felipe bravo oviedo - upm [blogs], servicio de blogs...
Post on 25-Apr-2020
2 Views
Preview:
TRANSCRIPT
MODELIZACIÓN FORESTALCONCEPTOSPROBLEMAS¿SOLUCIONES?
Felipe Bravo Oviedo
(algunos)(muchos)(pocas)
http://sostenible.palencia.uva.es
INTRODUCCIÓN
http://www.igbp.net/publications/policybriefsforrio20summit/policybriefsforrio20summit/humanwellbeingforaplanetunderpressure.5.705e080613685f74edb800014787.html
¿Por qué son importantes los bosques?
Diversidad forestal
¿QUÉ MODELIZAMOS?
• Forma y tamaño de los árboles y otros componentes de los sistemas forestales
• Relaciones alométricas• Relaciones tamaño-densidad• …..
• Dinámica de los sistemas forestales• Demografía• Crecimiento• Modelos de nicho• Sucesión• ….
• Servicios ecosistémicos• Productos maderables y no maderables• Biodiversidad• ….
• Eventos relevantes en los bosques (riesgos y daños)• Incendios (ocurrencia, propagación,…)• Procesos erosivos y dinámica hidrológica superficial• Plagas y enfermedades• ….
CONCEPTOS
ESCALA TEMPORAL DE LOS PROCESOS
Pretzsch, 2009
ESCALA TEMPORAL DE LOS PROCESOS
Pretzsch, 2009
SISTEMAS ABIERTOS
Pretzsch et al, 2014
• Existen intercambios de energía, materia (semillas, nutrientes,..) con el entorno
• Es difícil establecer los límites de los rodales (que además son cambiantes)• Los elementos que componen el bosque (p.ej., árboles) cambian con el
tiempo
SISTEMAS ESTRUCTURADOS
Pretzsch, 2009
• La distribución espacial de los árboles determina fuertemente la dinámica del bosque
• La distribución espacial cambia con el tiempo
SISTEMAS CON MEMORIA
Bravo, 2007
• La dinámica forestal está determinada a largo plazo (en parte) por las perturbaciones
Pretzsch, 2009
SISTEMAS CON BUCLES Y RETROALIMENTACIÓN
Pretzsch, 2009
SISTEMAS CON ESTRUCTURA JERÁRQUICA
Ulrich, 1993 en Pretzsch, 2009
• De los genes a los paisajes…. Los procesos se pueden estudiar a diferentes escalas temporales y espaciales
SISTEMAS CON MÚLTIPLES ‘OUTPUTS’
Wunder y Jellesmark-Thorsen, 2014http://www.efi.int/files/attachments/publications/efi_wsctu_5_vol-1_en_net.pdf
Es cosa de necio confundir valor y
precio
SISTEMAS CON PROPIEDADES EMERGENTES’
Alometría & forma de curvas de crecimiento y producción
Densidad del rodal – ley empírica de Assmann
Autoaclareo Dinámica de rodales
forestales
Alometría y forma de curvas de crecimiento y producción
Pretzsch (2009)
Árboles dominantes
Supressedtree
SISTEMAS CON PROPIEDADES EMERGENTES’
West et al (2009) PNAS
SISTEMAS CON PROPIEDADES EMERGENTES
Densidad del rodal Hipótesis de
Langsaetter/Wiedermann Ley empírica de Assmann
Timberyield
Total yield
Critical basal area–Lower bound
AssamannPlateau
Critical basal area – Upperbound
Growth
Assmann (1970)Pretzsch (2009)
1
10
100
1000
10000
100 1000 10000
N/ha
V [m
³/ha]
0.001
0.01
0.1
1
10
10 100 1000 10000
N/ha
v [m
³]
SISTEMAS CON PROPIEDADES EMERGENTES
Autoaclareo
-3/2
Pinus sylvestrisSistema Ibérico
Reineke (1933) Journal of Agricultural Research 46:627-638Yoda, Kira, Ogawa, Hozumi (1963) Jour. Biol. 14: 107-129.Río, Montero & Bravo (2001) Forest Ecology and Management 142:79-87
Pendiente -1.75Pendiente -1.605 ; -1.5 ; …..
