitulo 3: Establecimiento de los m odelos de estim ación de la biom asa residual forestal … 243 Por último, reseñar que las variables Elevación y VER_POT_HORAS quedan fuera del modelo, ya que ninguna de las operaciones aplicadas consigue una distribución semejante a la normal. Para comprobar el cumplimiento de los supuestos de homocedasticidad y linealidad se generaron gráficos de dispersión individuales entre la variable transformada de la biomasa residual (rz_biomasa) y las variables independientes originales o transformadas que habían superado el análisis previo de la normalidad individual. Estos gráficos mostraron que ninguno de los pares examinados incumplía estos dos supuestos, por lo que todas las variables independientes pueden ser tenidas en cuenta a la hora de ajustar el modelo de regresión. Sin embargo, estos gráfico s sí que dejaron claro que las variables topográficas que han pasado el corte del supuesto de normalidad no iban a ser seleccionadas en los modelos de regresión, ya que en sus gráficos no se observa ninguna relación clara. Como se ha indicado anteriormente, para calcular los modelos de las cinco muestras del 80% de las parcelas reservadas a tal efecto se utilizó el método de pasos sucesivos. Este método dio lugar a 2 modelos univariant es y a 3 bivariantes o múltiples, siendo todos ellos sign ificativos ( p <0,05). Los modelos univariantes seleccionaron las variables transformadas de MID57 (ln_MID57) y de TM7 (ln_TM7), mientras que los múltiples quedaron conformados por la combinación de la variable ln_MID57 (seleccionada en el primer paso) con la variable original MSI y con las transformadas de TM1 (rz_TM1) y de GESAVI (ln_GESAVI) (seleccionadas en el segundo paso), respectivamente. Sin embargo, los estadísticos de diagnosis de colinealidad en los modelos múltiples indicaron que t odos ellos incumplían este supuest o, por lo que no eran robustos desde el punto de vista estadístico. Así, aunque los valores de tolerancia y de FIV se situaban en umbrales aceptables, el valor obtenido en sus respectivos índices de condición en alguna de sus dimensiones (superior a 30) delataba un serio proble ma de colinealidad (Pardo y Ruiz, 2005). Este extremo fue confirmado mediante el análisis de correlación entre ln_MID57 y la variable seleccionada junto a ésta en cada modelo, obteniéndose valores superiores a 0,730 en todos los casos. Así pues, aunque esto s tres modelos eran significativos, fueron descartados por no incumplir el supuesto básico de no-colinealidad. De esta manera, en estas 3 muestras, e l mejor modelo resultó ser el univariante definido a p artir de la variable ln_MID57 (la sele ccionada en primer lugar), por lo que 4 de los 5 modelos finalmente obtenidos utilizan esta variable como la mejor para Estimación de biom asa residual mediante im ágenes de satélite y trabajo de ca mpo. Modelización del poten cial energético de los bosqu es turolenses 244 predecir la cantidad de biomasa residual del área de estudio (Tabla 3.15 ). Modelo-Muestra Variable R 2 a S e β 0 β 1 N 1 ln_MID57 0,250 1,423 12,684 -2,691 N 2 ln_MID57 0,242 1,423 12,882 -2,763 N 3 ln_MID57 0,258 1,335 12,539 -2,665 N 4 ln_MID57 0,253 1,392 12,764 -2,737 N 5 ln_TM7 0,261 1,405 9,027 -2,268 Tabla 3.15. Modelos d e regresión múltiple calculado s para el clúster 1: muestra de parcelas so bre la que se ha calculado, variable seleccionada, coefic iente de determina ción ajustado, error es tándar y coeficiente s de regresión Dos hechos sobresalen de la lectura de los modelos recogidos en la Tabla 3.15: (i) la estabilidad de los co eficientes de regresión de los mod elos ajustados con la variable ln_MID57, lo que indica la robu stez de estos modelos para estimar la biomasa residual, y (ii) la baja capacidad predictiva de todos los modelos ajustados, que su pera ligeramente la alcanzada en los modelos curvilineales univariantes o btenidos con estas mismas variables en el anterior apartado , que, recordemos, eran las mejores para estimar biomasa residual. Debido a este escaso poder de predicción, no se utilizó la muestra de validación para calcular el error de estimación de cada uno de ellos, ya que los er rores que se iban a obtener iban a ser altos. Del mismo modo, al igual que en anteriores apartados, donde se han obtenido resultados simila res, tampoco se elaboró ninguna cartografí a de estimación de la biomasa residual de la provincia de Terue l. Así pues, este último análisis de r egresión hecho con todas las par celas que componen la muestra confirma que las variables relacionadas con el contenido de humedad de la vegetación son las más útile s para estimar biomasa residual forestal, dando lugar a modelos de estimación altamente significativos ( p <0,01). Sin embargo, los coeficientes de determinación obtenidos indica n que no es posible la edición de m odelos operativos de estimación, ya que solamente el 25-26% de la varianza de la variable biomasa residual queda explicada mediant e el concurso de estos modelos. Por último, señalar que la alta auto-correlación existente entre las variables independientes que presentan corr elación con la biomasa residual (he cho ya observado cuando este grupo de parcelas fue utilizad o para ajustar un modelo de regr esión logística), impide el ajuste de modelos de regresión compuestos por varias variables, lo que sin duda aumentaría la capacidad predictiv a de los mismos. Capitulo 3: Establecimiento de los m odelos de estim ación de la biom asa residual forestal … Métodos gráficos Métodos estadísticos Diagnóstico Variable Histograma G. Normalidad