evaluación de carbono en bosques tropicales: una...

Evaluación de carbono en bosques tropicales 1

Evaluación de Carbono en Bosques Tropicales: Una Integración de Mapeo Satelital y Aéreo. Gregory P. Asner Departamento de Ecología Global Institución Carnegie para la Ciencia 260 Panama Street Stanford, CA 94305 USA Tel: 650.462.1047 x202 Email: [email protected] Artículo original: Asner, GP. 2009. Tropical forest carbon assessment: integrating satellite and airborne mapping approaches. Environ. Res. Lett. 4 034009 (11pp) Traducción al español comisionada por Carnegie Institution, realizada por Deborah Bigio, MSc. Favor citar como fuente el texto original en inglés Disponible en línea en: http://iopscience.iop.org/1748-9326/4/3/034009/

mailto:[email protected]

http://iopscience.iop.org/1748-9326/4/3/034009/

G. P. Asner (2009)

Resumen Se requiere de mapeo a gran escala para apoyar al programa de la UNFCCC para reducir la deforestación y la degradación forestal (REDD, por sus siglas en inglés). Los gerentes de áreas forestales pueden incrementar potencialmente sus créditos de carbono a través del monitoreo detallado de la cobertura forestal, ganancias y pérdidas (hectáreas), y estimaciones periódicas en los cambios en la densidad de carbono del bosque (toneladas hectárea-1). Los satélites ofrecen una oportunidad de monitorear cambios en el carbono forestal causados por la deforestación y la degradación, pero solo después de evaluar las densidades iniciales de carbono. Los nuevos métodos aéreos, especialmente el método LiDAR (Método de Detección y Medición de Distancias por Luz), ofrecen una forma de estimar la densidad del carbono forestal en grandes áreas, lo cual ayuda en el desarrollo de líneas base prácticas. En este trabajo presento un enfoque integral satelital-aéreo que apoya la evaluación de stock de carbono en alta resolución y el monitoreo en regiones de bosque tropical. Este enfoque muestra una línea base actualizada de carbono de un bosque regional, seguido por el monitoreo de la cobertura y las alteraciones del bosque en alta resolución, para estimar las emisiones de carbono. Los rápidos avances y la disminución de los costos en los sectores de mapeo satelital y aéreo ya están haciendo viables las evaluaciones de stocks y emisiones de carbono en cualquier parte del mundo. Palabras clave: Mapeo de biomasa, contabilidad de carbono, deforestación, degradación forestal, LiDAR, REDD, mapeo satelital, UNFCCC



1. Introducción La Convención Marco de las Naciones Unidas sobre el Cambio Climático (UNFCCC) está facilitando el monitoreo forestal a gran escala para la reducción de la deforestación y degradación de Bosque (REDD, por sus siglas en inglés, http:// unfccc.int/methods_science/redd/items/4531.php). En apoyo a REDD, el Panel Intergubernamental sobre el Cambio Climático (IPCC 2006) ha aportado lineamientos para asistir a los países en el desarrollo de metodologías para realizar evaluaciones de carbono. Estos lineamientos están organizados en tres niveles, cada uno de los cuales provee de forma sucesiva mayor precisión y por tanto mayor retorno financiero en la verificación de los stocks y emisiones de carbono. El enfoque de Nivel I es el más general, y se basa en estimaciones nacionales simples de cobertura boscosa y valores genéricos de densidad de carbono (por ejemplo, toneladas de carbono por hectárea). Los enfoques de Nivel II y Nivel III proveen más detalles de los stocks y emisiones de carbono a escala regional y nacional, usando una combinación de enfoques de inventario de parcelas, mapeo satelital y modelaje de carbono. Para lograr niveles de precisión de tipo Nivel III, se debe estimar y modelar los stocks de carbono tanto vivos como muertos, sobre y bajo la superficie (Gibbs et al. 2007). En una escala nacional, es probable que muchos países tropicales dependan inicialmente de los niveles de precisión del Nivel I que se basan en valores promedio de biomasa y de suelo asignados para biomasa y grandes regiones geográficas, sujetos a una gran incertidumbre y por tanto a menores créditos de carbono (Gibbs et al 2007, Angelsen et al. 2009). Los lineamientos conservadores de contabilidad del IPCC requieren que los usuarios de las estimaciones de Nivel I asignen un stock relativamente bajo de carbono por hectárea comparado con lo que se podría lograr si se llevaran a cabo mediciones más detalladas. Para desarrollar las capacidades nacionales y regionales de monitoreo con precisiones mayores de Nivel I se requieren métodos de mapeo y modelaje de carbono de alta resolución, donde la ganancia será un incremento en el crédito de carbono, un impulso en el secuestro de carbono y una mejor protección de los ecosistemas. Gibbs et al. (2007) señalan que en bosques tropicales la mayor cantidad de carbono es secuestrada en tejidos vivos sobre la superficie (por ejemplo, árboles), con stocks secundarios en suelos y desechos gruesos de madera. Los stocks de carbono en las raíces y el suelo componen en promedio un 20% del carbono total almacenado en los bosques tropicales (Cairns et al. 1997), y la necromasa producida por la mortalidad de los árboles compone un promedio de 10% de la biomasa viva sobre la superficie (Brown et al. 1995, Keller et al. 2004). Una excepción importante es el gran stock de carbono bajo la superficie que se encuentra en los pantanos de turba en el sureste de Asia. A pesar de las turberas, la principal incógnita es la biomasa viva sobre la superficie, y por tanto es el enfoque en este trabajo. Para monitorear los stocks de carbono, incluyendo las ganancias y pérdidas de carbono causadas por la deforestación, la degradación y la recuperación forestal, se requiere de una combinación de información: (i) la tasa de cambio en la cobertura boscosa y las alteraciones boscosas, y (ii) la cantidad de carbono almacenada en el bosque (“densidad de carbono” en unidades tales como toneladas de carbono por hectárea: ton C ha-1). Varios satélites miden la cobertura boscosa, la pérdida del dosel y las alteraciones, y las dimensiones de la estructura del bosque (Chambers et


