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