Asimetría Curtosis Test K-S Descripción Transformación Norm. posterior Biomasa resid. No normalida d No normalidad Positiva Mesocúrtica No No normal Raíz cuadrad a Casi normal TM1 Casi normalidad Casi normalidad Positiva Mesocú rtica No No normal Raíz cuadrada Normal TM2 Casi normalidad Casi normalidad Positiva Leptocúrtica No No no rmal Logaritmo Normal TM3 Casi normalidad Casi normalidad Positiva Leptocúrtica No No no rmal Logaritmo Normal TM4 Casi normalidad Casi normalidad Positiva Leptocúrtica No No no rmal Inversa Normal TM5 Casi normalidad Casi normalidad Positiva Me socúrtica No No normal Logaritmo Normal TM7 Casi normalidad Casi normalidad Positiva Me socúrtica No No normal Logaritmo Normal CP1 Casi normalidad Casi normalidad Positiva Me socúrtica No No normal Inversa Normal CP3 Casi normalid ad Casi normalidad Positiva Mesocú rtica No No normal Raíz cuadrada Nor mal TC1 No normalidad No normalidad Positiva Mesocúrtica No No normal Inversa Casi normal TC2 Casi normalidad Casi normalidad Positiva Me socúrtica No No normal Logaritmo Normal TC3 Normalidad Normalidad Simétrica Mesocúrtica Si Normal - - NDVI Normalidad Normalidad Simétrica Mesocúrtica Si Normal - - SAVI Normalidad Normalidad Simétric a Mesocúrtica Si Normal - - MSAVI Normalidad Normalidad Simétrica Mesocúrtica Si Normal - - OSAVI Normalidad Normalidad Simétrica Mes ocúrtica Si Normal - - GESAVI No normalidad No normalidad Positiva Leptocúrtica No No norm al Logaritmo Casi normal GI Casi normalidad Normalidad Positiva Meso cúrtica Si Normal - - MSI Casi normalidad Casi normalidad Negativa Me socúrtica No No normal Cuadrado Normal VIS123 Casi normalidad Casi normalidad Positiva Mesocúrtica No No normal Logaritmo Normal MID57 Casi normalidad Casi normalidad Positiva Mesocúrtica No No normal Logaritmo Normal ABD Casi normalidad Casi normalidad Positiva Me socúrtica No No normal Inversa Normal Tabla 3.16. Pruebas de n ormalidad aplicadas a la variable depe ndiente biomasa residual forestal y a las variables independiente s correlacionad as con ella en el clúster 2 Estimación de biom asa residual mediante im ágenes de satélite y trabajo de ca mpo. Modelización del poten cial energético de los bosqu es turolenses 246 - Modelos de regresión múltiple del segundo clú ster Como se observa en la Tabla 3.16, nuevamente es necesario transformar la variable biomasa residual y un gr an número de las variables correlacionadas co n ella para conseguir respetar el supuesto de normalidad univariante. Las transformaciones aplicadas en cada variable en este segundo clú ster son prácticamente las mismas que en el primero. Este hecho indica la objetivi dad del método utilizado para d elimitar grupos de parcelas en función de su homogeneidad radiométrica, ya que no afecta a la forma de la distribución estadística de las varia bles independientes y, sobre todo, de la dependiente. Las transformaciones aplicadas permiten cumplir los supuestos de homocedasticidad y linealidad en las relaciones individuales entre biomasa residual y cada una de las variables dependientes consideradas. De esta forma, todas las variables recogidas en la Tabla 3.16 son intr oducidas en los modelos de regresión por pasos que se llevan a cabo con las cinco muestras del 80% de las parcelas seleccio nadas al azar. La utilización de estás cin co muestras da luga r a modelos compuestos po r dos variabl es en los que t odas ellas, incluida la c onstante, son significativas a nivel de 0 ,05. En todos ell os se selecciona en pri mer lugar una va riable relaciona da con el conten ido de humedad d e la vegetación, que es la que explica la ma yor parte de la variaci ón de la variable de pendiente , aumentand o la segunda ligeramente la proporci ón de varianza e xplicada (Tabl a 3.17). Modelo- Muestra R 2 a S e Índice de condición superior Variables β Sig. N 1 0,446 1,241 21,205 cd_MSI -1,507 0,000 inv_CP1 74,121 0,000 Constante 2,199 0,027 N 2 0,529 1,128 22,817 cd_MSI -1,948 0,000 inv_CP1 63,217 0,000 Constante 3,133 0,002 N 3 0,513 1,145 43,658 ln_MID57 -2,306 0,000 rz_TM1 -1,496 0,005 Constante 14,368 0,000 N 4 0,465 1,183 29,362 ln_TM7 -2,083 0,000 rz_TM1 -1,159 0,033 Constante 10,825 0,000 N 5 0,479 1,158 43,798 ln_MID57 -2,068 0,000 cd_MSI -1,396 0,004 Constante 11,696 0,000 Tabla 3.17. Modelos d e regresión múltiple calculado s para el clúster 2: muestra de parcelas so bre la que se ha c alculado, coe ficiente de determinac ión ajustado, e rror estándar, índ ice de condic ión superior obtenido en las dimensi ones en las que se descompone el modelo, v ariables seleccionadas y coeficientes y significació n est adística de esas variables Capitulo 3: Establecimiento de los m odelos de estim ación de la biom asa residual forestal … 247 Sin embargo, al igual que ocurría en el anterior clúster, todos estos modelos se encuentran afectados, en mayor o menor grado, por problemas de colinealidad, tal y como indican sus respectivos índices de condición recogido s en la Tabla 3.17, ya que en todos ellos se supera el valor de 15 . En este sentido, los modelos de la muestra N 3 y N 5 no pueden ser considerados como válidos, dado que se sobrepasa con creces el límite establecido por este índice a partir del cu al se considera que los problem as de colinealidad son graves (valor 30) (Pardo y Ruiz, 2005). De esta manera, los modelos ajustados con las muestras N 3 y N 5 quedan reducidos a una sola variable dependiente, la variable ln_MID57 (Tabla 3.18). Modelo-Muestra Variable R 2 a S e β 0 β 1 N 3 ln_MID5 7 0,492 1,170 15,769 -3,657 N 5 ln_MID5 7 0,455 1,184 14,855 -3,401 