al. 2007), pero la tecnología satelital actual no puede medir directamente la densidad de carbono (GOFC-GOLD 2009). Así, los satélites ofrecen una oportunidad para monitorear cambios en el carbono del bosque causados por la deforestación y la degradación, pero solo después de evaluar las densidades iniciales de carbono. Tradicionalmente, se han evaluado las densidades de carbono usando parcelas de inventario en campo, que son muy valiosas pero también costosas, consumen mucho tiempo y están limitadas inherentemente a la representatividad geográfica. Un censo de las principales redes de parcelas en la Amazonía sugiere que menos de una millonésima parte de la región ha sido medida en campo, si bien es parte de un esfuerzo para la representatividad estadística (sintetizado por Phillips et al. 1998, Saatchi et al. 2007). Sin embargo, la variación natural de la estructura y biomasa del bosque, combinada con la enorme extensión geográfica y la tasa de pérdida y de perturbación del bosque, hace que las parcelas de campo sean difíciles de usar (solas) para evaluar densidades de carbono de bosques tropicales en grandes áreas. Este tipo de monitoreo en campo requeriría miles de parcelas y de visitas regulares que usen técnicas laboriosas de medición manual. Se requieren nuevos enfoques para extender las redes de parcelas de campo, y para cubrir la brecha entre las mediciones de campo y las observaciones satelitales. El mapeo aéreo puede ayudar en el desarrollo de las estimaciones de stocks de carbono en bosques tropicales (Brown et al. 2005). Los nuevos enfoques aéreos, especialmente el método de Detección y Medición de Distancias por Luz (LiDAR), ofrecen un medio para estimar el carbono del bosque para grandes áreas (revisado por Lefsky et al. 2002b). El mapeo LiDAR, cuando se combina con un número modesto de parcelas de validación en campo, puede arrojar mapas de carbono de miles de hectáreas diarias de vuelo. Estos mapas pueden usarse en un análisis de línea base para iniciar un programa de monitoreo a largo plazo que luego se apoye primariamente en data satelital y métodos de análisis de bajo costo. Sin embargo, dado lo limitado del trabajo que intenta integrar tecnologías aéreas en procesos de mapeo de carbono para REDD, no existen métodos operativos y ni siquiera propuestas claras para usar estas tecnologías. ¿Cómo se podrían usar los nuevos enfoques de mapeo aéreo LiDAR con métodos de medición satelital y en parcelas para estimar los stocks de carbono sobre la superficie? ¿Qué tipo de tecnología satelital está disponible hoy para apoyar tal enfoque de monitoreo? Este trabajo presenta un marco conceptual para la integración de la tecnología de monitoreo satelital con mapeo aéreo poco frecuente y un número modesto de parcelas de campo, para establecer líneas base y monitorear stocks de carbono, su pérdida y recuperación, en bosques a nivel regional. El enfoque primario de este trabajo es el bosque tropical, pero muchos de los conceptos presentados son fácilmente transferibles a otros tipos de bosque. 2. Perspectiva General del Enfoque Técnico Un enfoque para apoyar la estimación de stock de carbono de Niveles II/III involucra dos tareas: desarrollar una línea base actualizada del bosque a nivel regional, de resolución espacial; y el monitoreo del cambio de la cobertura boscosa para estimar pérdidas o ganancias en los stocks de carbono del bosque. La primera tarea puede describirse en cuatro pasos detallados: (a) Análisis satelital de la condición y cobertura del bosque; (b) Muestreo estratificado de la estructura del dosel del bosque usando LiDAR aéreo; (c) Conversión de la data estructural de LiDAR a estimaciones aéreas de densidad de carbono usando nueva alometría de LiDAR junto con un


número limitado de parcelas de campo; y (d) Integración del mapa satelital con la data aérea de LiDAR y un número limitado de parcelas de campo, para establecer estimaciones de stock de carbono de línea base, de alta resolución, a nivel regional. La segunda tarea involucra un monitoreo a largo plazo de las pérdidas y ganancias de carbono usando datos de satélite y modelos. Esta tarea incluye al menos tres pasos: (i) Monitoreo continuo de las pérdidas y ganancias de cobertura boscosa con el uso de imágenes de satélite; (ii) Conversión del mapeo de las pérdidas y degradaciones en la cobertura boscosa en emisiones de carbono; y (iii) Modelaje de las ganancias en bosques intactos y de crecimiento secundario. Estas tareas y los pasos que se requieren para lograrlas, se discuten e ilustran en las secciones que siguen. El último paso, sobre el modelaje de las ganancias de carbono, solo se cubre parcialmente en este trabajo, pues el modelaje de la acumulación de carbono está demostrada y sintetizada en otros trabajos (por ejemplo, Hirsch et al. 2004, IPCC 2006). 3. Línea Base del Carbono según el Estado del Bosque Existe un gran debate en la arena de monitoreo de REDD con respecto al desarrollo de las evaluaciones de línea base de carbono (revisado por Olander et al. 2008). Es un debate principalmente político, donde las partes se han concentrado en el período de tiempo en el que se debe fijar la línea base del stock de carbono. Sin embargo, las organizaciones que se dedican al manejo o conservación forestal deben crear una línea base actualizada de los stocks de carbono del bosque para poder monitorear los cambios en el futuro. Como los satélites no pueden medir directamente el carbono del bosque, una evaluación de línea base debe desarrollarse usando una combinación de mapas que incluyan cobertura y condición del bosque a nivel regional, más estimaciones de las densidades de carbono del bosque. La Figura 1 presenta un diagrama de flujo ilustrado que representa los resultados y descripción de cada paso. 3.1. Mapeo del tipo, cobertura y condición del bosque Un primer paso para desarrollar una evaluación del carbono del bosque espacialmente detallada, involucra la adquisición y/o el desarrollo de mapas que representen el tipo, grado de deforestación y alteraciones del bosque (Figura 1(a)). En los años recientes, han aparecido muchos mapas que muestran el tipo de bosque a niveles nacional y subnacional. Típicamente, estos mapas proveen categorías como “tierra firme”, “dominado por bambú” “bosque abierto” y otras, consideradas apropiadas para la región de interés y la escala del mapa. Algunos de estos mapas derivan de data de satélites, mientras que muchos se crean a partir de una combinación de fotografías aéreas y revisiones de campo. Un mapa de tipos de bosque ayuda en la partición del terreno en categorías para las subsiguientes mediciones aéreas y de campo, como se describe mas adelante. Cuanto más detallado el mapa, más fina la partición para los muestreos. A pesar de que son laboriosos para crear, los mapas de tipo de bosque raramente requieren de un re-desarrollo completo, a menos de que ocurra un cambio drástico en la cobertura boscosa. La mayoría de los mapas de tipo de bosque están disponibles en fuentes gubernamentales regionales y nacionales, organizaciones no gubernamentales o fuentes internacionales tales como el World Conservation Monitoring Center de las Naciones Unidas (http://www.unep-wcmc.org/forest/global_map.htm) y el Global Land Cover 2000 de la Comisión Europea

