Estimación de la biomasa aérea con el paquete BIOMASS de R: Un estudio de caso en el Bosque Experimental Elías Meneses, Santa Cruz, Bolivia
DOI: 10.03670/rft.v5i1.698
Palabras clave:
biomasa aérea, Bosque Experimental Elías Meneses, BIOMASS, Modelo local, Propagación de erroresResumen
La estimación de la biomasa aérea de los árboles presenta una alta variabilidad espacial y se utilizan diferentes métodos para su determinación, lo cual genera una incertidumbre en la cuantificación del carbono y del dióxido de carbono. El objetivo del trabajo fue aplicar un método automatizado para cuantificar la biomasa aérea con la menor incertidumbre. La toma de datos se realizó en una parcela de 2.25 ha en el Bosque Experimental Elías Meneses (BEEM) que se encuentra dentro la Reserva Forestal El Choré. La metodología utiliza las funciones del paquete BIOMASS del entorno de R para corregir la taxonomía vegetal y, con base en esto, asignar la densidad de la madera desde un repositorio, estimar la altura total por un modelo local (muestra de mediciones de diámetro y altura), por un modelo con base en una región geográfica y con base en las coordenadas geográficas, y la cuantificación de la biomasa aérea por árbol. Los resultados mostraron 19 órdenes, 40 familias y 116 especies forestales y con un 88.3% de individuos correctamente clasificados y una biomasa aérea de 227.91 t/ha, siendo las familias Moraceae, Euphorbiaceae, Annonaceae, Chrysobalanaceae, Phyllanthaceae y Meliaceae las que presentaron las mayores biomasas aéreas; mientras que las especies Hura crepitans, Clarisia racemosa, Pseudolmedia laevis, Licania oblongifolia, Richeria grandis y Ficus boliviana son las de mayor biomasa aérea. Aplicando la simulación de Monte Carlo, el modelo alométrico es el componente que presentó la mayor incertidumbre, mientras que el diámetro tuvo la menor incertidumbre. En este trabajo se concluye que las funciones del paquete BIOMASS de R permiten automatizar la estimación de la biomasa aérea de los bosques tropicales minimizando los errores y aumentando la precisión.
Descargas
Citas
Acosta, L. Y Aguanta, F. 2006. Lista preliminar de los mamíferos del Bosque Experimental Elías Meneses, Santa Cruz, Bolivia. Kempffiana, 2(1): 144-149.
Amanuel, W., Tadesse, C., Molla, M., Getinet, D. y Mekonnen, Z. 2024. Allometric equation for estimating aboveground biomass of Acacia-Commiphora forest, southern Ethiopia. Journal of Ecology and Environment. 48:20. https://doi.org/10.5141/jee.24.036
Araujo Murakami, A., Jørgensen, P. M., Maldonado, C., Paniagua Zambrana, N. Y., Cardona Peña, V., Quintana, D. de la, Fuentes, A. F., Miranda, T. y Seidel, R. 2005. Estructura y diversidad de plantas leñosas en un bosque amazónico preandino en el sector del Río Quendeque, Parque Nacional Madidi, Bolivia. Ecología en Bolivia: Revista del Instituto de Ecología, 40(3): 304-324.
Araujo-Murakami, A., Arroyo Padilla, L., Killeen, T. J. y Saldias Paz, M. 2006. Dinámica del bosque, incorporación y almacenamiento de biomasa y carbono en el Parque Nacional Noel Kempff Mercado. https://hdl.handle.net/20.500.14330/PER01000268980
Araujo-Murakami, A., Daniel, V., Molina, G., Vos, V., Parada, G., Arroyo Padilla, L. y Killeen, T. J. 2015. Diversidad arbórea de los bosques de Tierra Firme de la Amazonia Boliviana. Kempffiana, 11: 1-28.
