Muestreo para Forestal
Muestreo para Forestal
Muestreo para Forestal
de
in
ac
alu
ev
la
ra
pa
to es
ien nal
cim cio
no na
co les
de ta
a res
log fo
to sos
An ecur
r
Diseos de muestreo de
las Evaluaciones Forestales
Nacionales
Resumen
Las Evaluaciones Forestales Nacionales
(EFN) se realizan con una mayor correccin
si se dispone de clculos acerca de los
atributos forestales suficientemente precisos y
defendibles desde un punto de vista cientfico.
Este apartado aborda el diseo estadstico del
plan de muestreo de un inventario forestal,
incluyendo el proceso utilizado a la hora de
definir la poblacin que se va a muestrear as
como la seleccin de muestra que satisfar los
requisitos de precisin de la EFN. Por este
motivo, un estadista con experiencia debera
formar parte de cualquier equipo encargado
del diseo de un inventario forestal nacional.
Sin embargo, si esto no fuera posible, este
apartado proporcionar lneas de actuacin
y recomendaciones para elaborar diseos
de muestreo relativamente simples que
reduzcan el riesgo a la vez que aumenten las
posibilidades de xito.
1. Introduccin
El diseo de muestreo que va a ser la base del
1
2
3
Northern Research Station, EE. UU. Forest Service, 1992 Folwell Avenue, Saint Paul, Minnesota 55108
EE. UU.
The Finnish Forest Research Institute, PO Box 18. FI-01301 Vantaa,, Finlandia
1
Northern Research Station, EE. UU. Forest Service, 1992 Folwell Avenue, Saint Paul, Minnesota 55108
EE. UU.
por estratos.
Por qu realizar el muestreo?
La descripcin ms precisa de una poblacin
es el resultado de mediciones detalladas de
todos y cada uno de sus miembros, lo que
comnmente se conoce como censo. Sin
embargo, realizar un censo de este tipo suele
ser imposible debido a su alto coste y a los
problemas logsticos que lleva asociados.
Imagine tratar de medir todos y cada uno
de los rboles de una extensin forestal de
un milln de hectreas. Una muestra mide
una parte de la poblacin que, en ingeniera
forestal, suele ser bastante pequea. Los
clculos basados en los datos recopilados a
partir de una muestra medida se extrapolan
al conjunto de la poblacin, cuya mayor parte
no se ha analizado.
Se piensa en ello como una suposicin o un
clculo del estado de una poblacin basado
en la muestra de unos pocos miembros de
dicha poblacin. Si la muestra es representativa
del total de la poblacin, la estimacin ser
precisa y ser menos probable que se desve
del valor real de la poblacin. De lo contrario,
los clculos sern imprecisos y engaosos, esta
falta de precisin no podr detectarse a simple
vista y la verdadera precisin del clculo no
se sabr porque el estado real del conjunto de
la poblacin no se conoce. Lo ms adecuado
en estos casos es aumentar las posibilidades
de medir una muestra representativa. Esto
se lleva a cabo haciendo uso de reglas,
defendibles desde un punto de vista cientfico,
para seleccionar la muestra, maximizar el
nmero de unidades de muestra observadas o
medidas y minimizar los errores de medicin
de cada una de ellas (vase Calidad de los
datos). No resulta difcil obtener los datos.
Es mucho ms complicado conseguir datos
precisos y fiables que se utilizarn a la hora de
tomar decisiones importantes.
Definir la poblacin
El clculo, defendible desde un punto de vista
cientfico, de los atributos de una poblacin se
basa en un conjunto de teoras matemticas
que se deben respetar si se va a utilizar para
2. Diseo de muestreo
Muestreo subjetivo o dirigido y muestreo
probabilstico. El muestreo subjetivo trata de
emplear un juicio profesional para seleccionar
aquellas unidades de muestra que se
consideran representativas del conjunto de la
poblacin. A menudo es ms cmodo medir
estas unidades, lo que reduce el coste. Aunque
los datos que se recopilan as describen de
una forma precisa el estado de las ubicaciones
muestreadas, no son representativos del
conjunto de la poblacin. Los defensores del
muestreo subjetivo confan en la capacidad
de los expertos para seleccionar una muestra
representativa y argumentan que este enfoque
es suficientemente bueno para fines prcticos.