http://www.unep-wcmc.org/forest/global_map.htm

http://www.unep-wcmc.org/forest/global_map.htm


(http://bioval.jrc.ec.europa.eu/products/glc2000/products.php). La Figura 2 muestra un ejemplo de mapa desarrollado por el gobierno de Brasil. Los mapas de deforestación y perturbaciones del bosque son más difíciles de obtener, pero son esenciales para desarrollar las estimaciones iniciales del stock de carbono regional. Varias técnicas de satélite están disponibles con resoluciones espaciales de < 10 m a 1.000 m o más (revisado por Defries et al. 2005, Achard et al. 2007, GOFC-GOLD 2009). Para el mapeo de presencia/ausencia de bosque a niveles regional y nacional, es ventajoso usar satélites de resolución moderada tales como Landsat (30m) y SPOT (10-20 m), pues estos sistemas logran mostrar claros en el bosque hasta una escala de 0,1 ha. Más aún, ciertos enfoques analíticos recientes usan las mismas imágenes de resolución moderada para resolver alteraciones en el bosque mucho más finas causadas por la tala selectiva, aclaración de pequeña escala y otros procesos de uso de la tierra (Souza et al. 2005). El Sistema de Análisis Landsat de Carnegie (CLAS) es uno de estos sistemas, que fue desarrollado para mapear las alteraciones del bosque tales como la tala selectiva (Asner et al. 2005, 2006). Recientemente, se creó CLASlite para generar el mapeo automatizado de la cobertura boscosa, la deforestación y la perturbación usando una amplia gama de sensores satelitales (http://claslite.ciw.edu). CLASlite es fácil de usar, está bien probado en computadores estándar de escritorio, es gratuito y actualmente está siendo diseminado entre agencias gubernamentales y no gubernamentales de América del Sur. CLASlite se puede usar con una variedad de imágenes satelitales disponibles de forma gratuita, tales como Landsat, ASTER o MODIS, o con imágenes comerciales SPOT. Por ejemplo, las imágenes Landsat 5 y 7 están disponibles de forma gratuita en el Geological Survey de los Estados Unidos (http://landsat.usgs,gov) y en el Instituto Brasilero de Investigación Espacial (http://www.dgi.inpe.bra) Esto se discute mas adelante en la sección sobre costos. En la Figura 3 se presentan resultados de imágenes típicas de CLASlite usando imágenes Landsat 7 para un área de muestra de 8.000 Km2 en el Amazonas brasilero oriental. Este análisis fue hecho de forma completamente automatizada en 20 minutos, en una computadora estándar de escritorio y sin mayor entrenamiento técnico (descrito en detalle por Asner et al 2009b). Se observa fácilmente en las imágenes CLASlite la cobertura boscosa, el área deforestada para uso agrícola y de pastoreo y áreas de perturbación boscosa – en este caso causadas principalmente por la tala selectiva. Es importante notar que cada píxel de una imagen CLASlite representa un porcentaje del dosel del bosque, vegetación muerta y suelo descubierto (0-100% para cada uno de estos tipos de superficie). Los porcentajes indican precisamente la cantidad de daño en el bosque para cada píxel (Asner et al. 2004). Esto es crítico para delinear áreas de aclaración sistemática (> 80% de pérdida de cobertura boscosa en un píxel) en comparación con la degradación forestal asociada con la aclaración parcial de un píxel. 3.2. Estratificación del bosque y muestreo aéreo LiDAR Con el uso de los mapas derivados de CLASlite en combinación con mapas del tipo de bosque, la región puede estratificarse en unidades de mapeo LiDAR (Figura 1(b)). Estas unidades de mapeo varían en tamaño e importancia regional y ofrecen al usuario una oportunidad para priorizarlas con base en una variedad de criterios tales como biomasa potencial, hotspots de biodiversidad, potencial de deforestación o degradación, y otros factores. La priorización de las unidades de mapeo LiDAR dependerá en gran medida de los intereses y necesidades específicos del usuario.

http://claslite.ciw.edu/

http://landsat.usgs,gov/

http://www.dgi.inpe.bra/


Para fines de evaluaciones de carbono, se puede priorizar el mapa para cubrir áreas de bosques intactos que albergan la mayor biomasa, así como áreas de reciente tala selectiva o de crecimiento secundario, sometidas a una rápida acumulación de carbono en los años subsiguientes a la evaluación de línea base (Figura 4). El mapeo aéreo LiDAR incluye la planeación del vuelo, calibración de sensores, adquisición de la data, calibración de imágenes post-vuelo y las fases de generación de data en tres dimensiones (revisado por Lefsky et al. 2002b). Existe un creciente número de sistemas LiDAR disponibles de forma comercial en todo el mundo que pueden ajustarse a estas tareas. De hecho, un análisis de mercado reporta que entre 2005 y 2008 hubo un incremento del 75% del número de sistemas aéreos LiDAR y 53% de incremento en el volumen de operadores LiDAR a nivel mundial (http://www.caryandassociates.com/marketing_tools/market_reports/rpt4.html). Como resultado, los operadores LiDAR pueden ofrecer servicios de adquisición de datos casi en cualquier parte del mundo hoy en día. La investigación y los sistemas de demostración, tales como el Observatorio Aéreo Carnegie (CAO; http://cao.ciw.edu), integran LiDAR con otros sensores e imágenes para facilitar el mapeo de la composición del bosque y de la estructura en tres dimensiones, simultáneamente (Asner et al. 2007). Independientemente de si la fuente es comercial, gubernamental o de investigación, el LiDAR aéreo ofrece la oportunidad de mapear la estructura tridimensional del dosel del bosque en más de 5.000 ha por día, con una resolución espacial de 1,0 m. 3.3. Conversión de mediciones LiDAR a densidad de carbono sobre la superficie. Luego del muestreo aéreo de LiDAR del mapa forestal estratificado (Figura 4), los datos estructurales de tres dimensiones del dosel del bosque derivados de LiDAR se pueden usar para estimar la densidad de carbono aéreo (ACD, por sus siglas en inglés -medida en unidades de Mg de carbono ha-1). Este paso requiere un sistema de “mediciones LiDAR”. Las ecuaciones alométricas basadas en tierra se han usado por años para estimar la ACD a partir de medidas de campo de diámetros de árboles, altura y densidad de la madera (Brown y Lugo 1984, Chave et al. 2005). En contraste, las mediciones de LiDAR son nuevas, relacionan medidas aéreas de la estructura tridimensional del bosque, incluyendo la altura y el perfil vertical del dosel, con estimaciones de campo de ACD. Si bien la data básica de LiDAR típicamente se recolecta en una resolución espacial equivalente a aproximadamente 1 m, usualmente las medidas LiDAR se promedian a nivel de parcela y luego se regresionan contra estimaciones de ACD a nivel de parcela (por ejemplo, 0,1– 1,0 ha). Este enfoque es paralelo a los estudios de campo tradicionales que usan medidas manuales de diámetro y altura de árboles para estimar la biomasa a nivel de parcela. Hay muchas formas de convertir las medidas LiDAR en estimaciones de densidad de carbono sobre la superficie. Lefsky et al. (2002a) derivaron las medidas de tres biomas de bosques boreales y templados, generando la siguiente ecuación general:

ACD (Mg C ha-1) = 0,378 x MCH2

r2 = 0,84 p < 0,001 (eq. 1)

http://www.caryandassociates.com/marketing_tools/market_reports/rpt4.html

http://cao.ciw.edu/


donde MCH es la altura promedio del perfil vertical del dosel derivada de las medidas de LiDAR aéreo. Esta es solo una de las diferentes medidas del perfil vertical del dosel desarrolladas desde LiDAR, que se muestra aquí simplemente como una ilustración. Para una presentación detallada de esta y otras mediciones, véase Lefsky et al. (2002a, 2002b). El desarrollo de las mediciones genéricas de LiDAR para bosques tropicales ha sido un reto mayor. A pesar de que algunas ecuaciones fueron desarrolladas por Drake et al. (2003) para bosques tropicales húmedos y lluviosos, emplearon una técnica LiDAR única del programa de investigación de la NASA; esto es, usaron tecnología que no se emplea ampliamente en el sector comercial. Para soportar el mapeo de carbono para REDD se requerirá LiDAR comercial. Para superar esta brecha, Asner et al. (2009a) han derivado ecuaciones que relacionan mediciones LiDAR aéreas de tipo comercial con densidades de carbono, para bosques tropicales de tierra baja a montanos:

ACD (Mg C ha-1) = 0,844 x MCH2

r2 = 0,80, p < 0,01 (eq. 2) A pesar de que las ecuaciones (1) y (2) se muestran como ejemplos comparables, es de notar que en la ecuación 2 varía la escala de las estimaciones de carbono de mediciones LiDAR a una tasa 2,2 veces mayor que para bosques templados y boreales de Lefsky et al. (2002a). Esto es causado por las diferencias dependientes de la densidad de madera, diámetro del tallo y el número de árboles por unidad de área (por ejemplo, bosques boreales coníferos vs. bosques tropicales de tierras bajas). Esto sugiere que las parcelas de campo son necesarias para ajustar la pendiente de la relación entre MCH2 y la densidad de carbono sobre la superficie para diferentes tipos de bosques. Las parcelas de campo se pueden establecer en cualquier parte dentro del área de cobertura del LiDAR, pero deberían cubrir una gama de niveles de biomasa aparente, desde bajo hasta alto. Un número relativamente pequeño de parcelas que cubren los niveles de biomasa encontrados en un tipo de bosque (por ejemplo, menos que 10) puede incrementar la precisión de las ecuaciones de conversión LiDAR-en-biomasa hasta en un 40%. Este punto sigue siendo intensamente investigado, pero cada vez es más claro que la noción tradicional de que se requieren cientos de parcelas por tipo de vegetación no está soportada por la literatura actual de LiDAR, por lo tanto disminuye la necesidad de programas prolongados de medición y monitoreo en bosques. El LiDAR se convierte en el enfoque regional de muestreo, en el que las parcelas de campo ayudan a calibrar el LiDAR con las condiciones del bosque. Una gran ventaja de este enfoque es que LiDAR puede mapear miles de hectáreas de bosque por día, mientras que con las parcelas de campo no se puede lograr la misma cobertura geográfica. Los resultados de este paso de mapeo LiDAR incluyen estimaciones de densidad de carbono sobre la superficie con una resolución de 0,1 – 1,0 ha, junto con valores de error derivados de la incertidumbre en las ecuaciones de conversión LiDAR-en-biomasa que se emplean. La Figura 5 muestra un ejemplo de un mapa de 5.000 ha de densidades de carbono en el bosque en pie con una resolución de 0,1 ha, para un gradiente de tipos de bosque nublado de tierras bajas a montanos en la Isla de Hawai. La distribución resultante de densidades de carbono sobre la superficie se muestra en el panel inferior izquierdo. Las actuales incertidumbres estimadas en la relación entre la estructura del bosque de LiDAR aéreo y el ACD varían entre aproximadamente 10-15% para bosques templados y boreales (Lefsky et al. 2002a, Popescu et al. 2004 y muchos