Tabla 3.18. Modelos d e regresión calculados para las muestr as N 3 y N 5 del clúster 2 al eliminar la variable introduc ida en el s egundo pas o: muestra de parcelas s obre la que se ha calculado, v ariable seleccionada, coeficien te de determinació n ajusta do, error es tándar y coeficiente s de regresión Los análisis efectuados sobre los residuos de los modelos admitidos de la Tabla 3.17 y de la Tabla 3.18 mostraron la validez de los mismos, ya que la distribución de éstos se adecuaba a la esperada en caso de cumplimiento de los supu estos básicos del análisis de regresión múltiple. No obstante, en los modelos ajustados con las muestras N 1 , N 2 y N 4 el análisis de sus residuos d ejó entrever rasgos relacionados con e l incumplimiento del supuesto de no- colinealidad, aunque no son suficien tes para invalidar estos modelos. Así pues, los resultados obtenidos en este clúster indican una vez más que las variables radiométricas relacionada s con el contenido de humedad vuelven a ser las más útiles para predecir la cantidad de biomasa residual forestal del área de estudio. Por otro lado, destaca el hecho de que la alta auto -correlación existente entre las variables radiométricas utilizadas como variables explicativas impide el ajuste de modelos d e regresión múltiple de más de dos t érminos, pudiendo estar estos últimos afectados po r problemas de colinealidad que, en algunos casos, los invalidan en términos estadísticos. Por último, destacar que los modelos bivariantes ajustado s sin problemas graves de colinealidad apenas superan la capacidad predictiva de los modelos univariantes obtenidos, lo que indica la poca importancia que tiene para los modelos la variable seleccionada en el segu ndo paso del método de regresión. E sto se debe, una vez más, a la alta auto-correlación existente entre las dos variables seleccionadas en cada uno de Estimación de biom asa residual mediante im ágenes de satélite y trabajo de ca mpo. Modelización del poten cial energético de los bosqu es turolenses 248 estos modelos que, aunque se sitúa en un niv el aceptable en términos de colinea lidad, hace que ambas expliquen básicam ente la misma parte de la variable dependiente, con lo que gran parte de la varianza que no había sido explicada por la primera de las variables seleccionadas vuelve a quedar otra vez sin ser explicada por la segunda variable (Hair et al. , 1999). A pesar de ello, los coe ficientes de determinación alcanzados por los modelos de regresión lineal ajustados en este a partado, tanto los de los modelos simples como los de los múltiples, superan a los obt enidos anteriormente para este segundo clúster de homogeneidad en el apartado 3.1.1.3.2 mediante modelos univariantes. Este hecho cabe atribuirlo a dos factores: en primer lugar, a la aplicación de transformaciones, lo que ha hecho que mejoren las relaciones entre la variable dependiente y las independientes al lograr que la varianza de estas últ imas se acomode mejor a lo largo del rango de la variable dependiente, y, en segundo lugar, a que las tres parcelas detectadas anteriormente con comportamiento atípico, no han formado parte de la muestra de calibración de los modelos. Aun así, los modelos obtenidos n o se consideran satisfactorios en términos operativos, ya que solamente uno de ellos, el ajustado con la muestr a N 2 , logra explicar algo más del 50% de la varianza de la biomasa residual del área de estudio. Otro hecho negativo es que el modelo que lo gra alcanzar este porcentaje de explica ción puede estar afectado por problemas de colinealidad y que sólo se repite una vez más en el resto de las 4 muestras empleadas, siendo su capacidad de predicción en este caso sensiblemente inferior (6% menos). Así pues, este modelo conformado por las variables MSI y CP1 puede considerarse como no robusto, ya que es muy dependiente de las parcelas que han sido consideradas para la calibración. Dado que ninguno de estos modelos es utilizado p ara la elaboración de cartografía de la biomasa del área de estud io, no fue necesario ca lcular los errores de estimación de los mismos mediante las muestras de parcelas reservadas para ello. - Modelos de regresión múltiple del tercer clúste r La Tabla 3.19 recoge los resultados de las p ruebas de normalidad aplicadas a cada una de las variables que pueden formar parte de los modelos de regresión lineal múltiple que se van a ajustar para el grupo de parcelas que componen el tercer clúster de homogeneidad (65), así como las transformaciones que permiten el cumplimiento de este supuesto fundamental del análisis multivariante en caso de violación. Estimación de biom asa residual mediante im ágenes de satélite y trabajo de ca mpo. Modelización del poten cial energético de los bosqu es turolenses Métodos gráficos Métodos estadísticos Diagnóstico Variable Histograma G. Normalidad Asimetría Curtosis Test K-S Descripción Trans formación Norm. posterior Biomasa resid. No normali dad No normalidad Positiva Mesocúrtica No No normal Raíz cuadrada Normal TM1 Casi normalidad Ca si normalidad Positiva Mesocúrtica No No normal Logaritmo Normal TM2 Casi normalidad Ca si normalidad Positiva Mesocúrtica No No normal Logaritmo Normal TM3 Casi normalidad Ca si normalidad Positiva Mesocúrtica No No normal Logaritmo Normal TM5 Casi normalidad Ca si normalidad Positiva Mesocúrtica No No normal Logaritmo Normal TM7 Casi normalidad Ca si normalidad Positiva Mesocúrtica No No normal Logaritmo Normal CP1 Casi normalid ad Casi normalidad Positiva Mesocúrtica No No normal Inversa Normal CP3 Normalidad Normalidad