SISTEMAS CON PROPIEDADES EMERGENTES Dinámica de rodales forestales
Camp y Oliver (2004) Forest Encyclopediahttp://enviro.doe.gov.my/lib/digital/1384855919-3-s2.0-B0121451607002313-main.pdf
PROBLEMAS
MÚLTIPLES ESCALAS
Pretzsch, 2009
DATOS: DE LA ESCASEZ A LA (SOBRE)ABUNDANCIA Parcelas temporales
Parcelas de intervalo
Parcelas permanentes
Pretzsch, 2009
Gadow et al, 1999
Assmann, 1970
DATOS: DE LA ESCASEZ A LA (SOBRE)ABUNDANCIA
Samples processing Visual analysis and dating(false rings identification)
Series measurementCross-dating
2 cm
Methods
Riofrio et al, 2014
DATOS: DE LA ESCASEZ A LA (SOBRE)ABUNDANCIA
Uzquiano et al, 2014
DATOS: DE LA ESCASEZ A LA (SOBRE)ABUNDANCIA
SISTEMAS DE MUESTREO/ EXPERIMENTACIÓN
http://www.heteropterus.org/descargas/Peninsula10x10.jpg
SISTEMAS DE MUESTREO/ EXPERIMENTACIÓN
R= 25 mEstructura del rodalNaturalidadElementos singualeresEdad del rodal
R = 15 mMadera muerta
Densidad de especies; exóticas invasivas y especies protegidas
Árboles R:10mMatorrales R:5mHerbáceas R:1m
R:10m CoberturaCobertura de especiesno arbóreasImpacto del ramoneo
R = 5 m
Regeneración
Alberdi 2012
SISTEMAS DE MUESTREO/ EXPERIMENTACIÓN
RC1 RC2
HT
HCB
HLCW
DBH
SISTEMAS DE MUESTREO/ EXPERIMENTACIÓN
ESTRUCTURAS COMPLEJAS
Pretzsch, 2009
‘DRIVERS’ CAMBIANTES
Productos/Servicioscambiantes
Gestión Productividad
‘DRIVERS’ CAMBIANTES
Productos/Servicios cambiantes
‘DRIVERS’ CAMBIANTES
Gestión
Nelder (1962) ‘wheels’ (mezcla y
espaciamiento)
Prieto-Recio, Bravo & Diez (2013) Journal of Agric. Extension & Develop. 4(9):241-245
‘DRIVERS’ CAMBIANTES Productividad
Pretzsch et al, 2014 Nature
Allen et al, 2014 Forest Ecology & Management
++
-
-
El clima explica el 50 % de la variabilidaden el Indice de Sitio
Bravo-Oviedo et al (2008) Canadian Journal of ForestryResearch 38:2348-2358Bravo-Oviedo et al 2010, Canadian Journal of ForestResearch 40:2036-2048
RESPUESTAS CAMBIANTESBiomasa
• Sensibilidad creciente a la sequía(otoño/primavera) durante los últimos 50 años
• Efectos ‘Carry-over’ de sequíasrecurrentes
Lara, Bravo & Maguire (2013) Agricultural and ForestMeteorology 178-179: 140-151
Bogino & Bravo (2008) Annals of Forest Science 506Bogino et al (2009) Silva Fennica 43(4):609-623
Crecimiento radial• Respuesta dependiente de la edad
δ13C (‰) = [(13C/12C muestra) /(13C/12C referencia – 1)] ×103
• Eficiencia en el Uso del agua• Estabilidad en los anillos de crecimiento
0,2-0,3 mg
1975-1999
Pinus pinaster
-30,00
-29,00
-28,00
-27,00
-26,00
-25,00
-24,00
-23,00
-22,00
-21,00
-20,00
-19,001974 1976 1978 1980 1982 1984 1986 1988 1990 1992 1994 1996 1998 2000
year
13C
/12C
+
-
δ13C
578 617 656 695 734
Maximum mean temperature
-26
-25
-24
-23
-2213
C
- Temperatura +526 1377 2228 3079 3930
Mean rainfall
-26
-25
-24
-23
-22
13C
- Precipitación +
RESPUESTAS CAMBIANTESIncremento de la eficiencia en el uso
del agua (WUE)
Bogino & Bravo (2014) Bosques 35(2):175-184
RESPUESTAS CAMBIANTES
T0 = No thining
T15 = Reduction 15% Basal Area
T30 = Reduction 30% Basal Area
T45 = Reduction 45% Basal Area
CRECIMIENTO:Interacción entre selvicultura (momento
e intensidad de la corta) y clima
Olivar, Bogino, Rathgeber, Bonnesoeur & Bravo(2014) Annals of Forest Science 71:395-404
PROCESOS ESTOCÁSTICOS Y DETERMINISTICOS
+ 1,4 ºC
+ 5,8 ºC
Weiskittel et al (2011)
SOLUCIONES
ESTRUCTURA DE LOS MODELOS
IBERO-Modelo de crecimiento (modelo de árbol individual independiente de la distancia o espacialmente no explícito)
www.simanfor.es
Bravo et al, 2010 y 2012
Curvas de calidad
Ecuación de espesor de cortezaEcuación de perfil Inicialización
(cálculo de CR, BAL, Ho, SI...etc)
Máxima anchura de
copa
Altura a la base de la
copa
Altura a la máxima altura
de copa
Curva hipsométrica
BACKDATING
Canutillos de crecimiento (DBH en el