En determinadas situaciones sencillas, esto
puede ser cierto. Sin embargo, qu pasa
si el usuario de los datos no tiene la misma
confianza en los expertos? Los datos ms
Figura 1. (a) diseo de muestreo aleatorio simple, (b) diseo de muestreo sistemtico alineado, (c)
diseo de muestreo sistemtico no alineado, (d) diseo de muestreo sistemtico, agrupado, no alineado con el mismo nmero de parcelas pero agrupadas.
y SRS
1
=
n
n
i =1
yi
, [1]
s2
Var( y SRS ) =
n
[2]
( yi
n 1
y)
[3]
y Str =
L
h =1
Wh y h
[4]
s h2
nh
[5]
y
Var( y Str ) =
L
h =1
Wh2
donde
1
yh =
nh
s h2 =
nh
j =1
y hj ,
nh
nh 1
j =1
(y
hj
[6]
yh )
[7]
RE =
Var( y SRS )
Var( y Str )
[8]
s h2 s 2
<
nh
n
s h2
nh
X
M=
Y
[9]
m=
i =1
n
i =1
xi
=
y1
x
y
[10]
E (m)
Ex
Y
X
Y
=M
xr =
i r
xi
yr =
y
i r
yi
T=
r
crs = 0
crs zr z s
, donde crs = cs ,
crr = 1
y r
donde r
y s se refieren a los grupos de las parcelas de
campo. Los estimadores de esta frmula son
insesgados si el proceso z no est
correlacionado de forma espacial y
conservadores si el proceso est correlacionado
de forma positiva (Matrn, 1960). Este
enfoque se ha utilizado en inventarios de
Suecia y Finlandia (Ranneby, 1981; vase
tambin Tomppo y otros, 1997; y Heikkinen,
2006) y se aplica a los estratos de muestreo
como sigue. En cada estrato, el grupo g de
cuatro grupos de parcelas de campo (r1, r2, r3,
r 4)
r
[11]
k
g
s=
i
Tg
yi
[12]
3. Tamao de la muestra
Determinar el tamao de la muestra es
uno de los pasos ms importantes a la
hora de desarrollar un diseo de muestra.
Si la muestra es demasiado pequea, el
nivel de incertidumbre ser grande y si
la muestra es demasiado grande, el coste
ser innecesariamente elevado. Es posible
cuantificar la confianza prevista en los clculos
futuros obtenidos a partir de una muestra
probabilsticamente vlida. A medida que
el nmero de muestras aumenta, la varianza
del error de clculo disminuye, la precisin
de los clculos aumenta y es posible otorgar
ms confianza a la estimacin. Generalmente,
se conoce el valor exacto del clculo pero
no el del estado real del bosque. Gracias
12
x Dmax
= 50
(100
0.05)
= 100
,[15]
4. Comparacin entre
diseos de muestreo
Una forma efectiva de comparar diseos de
muestras es a travs de la simulacin, si hay
disponible un modelo de rea forestal. El
modelo puede obtenerse a partir de inventarios
previos o a partir de clculos de variables de
inters obtenidos mediante imgenes por
satlite. En la Figura 3 se muestra un ejemplo
de los errores estndar obtenidos a partir de
diseos de muestras y utilizados para calcular
la media del volumen de masa arbrea en
crecimiento. La ubicacin de la muestra se
encuentra en el norte de Finlandia y tiene
una extensin de 6,47 millones de hectreas,
un rea de terreno forestal de 4,19 millones
de hectreas y un volumen medio de terreno
forestal de 52,7 m3/ha.
