ARTÍCULO ORIGINAL

Estimación de la biomasa de ramas secas en plantaciones de Pinus maestrensis Bisse de la provincia Granma, Cuba

Estimate of the dry branches biomass in plantations of Pinus maestrensis Bisse in the Granma province, Cuba

Revista Cubana de Ciencias Forestales
Año 2015, Volumen 3, número 1

Héctor Barrero Medel¹, Wilmer Toirac Arguelle², José Antonio Bravo Iglesias³, Alberto Vidal Corona⁴, Arlety Ajete Hernández⁵, Bertha Rita Castillo Edua⁶

¹Universidad de Pinar del Río «Hermanos Saíz Montes de Oca», calle José Martí Pérez no 270 final.

RESUMEN

Este trabajo tuvo como objetivo estimar la biomasa de ramas seca de Pinus maestrensis Bisse en plantaciones de la provincia Granma, para lo cual se talaron 138 árboles tipos, seleccionados a partir de la ejecución de un muestreo aleatorio simple de 40 rodales; los cuales fueron desramados y desfoliados,, y se realizó el pesaje por separado de la biomasa de ramas de cada uno de los mismos, lo que se determinó a partir del contenido de humedad en muestras representativas de las ramas, tomadas al azar, y secadas en estufas a 105°C hasta llevarlas a peso constante, para luego convertir los valores a peso seco. Para estimar biomasa de ramas seca se evaluaron cuatro modelos de regresión, donde el modelo que mejor bondad de ajuste presentó fue el logarítmico, con coeficiente de determinación y coeficiente de determinación ajustado de 94,4 y 94,3 %, parámetros con alta significación (P < 0,001) y menor valor de índice de Furnival.

Palabras clave: Pinus maestrensis Bisse, biomasa de ramas seca, modelos de regresión.

ABSTRACT

This study aimed to estimate the biomass of dry branches of Pinus plantations maestrensis Bisse inGranma province. To which 138 trees were felled types selected from the execution of a simple random sample of 40 stands; which were pruned and defoliated, carrying out weighing separately biomass branches of each of the same, determined from the moisture content of representative samples of the branches taken at random and dried in stove at 105 ° C until bring to constant weight, and then convert the values to dry weight. To estimate biomass of dry branches four regression models, where the model presented better goodness of fit was logarithmic, with coefficient of determination and adjusted coefficient of determination of 94.4 and 94.3%, highly significant parameters were evaluated (P 0.001) and lower index value Furnival.

Key words: Pinus maestrensis Bisse, biomass of branches, regression models.

INTRODUCCIÓN

Históricamente, la biomasa forestal y los residuos de los cultivos agrícolas han sido extensamente utilizados para la producción de calor (como combustible para hogares residenciales, panaderías y herrerías.). Durante el siglo XX, la biomasa ha sido fuente de materias primas para la industria química, a partir de la destilación de la madera. La misma también, es un componente importante para la construcción, y es un material de elevado interés económico para la industria de muebles (Martínez, 2009).

Fonseca, W; Alice, F. y Rey, J. M. (2009), refieren que la biomasa es un parámetro que caracteriza la capacidad de los ecosistemas para acumular materia orgánica a lo largo del tiempo y está compuesta por el peso de la materia orgánica aérea y subterránea que existe en un ecosistema forestal.

Según Noack (1995), el nivel de desechos producidos, tanto en los bosques como en las plantas procesadoras, constituye un obstáculo para la sustentabilidad de los bosques y la industria forestal. En los últimos tiempos, la necesidad de la estimación racional e integral de toda la biomasa forestal aprovechable, así como la predicción de los incrementos potenciales de la misma, se ha convertido en un importante aspecto a tener en cuenta, dada la enorme cantidad de alternativas de usos, tanto dentro de la planificación productiva como en su desarrollo científico técnico (Ritchie y Hann, 1990). Esta problemática se manifiesta en las diferentes empresas forestales del país.

El objetivo de este trabajo fue estimar la biomasa de ramas secas de Pinus maestrensis Bisse en plantaciones de la provincia Granma.

MATERIALES Y MÉTODOS

El estudio se realizó en la Empresa Forestal Integral Granma, en la provincia de igual nombre, abarcando los municipios Jiguaní, Buey Arriba, Guisa y Bayamo Dicha provincia limita por el norte con la provincia de Holguín, al sur, con el mar Caribe y la provincia de Santiago del Cuba, al oeste, con el Golfo de Guacanayabo y al este, con la provincia de Santiago de Cuba. El suelo es ferralítico rojo lixiviado, la temperatura media, de 26,5 ⁰C y los valores de precipitación anual son de 1 288 mm. (Mogena, O; Cuesta; Y. Rodríguez y B. Zamora, 2007).

