Documentos de Académico
Documentos de Profesional
Documentos de Cultura
1.1 Antecedentes
1.3 Justificación
Objetivos
General
Específicos
Hipótesis
1
Metodología
Área de estudio
El área de este estudio abarca gran parte del centro y sur de Sonora
2
2.2 Especie de estudio
Como información principal se utilizó la última iteración del Inventario Nacional Forestal y de
Suelo de México (INFyS) (2009 y 2014), este contiene alrededor de 26 000 parcelas a lo largo
del país y con una densidad de 2577 ha de superficie forestal por parcela. La INFyS clasifico la
vegetación en base a una Carta de Ordenamiento Territorial y Vegetación Serie III-IV a escala
elaborada por el INEGI.
Para el muestreo estratificado sistemático el INFyS utilizo unidades primarias de muestreo
denominadas conglomerados (CGL), los cuales se distribuyen en una red de puntos con una
separación de 10km en bosque seco tropical y comunidades semiáridas y de 5km para otros tipos
de bosques. Los CGL se valuaron en cuatro unidades secundarias de muestreo (UMS) ya que
eran circulares y contaban con un área de una hectárea de 56,42 m de radio. Cada UMS tenían un
área dispuesta en “Y” invertida, los cuales eran circulares para bosques templados y semiáridos y
rectangulares para bosques tropicales. Se categorizan según el tipo de bosque a nivel de CGL.
Mientras que los CGL sin arboles son descartados (que contenían estructuras humanas y caminos,
además zonas de impactos como minería o huracanes). En el caso de incendios y plagas, se
excluyeron los CGL catalogados como “grandes afectados”, siendo un mínimo de 66% de la
extensión afectada. También se excluye ciertas parcelas cuya baja área basal no alcanzaba el
umbral de 2 m2/ha, además de no ser bosque denso. Se utilizaron datos restringidos (2009-2012)
por falta de existencias de C (2013-2014). Al final se utilizó un estudio de 10 519 CGL que
incluía bosques de coníferas, de hoja ancha, mixtos, siempre tropical verde y semideciduo,
tropical seco y semiárido.
3
2.3 Determinación de variables
Se dividen los datos obtenidos en dos partes: El primero está relacionado a la temperatura y el
segundo en precipitación.
4
En primera instancia se usó del software libre R usando la interface de RStudio (v. 1.4.1106) para
realizar un análisis exploratorio de las 38 variables bióticas y abióticas que se obtuvieron
previamente.
5
Tabla 3. Variables seleccionadas para la modelación
ID
x
Slope
(deg)
Soil_d
[m]
Structural
Stumps
[#]
ABG
[t/ha]
BGB
[t/ha]
Bt
[t/ha]
AGC
[t/ha]
BGC
[t/ha]
Ct
[t/ha]
Temp
[°C]
PTT
[mm]
DBH
[cm]
H
[m]
BIO1
Annual Mean Temperature
BIO2
Mean Diurnal Range (Mean of
monthly (max temp - min temp))
BIO3
Isothermality (BIO2/BIO7) (×100)
BIO4
Temperature Seasonality (standard
deviation ×100)
BIO5
Max Temperature of Warmest Month Worldclim
BIO6
Min Temperature of Coldest Month
BIO7
Temperature Annual Range (BIO5-
BIO6)
BIO8
Mean Temperature of Wettest
Quarter
BIO9
Mean Temperature of Driest Quarter
BIO10
Mean Temperature of Warmest
Quarter
BIO11
Mean Temperature of Coldest Quarter
BIO12
6
Annual Precipitation
BIO13
Precipitation of Wettest Month
BIO14
Precipitation of Driest Month
BIO15
Precipitation Seasonality (Coefficient
of Variation)
BIO16
Precipitation of Wettest Quarter
BIO17
Precipitation of Driest Quarter
BIO18
Precipitation of Warmest Quarter
BIO19
Precipitation of Coldest Quarter
Type
Tenure
Fires
Pests
7
2.5 Selección de mejores modelos para predecir las variables respuesta
Al término del análisis exploratorio se optó por utilizar Modelos Lineales Generalizados o GLM
(Generalized Linear Models).
En estos modelos se incluyeron como variables predictoras a SumBAcm2, SW, dba, lba, tba, ls,
ds, Elevación y Tip_de_bos, y a PercCmue, PercCReb, PercCdaño, Suma_Inds_Tot como
variables respuesta (ver Tabla 3 para los nombres completos de las variables).
Para cada variable respuesta se desarrolló un modelo general con variables predictoras que
estuvieran relacionadas con la variable respuesta, pero no correlacionadas entre sí. Posterior a
esto se usó la función stepAIC que desarrolla n iteraciones de modelos con base a las variables
predictoras del modelo general y selecciona un mejor modelo. Del conjunto de modelos, el
stepAIC selecciona el mejor modelo como aquel que minimiza el valor de AIC (Akaike
Information Criterion o Criterio de Información de Akaike).
8
9