Simétr ica Mes ocúrtica Si N ormal - - TC1 No normalidad No normalidad Positiva Mesocúrtica No No normal Inversa Casi normal TC2 Casi normalidad Casi normalidad Positiva Mesocúrtica No No normal Logaritmo Normal TC3 Casi normalidad Casi normalidad Simétrica Mesocúrtica Si Normal - - NDVI Normalid ad Normalidad Simétr ica Mesoc úrtica Si N ormal - - SAVI Normalidad Normalidad Simétr ica Mesocúrtica Si Normal - - MSAVI Normalidad Normalidad Simé trica Mesocúrtica Si Normal - - OSAVI Normalidad Normalidad Simé tric a Mesocúrtica Si Normal - - GESAVI No normalidad No normalidad Positiva Leptocúrtica No No normal Logaritmo Normal GI Normalidad Normalidad Simétr ic a Mesocúrtica Si Normal - - MSI Normalidad Normalidad Simétr ica Mesocúrtica Si Normal - - VIS123 Casi normalidad Casi normalidad Positiva Mesocúrtica No No normal Logaritmo Normal MID57 Casi normalidad Casi normalidad Positiva Mesocúrtica No No normal Logaritmo Normal ABD Casi normalid ad Casi normalidad Positiva Mesocúrtica No No normal Inversa Normal Tabla 3.19. Pruebas de n ormalidad aplicadas a la variable depe ndiente biomasa residual forestal y a las variables independiente s correlacionad as con ella en el clúster 3 Estimación de biom asa residual mediante im ágenes de satélite y trabajo de ca mpo. Modelización del poten cial energético de los bosqu es turolenses 256 N 1 R 2 a = 0, 823 R M S E = 3, 922 N 2 R 2 a = 0, 781 R M S E = 5, 959 N 3 R 2 a = 0, 842 R M S E = 6, 856 N 4 R 2 a = 0, 832 R MS E= 4, 60 5 N 5 R 2 a = 0, 860 R M S E = 7, 132 RM S E r = 3 4 , 5 5 RM S E r = 2 9 ,80 RM S E r = 3 6 , 5 9 RM S E r = 2 7 , 8 4 R M SE= 4 1 , 6 6 rz _Bi o m asa r esi d u al (ton s/ h a) rz _B i om as a re s i dual ( t ons /ha) rz _B i om as a re s i dual ( t ons /ha) Figura 3.19 . Gráfic os de dispe rsión de los cinco model os de la Tabla 3 .24 Por último, en la Figura 3.19, que recoge los gr áficos de dispersión a partir de los cuales se ajustan los modelos de la anterior tabla, se muestra el error de pr edicción Capitulo 3: Establecimiento de los m odelos de estim ación de la biom asa residual forestal … 257 obtenido en cada uno de estos modelos utilizando sus respectivas muestras de validación (30% de las parcelas). Como se observa en la figura, las diferencias obtenidas en términos de error son más notables que las obtenidas ten iendo en cuenta el coeficiente de determinación ajustado. Así, el modelo con mayor error (N 5 ) presenta un RMSE r 14 puntos superior al de menor error (N 4 ). Este hecho pone de manifiesto que la influencia que el pequeño tamaño de la muestra tiene en la robustez de los modelos es mayor de lo que se pensaba observando tan sólo el coeficiente de determinación, ya que la presencia de determinados puntos en la muestra de validación, los de mayor valor, determina que los modelos obtengan un mayor o menor error en la estimación de la biomasa residual. Figura 3.20. Cartografía de biomasa residual forestal obte nida mediante regres ión lineal usando las parcelas del cuarto clúster derivadas de la utilización del método de extracción de ventanas 3x3 y el CV A pesar de esta circunstancia, es d e destacar el hecho positivo de que estos cinco modelos se basen en la utilización de las banda s que, a lo l argo de este apartado, se han mostrado como las más útiles para estimar la biomasa residual del área de estudio, independientemente del grado de heterogeneidad de la muestra utiliza da, lo que avala la utilidad de las mismas. Así pues, a pesar de que estos modelos puedan estar sobre- ajustados a la muestra, no cabe d uda de que responden a la existencia de una relación biofísica estable entre la variable estudiada y la respuesta espectral registrada por el sensor. Estimación de biom asa residual mediante im ágenes de satélite y trabajo de ca mpo. Modelización del poten cial energético de los bosqu es turolenses 258 Para crear la cartografía de la biomasa residu al del área de estudio, los modelos que utilizan la banda TM7 parecen los más adecuados, ya que son los que más se repiten y los que mejor relación presentan entre el coeficiente de determinación alcanzado y el error obt enido. Dentro de estos, se selecciona el aju stado a partir de la muestra N 4 dado que es el que presenta un RMSE r menor. 3.1.1.4. Conclusiones La utilización de ventanas fijas de tamaño 3x3 píxeles y del CV de Pearson se han mostrado como técnicas útiles para conocer la influencia que la heterogeneidad esp acial de los bosques mediterráneos tiene en el ajuste de modelos de estimación de biomasa residual forestal mediante el uso de imágenes ópticas de resolución media y otras variables auxiliares. La información obtenida mediante estos dos métodos ha dado la oportunidad de considerar distintos grupos de par celas del IFN-2 sobre las que se tiene informació n de biomasa residual en función de su heterogeneidad espacial-radiométrica. Los resultados obtenidos en estos grupos mediante la utilizaci ón de los diferentes métodos de regresión aquí considerados permiten llegar a las siguientes conclu siones parciales que dirigen los siguientes apartados del trabajo: I. La heterogeneidad de los bosques mediterráneos es un factor de primera magnitud a la hora de obtener modelos estimativos precisos y operativos. Los coeficientes de correlación obte nidos al relacionar la biomasa residual con las variables radiométricas en cada uno de los 10 grupos de parcelas delimitados en función de su heterogeneidad espacial-rad iométrica han mostrado cómo las correlaciones entre ambas variables son más altas a medida que la homogeneidad es