mas) hasta 8-25% en bosques tropicales (Drake et al. 2003, Asner et al. 2009a). Es importante destacar que estas incertidumbres son similares a la variación del error reportado en estimaciones basadas en parcelas de ACD. Por ejemplo, Brown y Lugo (1984) estiman un 20% de incertidumbre en las estimaciones de biomasa en pie derivadas de volúmenes forestales; Chave et al. (2005) estiman errores estándar en biomasa en pie del 20%; y Keller et al. (2001) reportan hasta un 50% de incertidumbre en un estudio muy detallado de biomasa de una gran área en el Amazonas brasilero central. En resumen, los enfoques de estimación LiDAR-en-biomasa pueden ser tan certeros como los enfoques medición-en-biomasa (alométricos) usados a nivel de parcela. 3.4. Integración de la data de LiDAR y de satélite. Luego del mapeo con LiDAR, la distribución estadística de las densidades de carbono muestreadas se puede aplicar a una imagen de satélite para producir un mapa de stocks de carbono sobre la superficie, junto con los límites de incertidumbre. La Figura 6 muestra una imagen regional simulada del stock de carbono de un bosque. El mapa genera la distribución regional de cobertura boscosa, áreas deforestadas y bosque alterado por tala selectiva. También hay áreas de crecimiento de bosque secundario. Las distribuciones de la densidad de carbono se muestran en los paneles inferiores, con un código de colores que concuerda con la estratificación detallada del bosque. El mapa de línea base de carbono sobre la superficie simulado en la Figura 6 cubre un área de 8.000 km2 en el Amazonas brasilero. La cantidad de mapeo aéreo LiDAR que se requiere para aplicar las distribuciones de los stocks de carbono a la imagen de satélite depende de las proporciones relativas de cada estrato del bosque, la intensidad y diversidad de las actividades de uso de la tierra dentro de cada estrato, y el énfasis relativo que se pone en estas áreas para la contabilidad del carbono. El tipo original de bosque y el proceso de estratificación de la cobertura boscosa ilustrada en las Figuras 2-4 determina la partición de la cobertura de LiDAR. En un mismo estrato del bosque, los requerimientos de cobertura de LiDAR están dictados por la necesidad de lograr una distribución estadística robusta de las densidades de carbono estimadas. En el Amazonas central, Keller et al. (2001) demostraron que 1,3% del bosque de tierra firme requería de censos para lograr una representación estadística de un área de 392 ha. Las estimaciones de un bosque húmedo tropical de 5.000 ha sugieren que un muestreo LiDAR de menos del 1% de cada estrato del bosque (por ejemplo, bosque de tierras bajas intactos, bosques de ciénagas, bosques montanos, etc.) generan distribuciones de densidad de carbono estadísticamente similares a las de cada tipo de bosque (derivado de Asner et al. 2009). A continuación del mapeo del carbono sobre la superficie, es posible estimar las densidades sub-superficiales de carbono, así como las densidades de carbono para desechos gruesos de madera y otros desechos orgánicos superficiales. El IPCC (2006) ha generado factores de escala que pueden aplicarse a la imagen de las densidades de carbono sobre la superficie. Por ejemplo, se estima que la densidad del carbono sub-superficial es 0,37 veces la densidad del carbono sobre la superficie para un bosque nublado tropical (Mokany et al. 2006), en apoyo al análisis de Nivel II. El modesto número de parcelas de campo usadas en el paso de calibración del LiDAR descrito anteriormente también se puede usar para mejorar las estimaciones de las densidades de carbono en desechos sub-superficiales y superficiales (IPCC 2006), siempre que el tiempo y los recursos lo permitan, y apuntar hacia una precisión de tipo Nivel III.


4. Monitoreo de las Ganancias y Pérdidas del Carbono del Bosque Siguiendo la evaluación del mapeo de la línea base de carbono, se requieren dos esfuerzos de medición para rastrear las pérdidas y ganancias de carbono en el futuro. Las pérdidas de carbono se pueden monitorear con el uso de tecnología satelital. La aclaración y la degradación del bosque se pueden mapear en alta resolución de forma anual, o más frecuentemente, dependiendo de las necesidades y disponibilidad de imágenes de satélite (Defries et al. 2005, GOFC-GOLD 2009). Por ejemplo, los mapas de deforestación y degradación derivados de CLASlite pueden aplicarse al mapa de línea base de stock de carbono para estimar las emisiones de carbono a la atmósfera (Figura 7). Entre los escollos se incluye la incertidumbre al convertir las medidas de satélite de degradación forestal a pérdida de carbono, si bien el IPCC (2006) ha establecido lineamientos sobre cómo hacer esta contabilidad. Un enfoque conservador y cuantitativo para monitorear las emisiones de carbono luego de una evaluación de línea base, consiste en multiplicar la pérdida fraccionada del dosel en cada píxel de CLASlite por el valor de densidad de carbono derivado del mapa de línea base de carbono. Por ejemplo, un píxel puede mostrar la transición de una cobertura boscosa del 100% (línea base CLASlite) con 50 Mg C píxel-1 (línea base LiDAR) a 50% de cobertura boscosa luego de una tala selectiva, resultando en un estimado de 25 Mg C emitidos a la atmósfera. La precisión se puede aumentar a través de una evaluación rápida en campo de las verdaderas pérdidas de carbono. La evaluación a largo plazo de las ganancias de carbono del bosque requiere que en la región se monitoree constantemente la aparición del crecimiento secundario luego de la aclaración; las imágenes de satélite multi-temporales pueden incrementar esta capacidad. Un segundo requerimiento es estimar la acumulación del stock de carbono por píxel. Muchos modelos y ecuaciones están disponibles para apoyar este enfoque y estos modelos pueden tomar en consideración el tipo de bosque y de suelo así como el clima (Angelsen et al. 2009). El IPCC (2006) ha generado lineamientos para incrementar las reservas de carbono. La producción de madera almacenada, desechos de madera en la superficie y otros desechos pueden seguir usando enfoques simples contables (por ejemplo, Houghton et al. 2000), o con modelos orientados por procesos detallados (por ejemplo, Huang et al. 2008). Independientemente del enfoque del modelo, debe considerarse como una actividad primordial un programa de monitoreo continuo por satélite de la aclaración, tala y otras perturbaciones, así como la recuperación, con un continuo modelaje y verificación de campo. Una inversión modesta en monitoreo satelital disminuye efectivamente el requerimiento de inventarios de campo intensivos en trabajo y disminuye la dependencia de los modelos de crecimiento del bosque. 5. Costos Los costos de implementar este método para evaluaciones de línea base de alta resolución están disminuyendo rápidamente. El costo de datos satelitales está disminuyendo y las principales fuentes de datos son ahora gratuitas para los usuarios finales. Si bien desarrollar, usar y mantener satélites implica un alto costo, los gobiernos responsables hacen que los datos estén disponibles