A nivel de pxel, se ha recreado un mapa
forestal que se extiende de un lmite a otro
utilizando los datos de campo obtenidos a
partir de inventarios anteriores, imgenes por
satlite y datos de mapas digitales (Tomppo
& Halme, 2004; Tomppo, 2004). Imgenes
por satlite de diferentes resoluciones ofrecen
una fuente de informacin, adems de los
13
RMSE, %
9
11
13
15
17
100
300
500
5. Consideraciones de
muestreo a tener en
cuenta en los inventarios
forestales tropicales
En los ltimos aos, la preocupacin por
los efectos del cambio climtico, as como
las acciones para paliar dichos efectos, han
motivado un intenso inters en la realizacin
de inventarios forestales en pases tropicales
14
Configuracin de parcela
La seleccin de una configuracin de parcela
se fundamenta en varios principios generales,
muchos de los cuales son iguales en los
inventarios boreales, templados y tropicales,
aunque otros tambin son diferentes. Se
sabe que realizar un clculo preciso del
cambio es ms complicado que obtener un
clculo preciso de las condiciones actuales,
en especial cuando el cambio en cuestin
nicamente afecta a una zona pequea. Sin
embargo, la precisin del clculo del cambio
se puede aumentar volviendo a medir las
mismas parcelas en momentos posteriores.
16
Diseo de muestreo
La seleccin de un diseo de muestreo para su
utilizacin en un inventario forestal tropical
tambin implica la consideracin de varios
factores. Por un lado, el equilibro espacial
es una caracterstica muy valorada en estos
casos, lo que significa que se podrn observar
grandes regiones geogrficas de poblacin.
El equilibro espacial a menudo se alcanza
incorporando un componente sistemtico
en el diseo de muestreo. Este componente
sistemtico puede ser o bien una red de lneas de
cuadrcula perpendiculares o bien el teselado
de una poblacin en polgonos regulares. Los
diseos alineados espacialmente establecen
parcelas en las intersecciones de la cuadrcula
o en los centros de los polgonos, mientras
que los diseos no alineados espacialmente
establecen las parcelas en ubicaciones
aleatorias y en el interior de los rectngulos
que forman las lneas de las cuadrculas o los
polgonos regulares.
La teledeteccin tambin se puede tener
en cuenta a la hora de seleccionar un diseo
de muestreo. Por ejemplo, los bosques
tropicales a menudo se caracterizan por
tener un nmero de das limitado en los
que el cielo est despejado. Por este motivo,
puede ser complicado para sensores basados
en satlites, como Landsat o SPOT, obtener
fotos sin nubes. Los datos de LIDAR, que
se obtienen a travs de plataformas areas y
utilizan tcnicas lser, a menudo se ofrecen
como alternativa. Adems, el lser es capaz
de atravesar la cubierta forestal y recopilar
informacin relevante para el clculo del
volumen, la biomasa y el contenido de dixido
de carbono de los rboles. Si las parcelas se
ubican en las intersecciones de las cuadrculas
perpendiculares, se facilita la adquisicin de
datos de LIDAR a travs de plataformas areas
en franjas, ya que se pueden emplear lneas de
vuelo rectas.
Finalmente, al crear las redes de cuadrcula
y teselado, el uso de proyecciones de rea
iguales tambin debe tenerse en cuenta.
En caso contrario, las parcelas ubicadas a
Estratificacin
Los enfoques de muestreo estratificados
se utilizan por varios motivos pero,
6. Resumen
La creacin de un diseo de muestreo adecuado
para una EFN, un IFN o MRV es un paso
crucial si los clculos son lo suficientemente
precisos y se pueden defender desde un punto
de vista cientfico. Uno de los primeros
pasos de este proceso es definir la poblacin
objetivo y seleccionar un marco de muestreo.