mayor. Esta situación tiene su reflejo en los resultados obtenidos en los distintos métodos de regresión ajustados en los cuatro grupos seleccionados como representantes de distintos niveles de heterogeneidad , los denominados a lo largo de e ste trabajo como clúster 1 (exponente de la máxima heteroge neidad, ya que incluye toda la muestra disponible), clúster 2 (heterogeneidad intermedia resultan te de la eliminación de las parcelas más problemáticas), clúster 3 (parcela s con un alto grado de homogeneidad) y clúster 4 (máximo exponente de homogeneidad de la muestra). Capitulo 3: Establecimiento de los m odelos de estim ación de la biom asa residual forestal … 259 De esta manera, se ha mostrado la imposibilidad de ajustar modelos de regresión que permitan conocer de una forma precisa la cantidad exacta de biomasa residual en los dos primeros clústeres, dada la insuficiente relación entre la variable dependiente y las independientes y la alta correlación existente entre estas últimas. Sin embargo, el análisis de regresión logística sí se ha m ostrado como una técnica estadística adecua da para cartografiar zonas con alta y baja probabilidad de biomasa residual fore stal a pesar de la alta heterogeneidad radiométrica de la muestra. Aunque en estos clústeres (1 y 2) los resultados obtenidos con la regresió n logística son satisfactorios, los a justes son mejores en el clúster dos, cuando se eliminan las parcelas que más claramente presentan problemas de localización o que pueden inclu ir otros elementos paisajísticos. Así pues, la regresión logística se er ige en una herramienta útil para obtener una primera valoración acerca de la existencia de este re curso forestal en ambientes forestales de carácter heterogéneo a partir de la consideración de variables contin uas y categóricas sencillas de obtener a partir del uso de técnicas de teledetección y SIG. Por su parte, la utilización de los clústeres 3 y 4 ha mostrado que es posible establecer modelos estimativos precisos en ambientes forestales cara cterizados por una alta homogeneidad espacial. Sin embargo, como se discutir á más adelante, el hecho de que estos dos grupos estén compuestos por un esca so número de parcelas en comparación con la muestra total de la que se dispone (65 y 35 parcelas, después de la eliminación de las atípicas detectadas) puede hacer que estos modelos estén sobre- ajustados y que no sean represe ntativos para todo el territorio considerado en este trabajo. II. Entre las variables independientes consideradas, las radiométricas derivadas de la imagen Landsat son las más útiles para estimar la biomasa residual forestal del área de estudio. La aportación de variables topográficas derivadas del MDE para estimar biomasa residual forestal es nula, ya que únicamente unas po cas variables (principalmente Elevación, VER_POT_HORAS e INV_POT) presentan correlaciones significativas en los tres grupos con mayor número de parcelas, de sapareciendo la signif icación cuando sólo se consideran las parcelas más ho mogéneas. Estas correlaciones significativas son muy débiles, no logrando explicar ni el 0,5% de la varianza de la variable dependiente, por lo que esta relación puede ser ach acada al factor azar. Así, a pesar de su escasa correlación con las radiométricas, n inguna de las variables topográficas considerada s fue incluida en los modelos multivariantes ajustado s por el método de pasos sucesivos en el Estimación de biom asa residual mediante im ágenes de satélite y trabajo de ca mpo. Modelización del poten cial energético de los bosqu es turolenses 260 anterior apartado, ni siquiera en los modelos de regresión logística ajustados para el clúster 1, en donde las relaciones eran más significativas. Por el contrario, una de las do s variables forest ales derivadas del Map a Forestal de Aragón , COD_MADUREZ, sí que se muestra útil para estimar la biomasa residual del área de estudio. Esta información, reclasificada como variable binaria, forma parte de los modelos multivariantes de regresión logíst ica obtenidos para los clúster es 1 y 2, teniendo un peso importante en ambos, tal y como indican los respectivos Exp( β ) de cada modelo. Como se ha señalado con anterioridad, esta variable índica en los modelos que la cantidad de biomasa residual e s mayor en las masas de pináceas que se sitúan en los dos niveles de madurez superiores en el área de estu dio (6 y 7) que en las que pertenecen a niveles inferiores. Así pues, aunque la utilidad de esta información en l a obtención de modelos es limitada, por cuanto su naturaleza categórica sólo le permite formar parte de los modelos de regr esión logística, su papel es importante, ya que estos modelos se han revelado como los únicos factibles para obtener una aproximación a la cantidad de biomasa existente en bosques cara cterizados por una gran heterogeneidad. Así, en consonancia con la h ipótesis de partida de este trabajo, los r esultados obtenidos han mostrado como las variables radiométricas derivadas de la imagen Landsat son las más útiles, entre todas las considerada s, para estimar la biomasa residual forestal del ár ea de estudio, ya que todos lo s modelos a partir de los cu ales se ha podido obtener cartografía emplean una d e estas variables como principal o como única. Dentro de estas variables, los análisis realizados permiten afirmar que las relacionadas con el co ntenido de la humedad de la vegetación son las más útiles para cumplir con el objetivo de esta tesis. En efecto, tal y como se observa en los resultados obtenidos en el análisis de correlaciones, las