en Internet. Ejemplos de ello son Landsat 5 y 7 y CBERS-1 y 2 de China y Brasil. La siguiente generación de Landsat, llamada la Misión de Continuidad de Datos Landsat (LDCM, por sus siglas en inglés, http://landsat.usgs.gov) se está construyendo actualmente y se lanzará en 2012, y la siguiente línea de sensores CBERS está en desarrollo (http://www.cbersñ.inpe.br). Otros operadores comerciales como SPOT Image Corporation, aunque no de forma gratuita, cada vez más están haciendo pública su data y tienen planes avanzados para los nuevos SPOT 6 y 7. Otros sensores también están disponibles (GOFC-GOLD 2009). El costo de analizar la data satelital de cobertura, deforestación y degradación del bosque también está disminuyendo rápidamente. La Institución Carnegie está poniendo CLASlite a la disposición de gobiernos y organizaciones no gubernamentales de forma gratuita, a lo largo de la región amazónica (http://landsat.gsfc.nasa.gov/news/news-archives/news_0182.html). El Instituto Brasilero de Investigación Espacial (INPE: http://www.inpe.br) y la organización brasilera IMAZON (http://www.imazon.org.br) también están poniendo a la disposición sus programas de análisis de cobertura boscosa. Hay un pequeño costo inicial de entrenamiento y la necesidad de una conexión de Internet, pero los métodos ya están muy automatizados y pueden ser operados por un técnico entrante. LiDAR es una tecnología de imágenes aéreas que, al igual que la tecnología de fotografía aérea de los años 1970s -1980s, se está expandiendo rápidamente por todo el mundo para su uso en una amplia gama de sectores ambientales. El LiDAR aéreo ya se usa ampliamente para mapear infraestructura, incluyendo tendidos eléctricos, represas y ciudades, así como terrenos y actividad forestal. Como tal, la base comercial es muy fuerte, y está soportando tanto la explosión de las tecnologías LiDAR en muchos países (en todos los continentes) como la enseñanza de la siguiente generación de especialistas en sensores remotos. Este gran apoyo comercial es inusual en la teledetección espacial y habla de la eficacia de la tecnología. Ahora hay muchas compañías de mapeo LiDAR aéreo esparcidas en las Américas, Europa, Asia, África, Australia y el Pacífico (http://www.airbornelasermapping.com). Actualmente, el Observatorio Aéreo Carnegie puede operar su LiDAR, procesar la data y proveer mapas de estructura del bosque a un costo de menos de US$0,20 por hectárea, sin incluir el costo de traslado de la aeronave y los sensores al teatro de operaciones. Esto sugiere que un gobierno o grupos comerciales LiDAR pueden operar en sus países a costos similares o menores. Estos costos están disminuyendo más aún con la nueva generación de métodos de procesamiento completamente automatizados (http://www.ncalm.org). Los métodos podrían diseminarse de forma paralela a la diseminación de los enfoques de mapeo satelital automatizado que apoyan las evaluaciones y monitoreo de REDD. Estos avances en la automatización disminuirán la dependencia en los especialistas, así como hemos visto con el mapeo satelital de la deforestación, resultando en costos de mapeo LiDAR tan bajos como US$ 0,05 por hectárea. Aun más allá del LiDAR aéreo, hacia el año 2015 puede estar disponible una nueva tecnología LiDAR espacial apoyada por gobiernos, para medir la estructura de los bosques a nivel mundial (http://desdyni.jpl.nasa.gov). El LiDAR espacial proveerá el gran beneficio adicional de permitir la continua reevaluación de las densidades de carbono en una forma espacialmente explícita y contigua.

http://landsat.usgs.gov/

http://www.cbers%C3%B1.inpe.br/

http://landsat.gsfc.nasa.gov/news/news-archives/news_0182.html

http://www.inpe.br/

http://www.imazon.org.br/

http://www.airbornelasermapping.com/

http://www.ncalm.org/

http://desdyni.jpl.nasa.gov/


Los costos de parcelas bien mantenidas para inventarios de campo sigue siendo altamente variable, pero no será menor que el costo de LiDAR. Tómese en cuenta el hecho de que el LiDAR aéreo puede cubrir mas bosque en un día (mas de 5000 ha) de lo que podría cubrirse en tierra con el mismo número de personas, combinado con el hecho de que los métodos de inventario de biomasa sobre la superficie no resultan ser más precisos que los enfoques basados en LiDAR (discutidos anteriormente), y pareciese que los métodos son cada vez mas intercambiables o al menos altamente compatibles. Las parcelas de campo aun se requieren para calibrar y validar las mediciones LiDAR de biomasa, pero el número de parcelas se reduce, pues es menos necesario muestrear el bosque con parcelas, sino mas bien enfocarse en las parcelas para calibrar el LIDAR. Así, el LiDAR se convierte en el paso de muestreo (o mapeo) en lugar de las parcelas. El monitoreo del carbono del bosque de Niveles II/III de IPCC actualmente se considera como un reto técnico, potencialmente intensivo en trabajo y por tanto una labor costosa. He propuesto que una combinación de la tecnología de monitoreo satelital gratuita con el mapeo aéreo poco frecuente puede proveer estimaciones de carbono de línea base y mejorar el monitoreo de los stocks, pérdidas y recuperaciones de carbono en bosques. Estas herramientas están disponibles ahora, y se pueden implementar en cualquier región del mundo, haciendo del monitoreo de Niveles II/III una realidad. Agradecimientos Agradezco a Sandra Brown, Guayana Páez-Acosta, George Powell, Roberta Martin y dos revisores anónimos por sus críticos comentarios para mejorar este trabajo. El entrenamiento y capacitación en CLASlite se desarrolla con agencias gubernamentales y no gubernamentales de la región Andino-Amazónica. Este trabajo cuenta con el apoyo de la Fundación Gordon y Betty Moore.

FIGURAS:

Figura 1. Diagrama de flujo ilustrado que muestra un enfoque para: (a) evaluar la cobertura y perturbaciones del bosque con imágenes de satélite, (b) estratificar el paisaje boscoso, (c) muestrear los principales tipos de bosque con el Método de Detección y Medición de Distancias por Luz (LiDAR), y (d) estimar stocks de carbono de línea base en la región de interés. (1(a), Tipos de Bosque, Mapeo CLASlite; 1(b) Estratificación del Bosque; 1(c) Densidades de Carbono, Muestreo LIDAR; 1(d) Línea Base de Stocks de Carbono)


Leyenda: Bosque Tropical Montano Denso (Dm) Bosque Tropical Submontano Denso (Ds) Bosque Tropical de Tierras Bajas Denso (Db) Bosque Aluvial Denso (Da) Bosque Tropical Denso con Vegetación Secundaria (D) Bosque Submontano Abierto (Aa) Bosque Abierto de Tierras Bajas (Ab) Bosque Tropical Abierto con Vegetación Secundaria (A) Bosque Deciduo Montano Estacional (Cm) Bosque Deciduo Submontano Estacional (Cs) Bosque Deciduo Estacional con Vegetación Secundaria (C) Bosque Submontano Semideciduo Estacional (Fs) Bosque Semideciduo Estacional con Vegetación Secundaria (F) Bosque Semideciduo de Tierras Bajas Estacional (Fb) Bosque Semideciduo Aluvial Estacional (Fa) Bosque Semideciduo Montano Estacional (Fm) Campinarana, con Bosque (Ld) Campinarana (La) Campinarana, Herbácea y con Madera (Lg) Sabana, con Bosque (Sd) Sabana con Actividades Agrícolas (S) Sabana (Sp) Sabana, Herbácea y con Madera (Sg) Sabana, con Madera (Sa) Estepa, con Madera (Ea) Estepa (Ep) Estepa de Sabana (Tp) Estepa de Sabana, con Bosque (Td) Vegetación con Influencia Fluvio‐marina (Pf) Vegetación con Influencia Fluvial o Lacustre (Pa) Área de Contacto: Bosque Denso – Bosque Estacional (ON) Área de Contacto: Sabana – Bosque Estacional (SN) Área de Contacto: Campinarana – Bosque Denso (LO) Área de Contacto: Sabana – Bosque Denso (SO) Área de Contacto: Bosque Estacional – Restinga (NP) Área de Contacto: Sabana – Bosque Mixto (SM) Área de Contacto: Estepa – Bosque Estacional (EN) Agua Área Enmascarada

Figura 2. Ejemplo de mapa de un bosque y otros tipos de ecosistemas en el Amazonas brasilero legal (IBGE 1993).