Ayushi, K., Babu, K. N., Ayyappan, N., Nair, J. R., Kakkara, A. y Reddy, C. S. 2024. A comparative analysis of machine learning techniques for aboveground biomass estimation: A case study of the Western Ghats, India. Ecological Informatics, 80: 102479. https://doi.org/10.1016/j.ecoinf.2024.102479
Baskerville, G. L. 1972. Use of Logarithmic Regression in the Estimation of Plant Biomass. Canadian Journal of Forest Research, 2(1): 49-53. https://doi.org/10.1139/x72-009
Benitez-Romero, F. M. B., Jacovine, L. A. G., Torres, C. M. M. E., Ribeiro, S. C., da Rocha, S. J. S. S., Novais, T. de N. O., Gaspar, R. de O., da Silva, L. F., Vidal, E., Leite, H. G., Staudhammer, C. L. y Fearnside, P. M. 2022. Aboveground biomass allometric models for large trees in southwestern Amazonia. Trees, Forests and People, 9: 100317. https://doi.org/10.1016/j.tfp.2022.100317
Bojórquez, A., Martínez-Yrízar, A., Búrquez, A., Jaramillo, V. J., Mora, F., Balvanera, P. y Álvarez-Yépiz, J. C. 2020. Improving the accuracy of aboveground biomass estimations in secondary tropical dry forests. Forest Ecology and Management, 474: 118384. https://doi.org/10.1016/j.foreco.2020.118384
Boyle, B., Hopkins, N., Lu, Z., Raygoza Garay, J. A., Mozzherin, D., Rees, T., Matasci, N., Narro, M. L., Piel, W. H., Mckay, S. J., Lowry, S., Freeland, C., Peet, R. K. y Enquist, B. J. 2013. The taxonomic name resolution service: An online tool for automated standardization of plant names. BMC Bioinformatics, 14(1): 16. https://doi.org/10.1186/1471-2105-14-16
Brown, I. F., Martinelli, L. A., Thomas, W. W., Moreira, M. Z., Ferreira, C. a. C. y Victoria, R. L. 1995. Uncertainty in the biomass of Amazonian forests: An example from Rondônia, Brazil. Forest Ecology and Management, 75: 175-189.
Chamberlain, S. A. y Szöcs, E. 2013. taxize: Taxonomic search and retrieval in R. F1000Research. https://doi.org/10.12688/f1000research.2-191.v2
Chave, J., Coomes, D., Jansen, S., Lewis, S., Swenson, N. y Zanne, A. 2009. Towards a Worldwide Wood Economics, Spectrum. Ecology letters, 12: 351-366. https://doi.org/10.1111/j.1461-0248.2009.01285.x
Chave, J., Réjou-Méchain, M., Búrquez, A., Chidumayo, E., Colgan, M. S., Delitti, W. B. C., Duque, A., Eid, T., Fearnside, P. M., Goodman, R. C., Henry, M., Martínez-Yrízar, A., Mugasha, W. A., Muller-Landau, H. C., Mencuccini, M., Nelson, B. W., Ngomanda, A., Nogueira, E. M., Ortiz-Malavassi, E., … Vieilledent, G. 2014. Improved allometric models to estimate the aboveground biomass of tropical trees. Global Change Biology, 20(10): 3177-3190. https://doi.org/10.1111/gcb.12629
Chen, Z., Yang, X., Pan, X., Wu, T., Lei, J., Chen, X., Li, Y. y Chen, Y. 2025. Estimating Forest Aboveground Biomass in Tropical Zones by Integrating LiDAR and Sentinel-2B Data. Sustainability, 17(8): 3631. https://doi.org/10.3390/su17083631
da Costa, J., Barni, P., Sotta, E., Carim, M., Cunha, A., Guedes, M., Aparicio, P., Oliveira, L., Barbosa, R., Fearnside, P., Nascimento, H. y Toledo, J. 2025. Dense Forests in the Brazilian State of Amapá Store the Highest Biomass in the Amazon Basin. Sustainability, 17: 5310. https://doi.org/10.3390/su17125310
Fareed, N. y Numata, I. 2025. Evaluating the impact of field-measured tree height errors correction on aboveground biomass modeling using airborne laser scanning and GEDI datasets in Brazilian Amazonia. Trees, Forests and People, 19: 100751. https://doi.org/10.1016/j.tfp.2024.100751
Fareed, N., Numata, I., Cochrane, M. A., Novoa, S., Tenneson, K., Melo, A. W. F. de, da Silva, S. S., Oliveira, M. V. N. d’, Nicolau, A. y Zutta, B. 2025. Aboveground biomass modeling using simulated Global Ecosystem Dynamics Investigation (GEDI) waveform LiDAR and forest inventories in Amazonian rainforests. Forest Ecology and Management, 578: 122491. https://doi.org/10.1016/j.foreco.2024.122491
Farell, M. E. 2006. La ictiofauna del Rio Ibabo (Santa Cruz, Bolivia) en época de aguas altas. Kempffiana, 2(1): 4-34.