Se recomienda un marco de muestreo de
poblacin infinita en el que las observaciones
y mediciones del rea de una parcela se
atribuyen a un punto que se encuentra en el
centro de sta. Puesto que a menudo se espera
que los inventarios reflejen estimaciones
del cambio, se recomienda que el diseo de
muestra incluya al menos algunas parcelas
permanentes. El siguiente paso es distribuir
las parcelas de campo a travs de la poblacin
que se va a medir. Se ha proporcionado
informacin y se ha debatido acerca de varios
diseos de muestra de uso comn: muestreo
aleatorio simple, muestreo estratificado,
7. Referencias y recursos
tcnicos
Cochran, W. G. (1977). Sampling techniques. (3rd
ed.). New York: Wiley.
FAO, 2001. Global Forest Resources Assessment 2000.
Main report. FAO Forestry Paper 140. FAO Rome. 479
p.
Cunia, T. 1978. On the objectives and methodology of
national forest inventories. In: Forest resource inventory. Joint Meeting of IUFRO Groups S4.02 and S4.04.
18-26 June 1978. Institutul de Cerctari si Amenageri
Silvice., XI-XXIX. Bucharest.
Czaplewski, Raymond L. 2003. Chapter 5: Accuracy
assessment of maps of forest condition: statistical design and methodological considerations, pp. 115-140.
Remote Sensing of Forest Environments: Concepts
and Case Studies. (Michael A. Wulder and Steven E.
Franklin, Eds.) Kluwer Academic Publishers, Boston.
515p
Heikkinen, J. 2006. Assessment of uncertainty in spatially systematic sampling. In: Kangas, A. & Maltamo,
M. (eds.). Forest inventory. Methodology and applications. Managing Forest Ecosystems. Vol 10. Springer,
Dordrecht. p. 155-176.
Ilvessalo, Y. 1927. The forests of Suomi Finland. Results of the general survey of the forests of the country
carried out during the years 1921--1924. In Finnish
with English summary. Communicationes ex Instituto
Quaestionum Forestalium Finlandie 11. Summary in
English p. 321-395.
Loetsch, F., & Haller, K. E. 1973. Forest Inventory.
Volume I. BLV Verlagsgesellschaft mbH, Mnchen.
19
439 pp.
Loetsch, F., Zhrer, F. & Haller, K. E. 1973. Forest
Inventory. Volume II. BLV Verlagsgesellschaft mbH,
Mnchen. 469 pp.
Matrn, B. 1960. Spatial variation. Meddelanden frn
statens skogsforskningsinstitut. 49(5). 144 pp. Also
appeared as Lecture Notes in Statistics 36. Springer-Verlag. 1986.
McRoberts, R.E. 2003. Compensating for missing
plot observations in forest inventory estimation. Canadian Journal of Forest Research 33:1990-1997.
McRoberts, R.E., Wendt, D.G., Nelson, M.D., and
Hansen, M.H. 2002. Using a land cover classification
based on satellite imagery to improve the precision
of forest inventory area estimates. Remote Sensing of
Environment 81:36-44.
McRoberts, R.E., Bechtold, W.A.B., Patterson, P.L.,
Scott, C.T., & Reams, G.A. (2005). The enhanced
Forest Inventory and Analysis program of the USDA
Forest Service: historical perspective and announcement of statistical documentation. Journal of Forestry
103: 304-308.
Ranneby, B. 1981. Medelfelsformer till skattningar
baserade p material frn den 5:e riksskogstaxeringen.
Abstract: Estimation of standard errors in systematic
sampling. Swedish University of Agricultural Sciences, Section of Forest Biometry. Report 21. 19 s. (in
Swedish).
Ranneby, B., Cruse, Th., Hgglund, B., Jonasson, H.,
Swrd, J. 1987. Designing a new national forest survey
for Sweden. Studia Forestalia Suecica 177. 29 p.
Schreuder, H.T., Ernst, R., and Ramirez-Maldanado, H. 2004. Statistical techniques for sampling and
monitoring natural resources. Gen. Tech. Rep. RMRSGTR-126. USDA Forest Service, Rocky Mountain
Research Station, Ft. Collins, CO. Available online
at: http://www.treesearch.fs.fed.us/pubs/viewpub.
jsp?index=6287.