variables con sideradas relacionadas di recta o indirectamente con el contenido de agua de la vegetación son las que mayores coeficiente de correlación presentan, independientemente del grado de heterogeneida d de la muestra. Este hecho se ve confirmado en todos los análisis de regresión llevados a cabo en los cuatro clústeres, los cuales siempre dan como mejor resultado modelos basados en el uso de alguna de estas variables. A este respecto, señalar que la identificación de una variable radiométrica relacionada con la humedad como una de las mejores predictoras coincide con las aportaciones d e algunos trabajos que han aborda do la estimación de biomasa (Steininger, 2000; Foody et al. , 2001; Lu et al. , 2004; Lu, 2005; Lu y Batistella, 2005) y Capitulo 3: Establecimiento de los m odelos de estim ación de la biom asa residual forestal … 261 otros parámetros forestales continuos como el LAI (Eklundh et al. , 2001; Eklundh et al. , 2003). El diferente rango dinámico de las bandas originales proporcionadas por el sensor TM a las variaciones de biomasa residual forestal puede explicar porqué las variables espectrales relacionadas con la humedad son más adecuadas que el resto de las variables radiométricas consideradas en este trabajo. En relación con ésto, las dos bandas originales que registran información en el infrarrojo medio (TM5 y TM7) presentan un mayor rango dinámico que las tres bandas que registran informació n en la región del visible (TM1, TM2 y TM3). Consecuentemente, TM5 y TM7 han resultado más útiles para describir y explicar la variabilidad de la variable dependiente. Con respecto a TM4, independientemente de su rango dinámico, se ha mostrado cómo esta banda es la que presenta menor grado de correlación con la biomasa, pudiéndose explicar esta circunstancia por los motivos anteriormente señalados que modifican la relación directa de esta banda con la biomasa esperada en un principio. En este sentido, los resultados obtenidos con los neocanales considerados en esta investigación están también relacionados con este r ango dinámico de las bandas originales TM con las variaciones de biomasa residual forestal. Por lo tanto, los neocanales que tienen mayores cargas en su f ormación de las bandas TM5 y TM7 son también los mejor correlacionados con la bioma sa. Por otra parte, diferentes trabajos han mostrado que los índices de vegetación como el NDVI tienden a saturarse tempranamente a altas densidades de vegetación (Gitelson, 2004; Mutanga y Skidmore, 2004). Como resultado, TC3, MSI y MID57 son l as tres transformaciones correlacionadas con la biomasa residual. Como ejemplo de la solidez de estas variables relacionadas con la humedad como las más adecuadas para la estimación de la bio masa, basta recordar lo ocurrido cuando se abordó la formulación de modelos de regresión simple en el clúster 4, donde el escaso número de parcelas invitaba a que cualquier variable radiométrica pudiera ajustar de forma correcta un modelo mejor. En este clúster, los modelo s ajustados con las variables VIS123, TM2 y TM3 presentaron unos coeficie ntes de determinación algo mejore s que los que utilizaban las variables TM5 y MID57. Si n embargo, a pesar de esto, la utilización de las muestras de validación mostró cómo los modelos obtenidos con TM5 y MID57 daban lugar a errores en la estimación notablemente inferiores a los pr oporcionados por Estimación de biom asa residual mediante im ágenes de satélite y trabajo de ca mpo. Modelización del poten cial energético de los bosqu es turolenses 262 los tres primeros, siendo más precisos y más coherentes con los resultados obt enidos hasta entonces. Dentro de las variables relacionada s con la humedad, señalar que en los modelos de regresión logística la variable MSI es la más útil, mientras que en los modelos de regresión cuantitativos tradicionale s curvilineales o lineales, las variables originale s de la imagen Landsat, TM5 y TM7, y el neocanal resultante de la suma de éstas, MID5 7, se erigen como las más adecuadas. A este resp ecto señalar que el carácter curvilin eal de las relaciones entre la biomasa residual y TM5, TM7 y MID57 es el responsable de que alguna de estas variables no haya sido seleccionada en los modelos de regresión logística en lugar de MSI. Recordemos que, para el ajuste de estos modelos, dada la alta auto-correlación existente entre las variables independient es, se decidió utilizar la más correlacionada con la biomasa residual que menos lo estuviera con el resto de variables predictoras, utilizándose para ello el índice de correlación de Pearson . Este índice, tal y como indica Hair (1982), no es el más adecuado para medir una relación de dependencia cuando ésta no es de carácter lineal, lo que hizo que MSI fuera la seleccionada, ya que, como se vio con posterioridad mediante los gráficos de dispersión creados para los modelos de regresión simple, esta variable sí estaba r elacionada linealmente con la biomasa, mientras que TM5, TM7 y MID57 lo estaban de forma no lineal. Aun así, basándonos en las altas correlaciones observadas entre e stos cuatro índices, podemos afirmar que los modelos de regresión logística ajustados en este trabajo son totalmente válidos y que no se diferencian mucho de los que se habrían obtenido utilizando cualquiera de las otras tres variables, más aun cuando estos modelos const ituyen una primera aproximación a la cantidad de biomasa residual del área de estudio, que simplemente señalan los lugares donde existe mayor probabilidad de encontrar una determinada cantidad. Por