momento t-5)
Ecuación de crecimiento en
diámetro
Ecuación de crecimiento en alturaEcuación de mortalidad
Cubicación
Ecuación de masa incorporada
Predicción del estado del rodal en el momento t+5
Submodelos:• Relaciones dendrométricas• Calidad de estación• Crecimiento (diámetro y altura)• Masa incorporada• Mortalidad
Selección de Submodelos:2 fases:
• Adecuación individual• Adecuación conjunta
SELECCIÓN DE VARIABLES
• Variables con base biológica y selvícola
• Evitar el uso de métodos de inclusión/exclusión de variables ‘paso a paso’
• Evitar sobreparametrización(Principio de parsimonia de Ockham: Pluralitas non estponenda sine necessitate )
• Evitar, en lo posible, la transformación de variables (problemas en la estimación de la variable no transformada)
Riofrio, 2013
ESTRUCTURA DE MATRIZ DE VARIANZAS-COVARIANZAS
• Modelos autoregresivos (CAR1, ARMA…)
• Modelos mixtos
Riofrio, 2013
PARAMETRIZACIÓN• Regresión lineal y no lineal
• OLS: ‘ordinary least squares’• GLS: ‘generalized least squares’• MLE: ‘maximum likelihood estimation’
•Regresión por cuantiles (‘Quantile regression’)
Russell & Weiskittel 2011
Bravo et al 2001 Canadian Journal of Forest Research 31: 2237–2247
PARAMETRIZACIÓN• Regresión de modelos lineales generalizados
• Logística (Binomial y Multinomial)
Bravo-Oviedo et al (2006)
DominantesDominados
Supervivencia
Bravo et al 2001 Canadian Journal of Forest Research 31: 2237–2247
Escalante et al 2011 Annals of ForestScience
Crecimiento
PARAMETRIZACIÓN
• Modelos en dos etapas / modelos ZIP
1)(1 ii XbeP
iXaay 10
Ingrowth Bravo et al (2008)CWD Herrero et al (2010)
Producción de fruto:Bravo et al (2017), Risio et al(2015)
PARAMETRIZACIÓN
• Modelos mixtos
• Estimación bayesiana• Modelos jerárquicos/multinivel• Calibrado de modelos• Combinar predicciones de varios modelos• Escasez de datos (data sparseness)
Temesgen et al 2008
PARAMETRIZACIÓN• Sistemas de ecuaciones (lineales, no lineales y
mezclados)
SUR: Seemingly Unrelated Regressions
2 y 3 SLS: ‘stages least squares’
Risio et al 2014
PARAMETRIZACIÓN• GADA (Generalized algebraic difference approach)
Modelo GADA de altura dominante con parámetros expandidos/modificados con variables ambientales
Bravo-Oviedo et al (2008)
Precipitaciones (otoño e invierno) t-1
Periodo de sequíaTemperatura
Combinación de efectos aditivos y/o
multiplicativos
Los modelosregionales son másadecuados que el modelo global
El clima tiene un efectomultiplicativo en las fases juveniles del crecimientomientras que se transforma en aditivo conformeavanza la edad de los árboles
MÉTODOS DE CLASIFICACIÓN Y DISCRIMINACIÓN • Análisis clúster
Reque & Bravo 2008
MÉTODOS DE CLASIFICACIÓN Y DISCRIMINACIÓN • Análisis discriminanteCEC= 5 CEC= 25% silt % silt
35 35 1730 23 20 3025 14 23 25 2320 20 20 2315 17 1510 20 14 105 23 17 5 17 140 0 23 17
0 5 10 15 20 25 30 35 0 5 10 15 20 25 30 35% clay % clay
CEC= 15 CEC= 35% silt % silt
35 3530 23 20 3025 2520 23 20 20 2315 17 15 2310 105 14 5 140 23 17 0
0 5 10 15 20 25 30 35 0 5 10 15 20 25 30 35% clay % clay
SI 14 m SI 17 m SI 20 m SI 23 m
Lowerproductivity
Higherproductivity
Bravo & Montero (2001) Forestry 74(4):395-406Bravo , Lucà, Mercurio, Sidari & Muscolo (2011) iForest 4:25-30
HigherproductivityLower productivity
Pinus pinea (southern Italy)Pinus sylvestris (northen Spain)
MÉTODOS NO PARAMETRICOS
• CART: Classification & Regression Tree• ANN: Artificial Neuronal Networks• GAM: Generalized Aditive Methods• RFM: Random Forest Method• K-NN: K-Nearest Neighbors
¡Gracias!Felipe Bravo OviedoUniversidad de Valladolid Avda. Madrid s/nE-34004 Palencia, España
Correo electrónico: fbravo@pvs.uva.esTeléfono: +34 979 108424Fax: +34 979 108440Página electrónica:
http://sostenible.palencia.uva.es/users/fbravo
top related