Schreuder, H. T., Gregoire, T. G., Wood, G. B. 1993.
Sampling Methods for Multiresource Forest Inventory.
John Wiley & Sons, Inc, New York. 446 p.Scott, C.T.
1993. Optimal design of a plot cluster for monitoring.
In: K. Rennolls, and G. Gertner (Eds.). Proceedings
of the IUFRO S.4.11 Conference. The optimal design
of forest experiments and forest surveys. pp. 233-242.
Available by request from the author: [email protected].
us.
Tomppo, E. 2004. Resource assessment: Forest
resources. In: Burley, J., Evans, J. & Youngquist, J.A.
(eds.). Encyclopedia of forest sciences. Elsevier, p.
965-973.
20
Tomppo. E. 2006. The Finnish National Forest Inventory. In: Kangas, A., & Maltamo, M. (Eds.). Forest
inventory, methodology and applications. Springer.
179-194.
Tomppo, E. 2009. Establishing Methodological Basis
and Building Partnership for Brazils National Forest
Inventory. A mission report for the Food and Agriculture Organization of the United Nations (FAO),
Division FOMRD.
Tomppo E., & R.L. Czaplewski. 2002. Potential for a
remote-sensing-aided forest resource survey for the
whole globe. Unasylva 53(210):16-18.
Tomppo, E. & Halme, M. 2004. Using coarse scale
forest variables as ancillary information and weighting
of variables in k-NN estimation: a genetic algorithm
approach. Remote Sensing of Environment 92:1-20.
Tomppo, E., Czaplewski, R. L., & Makisara, K. 2002.
The role of remote sensing in global forest assessment:
A remote sensing background paper for Kotka IV expert consultation. Forest Resources Assessment (FRA)
Working Paper 61. Food and Agriculture Organization
of the United Nations, Forest Resources Division, Forest Resources Assessment Programme, Rome, Italy.
Tomppo, E., Henttonen, H. & Tuomainen, T. 2001.
Valtakunnan metsien 8. inventoinnin menetelm ja tulokset metskeskuksittain Pohjois-Suomessa 1992-94
sek tulokset Etel-Suomessa 1986-92 ja koko maassa
1986-94. Metstieteen aikakauskirja 1B/2001: 99-248.
(in Finnish).
Tomppo, E., Gschwantner, T., Lawrence, M. &
McRoberts, R.E. (eds.) 2010b. National Forest Inventories - Pathways for common reporting. Springer, 612
p. ISBN 978-90-481-3232-4
Tomppo, E., Heikkinen, J., Henttonen, H.M.,
Ihalainen, A., Katila, M., Mkel, H., Tuomainen, T.
& Vainikainen, N. 2011. Designing and conducting a
forest inventory - case: 9th National Forest Inventory
of Finland. Springer, Managing Forest Ecosystems 21.
270 p. ISBN 978-94-007-1651-3
Tomppo, E., Varjo, J., Korhonen, K., Ahola, A.,
Ihalainen, A., Heikkinen, J., Hirvel, H., Mikkel,
H., Mikkola, E., Salminen, S. & Tuomainen, T. 1997.
Country report for Finland. In: Study on European
Forestry Information and Communication Systems.
Reports on forestry inventory and survey systems. Vol.
1. European Commission, p. 145-226.
Tomppo, E. Katila,M., Mkisara, K., Persaari, J.,
Malimbwi, R., Chamuya, N., Otieno, J. Dalsgaard,
S., & Leppnen,. M. 2010a. A Report to the Food
and Agriculture Organization of the United Nations
(FAO) in support of Sampling Study for National
Forestry Resources Monitoring and Assessment (NAFORMA) in Tanzania. Available at http://dl.dropbox.
com/u/6700344/NAFORMA%20Sampling%20Study.
pdf
White, D, Kimerling, J., and Overton, S.W. 1992.
Cartographic and geometrics components of a global
sampling design for environmental monitoring.
Cartography and Geographic Information Systems
19:5-22.
21