último, resaltar que aunque criterios basados en un mayor coeficiente de determinación, un menor error de la estimación y una mayor amplitud del rango efectivo de la variable independiente han determinado la elección entre TM5, TM7 y MID57 en los modelos univariantes ajustados en los clústeres 3 y 4, cualquiera de los otros dos ín dices no seleccionados hubiera dado lugar a un m odelo similar e igualmente válido para obtener cartografía de biomasa residual del área de estudio. Esta afirmación se ve confirmada en los análisis de regresión multivariante posteriores llevados a cabo en estos clústeres, ya que la división aleatoria de la muestra en 5 grupos difere ntes indica cómo, Capitulo 3: Establecimiento de los m odelos de estim ación de la biom asa residual forestal … 263 aunque siempre una de las tres ba ndas es al final más veces seleccion ada, las otras son también validas en otras subdivisiones, alcanzando similare s resultados. III. La relación entre la biomasa residual forestal y las variables radiométricas derivadas de la imagen Landsat es predominantemente de carácter curvilineal. A lo largo del apartado dedicado al análisis de regresión simple, los gráficos de dispersión ajustados en los diferent es clústeres entre la variable biomasa residual y las variables radiométricas han mostrado cómo las relaciones entre estos dos tipos de variables son mayoritariamente no lineales, constituyéndose como exc epción los índices de vegetación NDVI, los de la familia SAVI, el MSI y el GI. Esta circunstancia indica que la mayoría de variables radiométricas consideradas presenta un punto de saturación a partir del cual son incapaces de predecir cantidades de biomasa residual mayores, situación ya observada en otros trabajos que intentan estimar AGB a nivel regional mediante el concurso de satélites ópticos, sobre t odo en ambientes complejos (Lu, 2006; Anaya et al. , 2008). La excepción la constituyen las variables que presentan una relación lineal, si bien es necesario señalar que éstas también podrían tener un comportamiento curvilíneo si se utilizaran cantidades mayores de biomasa residual que las aquí consideradas. Así pues, con respecto a estas últimas variables, solamente podemos afirmar que su rango es efectivo sin saturación para la variación de biomasa presente en la muestra, pero que lo desconocemo s para variaciones superiores. A los efectos prácticos de este trabajo, los mejores modelos de regresión ajustados en el apartado de regresión simple corresponden a los clú steres 3 y 4, que han dado lugar a cartografías de e stimación válidas para el área de estudio, ya que la saturación de ambos se sitúa en un nivel ligeramente superior a la can tidad máxima de biomasa de la muestra utilizada de 482 parcelas (64,720 tons/ha). Por otra parte, como se ha visto en el apartado centrado en el ajuste de modelos de regresión lineal múltiple, la presencia de estas relaciones curvilineales hace que sea necesario aplicar transformaciones que garanticen los su puestos básicos de este tipo análisis de dependencia multivariante. Es necesario señalar que la linearización de las relaciones no supone la desaparició n del problema de saturación en el caso de que ésta exista, ya que tal situación provoca la acumulación de pun tos en el tramo superior de la relación lineal, no la dispersión de éstos a lo lar go del mismo. La aplicación de estas transformaciones es costosa en tie mpo y, en el caso de que no sirvan para la el ajuste de modelos multivariantes, tal y como ocurre en este Estimación de biom asa residual mediante im ágenes de satélite y trabajo de ca mpo. Modelización del poten cial energético de los bosqu es turolenses 264 trabajo, no sirven para lograr mejores modelos predictivos que los curvilineales, sino para ofrecer otra versión parecida de estos tanto en términos de capacidad de predicción como en términos de error de estimación. IV. Las altas correlaciones existentes entre las variables radiométricas impiden el ajuste de modelos de estimación multivariantes. El objetivo que se perseguía mediante la utilización de un gran número de variables radiométricas era encontrar una principal que pudiera e xplicar una gran proporción de esta variable biofísica, pudiendo ser el resto de varianza explicada mediante el uso de otra u otras variables. Sin embargo, los análisis llevados a cabo en e l apartado dedicado a la regresión logística mostraron que las auto-cor relaciones entre las variables radiométricas qu e más relacionadas estaban con la biomasa residual eran muy altas, incrementándose a medida que la homogeneidad radiométrica de las parcelas era mayor. Así pues, en aras de asegurar la robustez de los modelo s, esta situación desaco nsejaba la consideración de todas la variables radiométricas para su ajuste, ya que éste se podía ba sar en una u otra dependiendo de la muestra de 80 % de las parcelas utilizada para la calibració n. Este hecho fue solucionado selecciona ndo la variable más correlacionada con la biomasa residual junto a aquellas otras radiométricas que, estando relacionadas con la biomasa, menos lo estuvieran con la introducida en primer lugar, aunque ésto solo fue efectivo en el primero de los clústeres. Lo que sí se consiguió con esta estrategia fue garantizar la coherencia de los modelos de regresión logística, independientemente del grado de heterogeneidad y de las parcelas seleccionad as al azar en las 5 subdivisiones, y a que siempre se utilizaba la variable mejor correlacionada considerando todo el conjunto de parcelas. Esta situación de alta auto-correlación