Figura 3. Ejemplo de resultados de imágenes de CLASlite para una región de 8.000 km2 del este del Amazonas brasilero. El panel superior muestra la ubicación de ésta área en América del Sur; el panel del centro muestra la región completa; el panel inferior muestra una imagen ampliada de 1.500 km2. Las imágenes de CLASlite proveen un porcentaje de cobertura de dosel de vegetación viva/de bosque, muerta o senescente, y suelos descubiertos. Las áreas recientemente deforestadas o quemadas son evidentes con grandes fracciones de suelos descubiertos (rojos y magenta); el crecimiento del bosque es aparente en la forma de grandes fracciones de dosel (verde) entrelazadas con suelos expuestos (amarillos); bosques talados de forma selectiva (patrones azules en el bosque); y bosques intactos (verde casi sólido).


Deforestación Degradación Reciente Degradación Previa Crecimiento Secundario Bosque Intacto

Figura 4. Estratificación de la región boscosa usando un mapa de tipo forestal de la Figura 2 y resultados de CLASlite de la Figura 3. Las líneas blancas indican la delineación general entre las tierras altas (terra firma) y las áreas bajas/de drenaje.


Figura 5. Mapa de la biomasa sobre la superficie (Mg C ha-1; 1 Mg = 1 ton métrica) con una resolución de 0,1 ha, derivado de LiDAR aéreo, y la relación entre el perfil vertical del dosel y la densidad del carbono sobre la superficie estimado en campo (derecha inferior). Esta imagen se compiló a lo largo de las laderas orientales del Volcán Mauna Kea, en la Isla de Hawai. La distribución de la biomasa sobre la superficie en bosques nublados de crecimiento grande/viejo, más pequeño/intacto y abierto/alterado se muestra en el panel inferior izquierdo. (Gráficos a la izquierda, de arriba abajo: Bosque Grande, de Crecimiento Viejo; Bosque Mas Pequeño, Intacto; Bosque Abierto, Alterado. Eje X: Densidad de Carbono sobre la Superficie (Mg C ha-1); Eje Y: Conteo. Gráfico de la Derecha, inferior: Eje X: LiDAR; Eje Y: Densidad de Carbono AC (Mg C ha-1))


Figura 6. Simulación de un paisaje de carbono, derivado de imágenes CLASlite tomadas en una región de 8.000 km2 del Amazonas brasilero oriental. Los histogramas simulan las distribuciones de la densidad de carbono sobre la superficie para cada estrato de cobertura de tierra; se han aplicado para esta demostración, usando data de LiDAR aéreo colectada en Hawai. (Gráficos, de izquierda a derecha: Bosque Intacto, Tala Selectiva, Crecimiento Secundario, Aclaramiento Parcial, Totalmente Aclarado)


Imagen zoom con fondo negro para destacar el monitoreo del bosque a escala fina con CLASlite

· Crecimiento secundario 2000-2002 · Deforestación/degradación 2000-2001 · Deforestación/degradación 2001-2002 · Bosque Intacto · Deforestación antes de la línea base

Figura 7. Monitoreo de largo plazo usando mapeo LiDAR de deforestación y degradación desde 1999 hasta 2002, para una región de 8.000km2 del Amazonas brasilero oriental. Una ampliación del la imagen (izquierda superior, negro) muestra el detalle de la degradación forestal, con códigos de color similares al mapa de deforestación, revelando una pérdida del dosel del bosque de baja escala, a nivel de sub-píxel, producto de la tala selectiva. Estos mapas se pueden usar fácilmente para estimar emisiones de carbono a partir del mapa de línea base en la Figura 6.



Referencias Achard, F., R. Defries, H. Eva, M. Hansen, P. Mayaux, & H.-J. Stibig. 2007. Pan-tropical monitoring of

deforestation. Environmental Research Letters 2:1-11. Angelson, A., Brown, S., Loisel, C., Peskett, L., Streck, C. & Zarin, D. 2009. Reducing Emissions from

Deforestation and Forest Degradation (REDD): An Options Assessment Report. Prepared for the Government of Norway by the Meridian Institute, March 2009. Available for download at http//:www.REDD-OAR.org; ISBN 978-0-615-2851-4

Asner, G. P., E. N. Broadbent, P. J. C. Oliveira, M. Keller, D. E. Knapp, & J. N. M. Silva. 2006. Condition and fate of logged forests in the Brazilian Amazon. Proceedings of the National Academy of Sciences 103:12947-12950.

Asner, G.P., R.F. Hughes, T.A. Varga, D.E. Knapp, & T. Kennedy-Bowdoin. 2009a. Environmental and biotic controls over aboveground biomass throughout a rainforest. Ecosystems 12:261-278.

Asner, G. P., M. Keller, R. Pereira, J. C. Zweede, & J. N. M. Silva. 2004. Canopy damage and recovery after selective logging in Amazonia: Field and satellite studies. Ecological Applications 14:S280- S298.

Asner, G.P., Knapp, D.E., Balaji, A. & G. Páez-Acosta. 2009b. Automated mapping of tropical deforestation and degradation: CLASlite. J. Appl. Remote Sens. vol. 3 (033543), 24pp. (doi:10.1117/1.3223675)

Asner, G. P., D. E. Knapp, E. N. Broadbent, P. J. C. Oliveira, M. Keller, & J. N. M. Silva. 2005. Selective logging in the Brazilian Amazon. Science 310:480-482.

Asner, G.P., D.E. Knapp, M.O. Jones, T. Kennedy-Bowdoin, R.E. Martin, J. Boardman, & C.B. Field. 2007. Carnegie Airborne Observatory: In-flight fusion of hyperspectral imaging and waveform light detection and ranging (wLiDAR) for three-dimensional studies of ecosystems. Journal of Applied Remote Sensing 1 (doi: 10.1117/1.2794018)

Brown, I.F., Martinelli, L.A., Thomas, W.W., Moreira, M.Z., Ferreira, C.A & R.A. Victoria. 1995 Uncertainty in the biomass of Amazonian forests: an example from Rondonia, Brazil. Forest Ecol. Manag. 75:175-189

Brown, S., & A. E. Lugo. 1984. Biomass of tropical forests: a new estimate based on forest volumes. Science 223:1290-1293.