Fearnside, P. M. 1997. Wood density for estimating forest biomass in Brazilian Amazonia. Forest Ecology and Management, 90(1): 59-87. https://doi.org/10.1016/S0378-1127(96)03840-6
Feldpausch, T. R., Lloyd, J., Lewis, S. L., Brienen, R. J. W., Gloor, M., Monteagudo Mendoza, A., Lopez-Gonzalez, G., Banin, L., Abu Salim, K., Affum-Baffoe, K., Alexiades, M., Almeida, S., Amaral, I., Andrade, A., Aragão, L. E. O. C., Araujo Murakami, A., Arets, E. J. M. M., Arroyo, L., Aymard C., G. A., … Phillips, O. L. 2012. Tree height integrated into pantropical forest biomass estimates. Biogeosciences, 9(8): 3381-3403. https://doi.org/10.5194/bg-9-3381-2012
Flores, O. y Coomes, D. A. 2011. Estimating the wood density of species for carbon stock assessments. Methods in Ecology and Evolution, 2(2): 214-220. https://doi.org/10.1111/j.2041-210X.2010.00068.x
Flores-Valencia, M., Araujo-Murakami, A., Cabrera-Severich, P., Zuck, D., Molina-Olivera, A., Lazarte-Chispa, M., Moreno, G., Km, V. y Norte, C. 2016. Diversidad y composición florística de los bosques amazónicos del Sur de la Amazonia en el sector Kenia, Guarayos, Bolivia, Kempffiana 12 (1): 20-46.
Jilo, D., Birhane, E., Tadesse, T. y Ubuy, M. H. 2025. Aboveground Biomass Models for Common Woody Species of Lowland Forest in Borana Woodland, Southern Ethiopia. Forests, 16(5): 823. https://doi.org/10.3390/f16050823
Keller, M., Palace, M. y Hurtt, G. 2001. Biomass estimation in the Tapajos National Forest, Brazil: Examination of sampling and allometric uncertainties. Forest Ecology and Management, New Directions in Tropical Forest Research, 154(3): 371-382. https://doi.org/10.1016/S0378-1127(01)00509-6
Lu, D., Chen, Q., Wang, G., Liu, L., Li, G. y Moran, E. 2016. A survey of remote sensing-based aboveground biomass estimation methods in forest ecosystems. International Journal of Digital Earth, 9(1): 63-105. https://doi.org/10.1080/17538947.2014.990526
Madhab, S. Y Behera, M. D. 2018. Aboveground biomass estimation using multi-sensor data synergy and machine learning algorithms in a dense tropical forest. Applied Geography, 96: 29-40. https://doi.org/10.1016/j.apgeog.2018.05.011
Marchesan, J., Alba, E., Schuh, M. S., Favarin, J. A. S. y Pereira, R. S. 2020. Aboveground biomass estimation in a tropical forest with selective logging using Random Forest and LiDar data. Floresta, 50(4): 1873-1882. https://doi.org/10.5380/rf.v50i4.66589
Mehtätalo, L., Miguel, S. de y Gregoire, T. 2015. Modeling height-diameter curves for prediction. Canadian Journal of Forest Research, 45: 826-837. https://doi.org/10.1139/cjfr-2015-0054
Michaelis, L. y Menten, M. L. 1913. Die Kinetik der Invertinwirkung. Biochem, 49: 333-369.
Molto, Q., Rossi, V. y Blanc, L. 2013. Error propagation in biomass estimation in tropical forests. Methods in Ecology and Evolution, 4(2): 175-183. https://doi.org/10.1111/j.2041-210x.2012.00266.x
Mostacedo, B., Villegas, Z., Licona, J. C., Alarcon, A., Leaño, C., Peña, M. y Poorter, L. 2008. Dinámica de la biomasa en áreas de manejo forestal sujetos a diferentes intensidades de aprovechamiento (Documento Técnico No. 3; p. 45). Instituto Boliviano de Investigación Forestal. Santa Cruz, Bolivia.