tambié n se manifestó de una forma clara en los intentos efectuados para ajustar modelos de regresión lineal múltiple. Este factor es el causante de que, dependien do de la subdivisión utilizada, la variable radio métrica seleccionada en el método por pasos su cesivos sea una u otra, aunque siempre relacionada con el contenido de hu medad de la vegetación, lo que hace que el modelo tenga una similar capacidad de predicción. Otro indicador de la alta correlación entre las independientes es que, cuando se logra ajustar una ecuación lineal compuesta por dos variables, alguno de lo s estadísticos utilizados para diagnosticar la colinealida d del modelo supera los umbrales máximos permitidos, por lo que son desechados. Además, Capitulo 3: Establecimiento de los m odelos de estim ación de la biom asa residual forestal … 265 otro hecho significativo de estos modelos, que indica que las do s independientes seleccionadas están al tamente relacionadas, es que el coeficiente de determinación apenas incrementa su valor con el añadido de la segunda variable, ya que ésta explica casi la misma porción de la varianza de la dependiente q ue la seleccionada en primer lugar. Así pues, a pesar de haber considerado variables de diferentes partes del espectro electromagnético (las bandas originales de Landsat TM) y un amplio número de índices relacionados con variables biofísica s de la vegetación (contenido de humedad, vigor vegetal…), no resulta posible integrar dos de ella s en el mismos modelo, bien sea porque a pesar explicar distinta información están igu almente relacionadas con la biomasa residual, bien porque no lo están suficientemente para se r integradas en un modelo explicativo. En conclusión, la utilización de ventanas fijas de 3x3 se ha mostrado como una técnica de extracción de la información radiométrica útil para la obtención de modelos exploratorios que permiten conocer la probabilidad de existencia de una determinada cantidad de biomasa residual en boques mediterráneos caracterizados por una alt a heterogeneidad espacial-radiométrica, mientras que modelos cuantitativos más precisos son sólo posibles si la muestra utilizada queda reducida a las parcelas más homogéneas. Estos resultados coincid en con lo apuntado por lo apuntado por Salvador y Pons (1998a), que señalan cómo trabajos que utilizan un gran número de parcelas (a pesar de centrarse en ambientes boreales más homogéneos) obtienen un bajo coeficiente de determinación, mientras que investigaciones que utilizan un número mucho menor de puntos dan lugar a ajustes mejores. A este respecto, cabe señalar que la escasez de la muestra empleada para el ajuste de estos últimos (65 y 35 parcelas) puede hacer que estos modelos estén sobre- ajustados, siendo sólo válidos para ser utilizados en el área en el cual han sido calculados (Salvador y Pons, 19 98a,b); es decir, que estos modelos sólo sean representativos para los bosques de pináceas de la provincia de Teruel y no extrapolables a otras áreas distinta s. Desde un punto de vista mucho más estrict o, el escaso número de parcelas empleado teniendo en cuanta el número inicial (13,49% y 7,26%, respectivamente) puede incluso poner en duda que estos modelos sean representativos de todos los bosques turolense s, ya que pueden no ser suficientes para caracterizar todos los ambientes en los que la s especies consideradas se encuentran. Estimación de biom asa residual mediante im ágenes de satélite y trabajo de ca mpo. Modelización del poten cial energético de los bosqu es turolenses 272 Heiskanen, 2005). Esto se hizo mediante la creación de AOI’s en ERDAS Imagine (Figura 3.22). Es pues, finalmente, a partir de la utilización de estos AOI’s como se obtiene el valor medio de cada una de la s variables consideradas, que es relacionado en el siguiente subapartado con la cantid ad de biomasa residual de las parcelas que cont iene. A B A B Figura 3.22. AOI’s de las áreas forestales homogéneas delimitadas medi ante análisis visual utilizadas para la ex tracción del valor medio de la s v ariab les radiométricas y forestales sin co nsiderar los píxeles situados en la frontera 3.1.2.1.2 Estudio de las correlaciones entre biomasa residual forestal y las variables espectrales y topográficas continuas considerando el grado de aptitud de las áreas homogéneas La Tabla 3.25 recoge los coeficientes de correlación de Pearson obtenidos al relacionar la biomasa residual con las variabl es radiométricas, con siderando diferentes grupos de áreas homogéneas según la calidad alcanzada en su proceso de delimitación. Así, el grupo 1 engloba todas las áreas homogéneas (aptitud 1, 2 ó 3), el grupo 2 está compuesto por las que han quedado clasificadas como aptitud 2 ó 3 y, finalmente, el grupo 3 está integrado por las parcelas con un valor de aptitud 3, es decir, para las que no existen dudas acerca de la correcta digitalización de sus lí mites. Todas las variables pre sentan correlaciones sig nificativas a nivel de p<0,01 en los tres grupos deli mitados, a e xcepción de CP2, qu e sólo presenta rel aciones significa tivas en el grupo 3 y a nivel de 0, 05. En cuanto a la magnitud de las c orrelaciones , ésta aumenta e n todas las va riables a me dida que la calidad de d elimitación de las áreas ho mogéneas es mayor. La existencia d e esta relac ión directa entre calida d de la deli mitación del área homogénea y grado de correlación con la b iomasa resi dual avala la c lasificación que de estas nuevas áre as se ha hech o mediante la utilización d el atribut o aptitud. [Document text truncated for crawler view.]