Brown, S., T. Pearson, D. Slaymaker, S. Ambagis, N. Moore, D. Novelo, & W. Sabido. 2005. Creating a virtual tropical forest from three-dimensional aerial imagery to estimate carbon stocks. Ecological Applications 15:1083-1095.

Cairns, M.A., Brown, S., Helmer, E.H. & G.A. Baumgardner. 1997. Root biomass allocation in the world’s upland forests. Oecologia 111:1-11.

Chambers, J.Q., G.P. Asner, D.C. Morton, L.O. Anderson, S.S., Saatchi, D.B., Espirito-Santo, M. Palace, & C. Souza Jr. 2007. Regional ecosystem structure and function: Ecological insights from remote sensing of tropical forests. Trends in Ecology and Evolution 22(8):414-423.

Chave, J., Andalo, C., Brown, S., Cairns, M. A., Chambers, J. Q., Eamus, D., Fölster, H., Fromard, F., Higuchi, N., Puig, H., Riéra, B. & T. Yamakura. 2005. Tree allometry and improved estimation of carbon stocks and balance in tropical forests. Oecologia 145:87-99.

DeFries, R., Asner, G.P., Achard, F., Justice, C., Laporte, N., Price, K., Small, C., & J. Townshend. 2005. Monitoring tropical deforestation for emerging carbon markets. Tropical Deforestation and Climate Change. P. Moutinho and S. Schwartzman (eds.) Amazon Institute for Environmental Research, Belém, Brazil.

Drake, J. B., Knox, R. G., Dubayah, R. O., Clark, D. B., Condit, R., Blair, J. B., & M. Hofton. 2003. Above-ground biomass estimation in closed canopy neotropical forests using LiDAR remote sensing: Factors affecting the generality of relationships. Global Ecology and Biogeography 12:147-159.

Gibbs, H. K., Brown, S., Niles, J. O., & J. A. Foley. 2007. Monitoring and estimating tropical forest carbon stocks: making REDD a reality. Environmental Research Letters 2:1-13.


GOFC-GOLD. 2009. Reducing greenhouse gas emissions from deforestation and degradation in developing countries: a sourcebook of methods and procedures for monitoring, measuring and reporting. GOFC-GOLD Report version COP14-2. GOFC-GOLD Project Office, Natural Resources Canada, Alberta, Canada.

Hirsch, A.I., Little, W.S., Houghton, R.A., Scott, N.A. & J.D. White. 2004. The net carbon flux due to deforestation and forest re-growth in the Brazilian Amazon: analysis using a process-based model. Glob. Change Biol. 10:908-924

Houghton, R. A., Skole, D. L., Nobre, C. A., Hackler, J. L., Lawrence, K. T., & W. H. Chomentowski. 2000. Annual fluxes of carbon from deforestation and regrowth in the Brazilian Amazon. Science 403:301-304.

Huang, M., Asner, G.P., Keller, M., & J.A. Berry. 2008. An ecosystem model for tropical forest disturbance and selective logging. Journal of Geophysical Research 113 (doi:10.1029/ 2007JG000438)

IBGE. 1993. Mapa de Vegetacao do Brasil (Vegetation Map of Brazil). 2nd ed. Instituto Brasiliero de Geografia e Estatistica (Brazilian Institute of Geography and Statistics).

IPCC. 2006. IPCC Guidelines for National Greenhouse Gas Inventories. Prepared by the National Greenhouse Gas Inventories Programme, Eggleston, H. S., L. Buendia, K. Miwa, T. Ngara, & K. Tanabe (eds.), IGES, Japan.

Keller, M., Asner, G.P., Silva.N. & M. Palace. 2004. Sustainability of selective logging of upland forests in the Brazilian Amazon: carbon budgets and remote sensing as tools for evaluating logging effects. Working Forests in the Neotropics: Conservation Through Sustainable Management? D.J. Sarin, J.R.R. Avalapati, F.E Putz & M.E Schmink (eds). New York: Columbia University Press pp 41-63.

Keller, M., Palace, M., & G. Hurtt. 2001. Biomass estimation in the Tapajos National Forest, Brazil: Examination of sampling and allometric uncertainties. Forest Ecology and Management 154:371-382.

Lefsky, M. A., Cohen, W. B., Harding, D. J., Parker, G. G., Acker, S. A., & S. T. Gower. 2002a. LiDAR remote sensing of above-ground biomass in three biomes. Global Ecology and Biogeography 11:393-399.

Lefsky, M. A., Cohen, W. B., Parker, G. G., & D. J. Harding. 2002b. LiDAR remote sensing for ecosystem studies. BioScience 52:19-30.

Mokany, K., Raison, J.R., & A.S. Prokushkin. 2006. Critical analysis of root:shoot ratios in terrestrial biomes. Global Change Biology 12:84-96.

Olander, L. P., Gibbs, H. K., Steininger, M. K., Swensen, J. J., & B. C. Murray. 2008. Reference scenarios for deforestation and forest degradation in support of REDD: a review of data and methods. Environmental Research Letters 3 (doi:10.1088/1748-9326/1083/1082/025011).

Phillips, O.L., Malhi, Y., Higuchi, N., Laurance, W.F., Núñez, P.V., Vásquez, R.M., Laurance, S.G., Ferreira, L.V., Stern, M., Brown, S. and J. Grace. 1998. Changes in the carbon balance of tropical forests: evidence from long-term plots. Science 282:439-442.

Popescu, S.C., Wynne, R.H. & J.A. Scrivani. 2004. Fusion of small-footprint LiDAR and multispectral data to estimate plot-level volume and biomass in deciduous and pine forests in Virginia, USA. Forest Sci. 50: 551-565

Saatchi, S.S., Houghton, R.A., Dos Santos Alvala, R.C., Soares, J.V. & Y. Yu. 2007. Distribution of aboveground live biomass in the Amazon basin Glob. Change Biol. 13: 816-837.

Souza, C., Roberts, D. A., & M. A. Cochrane. 2005. Combining spectral and spatial information to map canopy damages from selective logging and forest fires. Remote Sensing of Environment 98:329-343.

evaluación de carbono en bosques tropicales: una...

Documents