Nascimento, H. y Laurance, W. 2002. Total aboveground biomass in central Amazonian rainforests: A landscape-scale study. Forest Ecology and Management, 168: 311-321. https://doi.org/10.1016/s0378-1127(01)00749-6
Nogueira, A. J., Suwa, R., de Mello Ribeiro, G. H. P., Kajimoto, T., dos Santos, J., da Silva, R. P., de Souza, C. A. S., de Barros, P. C., Noguchi, H. y Ishizuka, M. 2012. Allometric models for estimating above-and below-ground biomass in Amazonian forests at São Gabriel da Cachoeira in the upper Rio Negro, Brazil. Forest Ecology and Management, 277: 163-172.
Paz-Roca, M. A. y Mostacedo, B. 2020. Biomasa aérea de árboles en bosques secos de la Ecorregión Chiquitana en Alta Vista, Santa Cruz, Bolivia. Kempffiana, 16(2): 1-15.
Pereira, A. L., Nascimento, H. E. M., Guedes, M., Hilário, R. y Toledo, J. J. 2025. Tree height-diameter allometry and implications for biomass estimates in Northeastern Amazonian forests. PeerJ, 13: e18974. https://doi.org/10.7717/peerj.18974
Pinto, J. 2006. Evolución del paisaje y estado de conservación de la Reserva Forestal El Chore. Kempffiana, 2(1): 45-56.
Réjou-Méchain, M., Tanguy, A., Piponiot, C., Chave, J. y Hérault, B. 2017. biomass: An r package for estimating above-ground biomass and its uncertainty in tropical forests. Methods in Ecology and Evolution, 8(9): 1163-1167. https://doi.org/10.1111/2041-210X.12753
Reyes, G., Andrés-Mauricio, J. y Hernández, S. 2025. Fuentes de error más comunes en la estimación y mapeo de la biomasa aérea de los bosques al usar datos de campo y de sensores remotos. Consideraciones en la Península de Yucatán. Desde el Herbario CICY-DHCICY, (17): 18-24.
Rodrigues, J. C. y de Almeida, C. F. P. 2025. Accessing the spatial distribution of aboveground biomass in tropical mountain forests using regression kriging simulation: A geostatistical approach for local-scale estimates. Ecological Processes, 14(1): 44. https://doi.org/10.1186/s13717-025-00590-4
Saatchi, S. S., Houghton, R. A., Dos Santos Alvalá, R. C., Soares, J. V. y Yu, Y. 2007. Distribution of aboveground live biomass in the Amazon basin. Global Change Biology, 13(4): 816-837. https://doi.org/10.1111/j.1365-2486.2007.01323.x
Su, Y., Wu, Z., Zheng, X., Qiu, Y., Ma, Z., Ren, Y. y Bai, Y. 2025. Harmonizing remote sensing and ground data for forest aboveground biomass estimation. Ecological Informatics, 86: 103002. https://doi.org/10.1016/j.ecoinf.2025.103002
Sullivan, M. J. P., Phillips, O. L., Galbraith, D., Almeida, E., de Oliveira, E. A., Almeida, J., Dávila, E. Á., Alves, L. F., Andrade, A., Aragão, L., Araujo-Murakami, A., Arets, E., Arroyo, L., Cruz, O. A. M., Baccaro, F., Baker, T. R., Banki, O., Baraloto, C., Barlow, J., … Zwerts, J. A. 2025. Variation in wood density across South American tropical forests. Nature Communications, 16(1): 2351. https://doi.org/10.1038/s41467-025-56175-4
Villarroel, D., Rodríguez-Montellano, A., Araujo-Murakami, A., Camargo, R., Martínez-Ugarteche, M. T., Ledezma, R., Jørgensen, P. M., Klitgaard, B. B., Miliken, W., Pardo, G., Vos, V. A., Parada, G. A., Crezee, B., Feldpausch, T. R., Gutierrez-Sibauty, G., Viscarra, L. J., Killeen, T. J., Álvarez-Severiche, C., Paca, R. C., … Proença, C. E. B. 2022. Estimación y modelamiento de la distribución espacial de la biomasa vegetal aérea para Bolivia. Ecología en Bolivia, 57(1): 5-18.
Weibull, W. 1951. A statistical distribution function of wide applicability. Journal of Applied Mechanics, 18,:293-297. https://doi.org/10.1115/1.4010337
Zanne, A. E., Lopez-Gonzalez, G., Ilic, J., Jansen, S., Coomes, D. A., Lewis, S. L., Miller, R. B., Swenson, N. G., Wiemann, M. C. y Chave, J. 2009. Data from: Towards a worldwide wood economics spectrum. En Dryad. Dryad. https://doi.org/10.5061/dryad.234