Para estimar la biomasa de rama seca, a partir del diámetro normal (d_1,30), se empleó la regresión lineal, donde se utilizaron para el ajuste los modelos de regresión. (Tabla 1)

donde:

a: Constante

b, c y d: Coeficientes de regresión

X: diámetro normal (d_1,30)

Para el estudio de la bondad de ajuste de estos modelos se utilizaron los criterios estadísticos reportados por Furnival (1961), Alder (1980), Prodan, M.; R. Peters; F. Cox y P. Real (1997), Kiviste, A; J. G. Álvarez; A. Rojo y A. D. Ruíz (2002), Guerra, C. W.; A. Cabrera y L. Fernández (2003), Torres y Ortiz (2005).

1. Coeficiente de determinación (R²): declara que porcentaje de la variación de la variable dependiente es explicada por las variables predictoras.

2. Coeficiente de determinación ajustado (R²ajust): es una corrección o ajuste del coeficiente de determinación original de acuerdo a los grados de libertad del modelo.

3. Sesgo o Diferencia agregada (DA): evalúa la desviación del modelo con respecto a los valores observados.

4. Error medio cuadrático (CME): informa sobre la precisión de las estimaciones.

5. Error medio en valor absoluto (EMA): da una idea de la magnitud media de los errores independientemente de su signo.

6. Significación estadística del modelo: expresa el error para el modelo.

7. Significación estadística de los parámetros de los modelos: expresa el error para cada parámetro del modelo.

8. Error estándar del modelo (EEE): permite determinar los intervalos de confianza para el modelo.

9. Error estándar de los estimadores de los parámetros del modelo: permite determinar los intervalos de confianza para los parámetros.

10. Estadístico Durbin- Watson (D-W): revisa los residuos para determinar si hay correlación significativa

11. Índice de Furnival (IF): es utilizado para la comparación de ecuaciones de regresión con transformación de la variable independiente, teniendo en cuenta que se utilizaron modelos con y sin transformaciones logarítmicas.

Para el ajuste de los modelos se utilizaron 73 muestras y para la validación 65 muestras. Se empleó un nivel de significación del 5% para el análisis de varianza de las regresiones, utilizándose los programas estadísticos STATGRAPHICS Plus versión 5.1 (1995) e InfoStat (2008).

RESULTADOS Y DISCUSIÓN

Como resultado del análisis de regresión lineal, donde se observa el buen comportamiento de ajuste y predicción de todos los modelos probados donde se cumple el supuesto de independencia de los residuos, al poseer valores del estadístico DurbinWatson en el intervalo de 1,5-2,5 teniendo una bondad de ajuste con coeficientes de determinación ajustado por encima del 92 %, y con un alto nivel de exactitud y precisión. (Tabla 2)

Como se pudo constatar en las tablas II y III, al modelo logarítmico le corresponde la mejor bondad de ajuste con el mayor valor de R²_ajustado, el menor valor del IF, y significativos su coeficiente de regresión no estandarizados, así como la mejor capacidad predictiva con exactitud y un sesgo con tendencia a la sobrestimación alrededor del 1%.

Sustituyendo los coeficientes de regresión no estandarizados el modelo se representa a continuación:

Se muestra el comportamiento del modelo logarítmico ajustado a la biomasa de rama seca. Se destaca de manera general el agrupamiento de los valores observados a diferente diámetro normal.

Así, suministrándole valores de la variable predictora diámetro normal, a partir de un valor mínimo 9 cm hasta un máximo de 47 cm, se obtiene la tabla del anexo 1 (Anexo 1).

El tipo de modelo logarítmico obtenido se corresponde con los obtenidos en Cuba por Vidal, A.; J. Rodríguez; J. Y. Benítez; R. C. Álvarez y H. Gra (2002), Vidal, A.; J. Y. Benítez; J. Rodríguez; R. C. Álvarez y H. Gra (2004), Vidal, A.; J. Rodríguez; J. Y. Benítez y W. Toirac (2011), para bosques naturales de Pinus tropicalis Morelet, plantaciones de Pinus caribaea var. caribaea Barret y Golfari, y plantaciones de Pinus cubensis Griseb respectivamente, nivel internacional por Fonseca et al. (2009), en bosque secundario en zona del Caribe de Costa Rica y con logarítmico con base 10 por Rodríguez (1999), para Eucalyptus saligna Smith, teniendo como variable independiente el producto del diámetro normal con el cuadrado de la altura; asi con modelos logarítmicos con más de una variable predictora por González (2008) para Pinus oocarpa var. ochoterenai Mtz, Quercus sp, y Pinus maximinoi H. E. Moore, en el estado de Chiapas, México; así discrepa con modelos exponenciales encontrados por Montero y Kanninen (2002), para Teminalia amazonia (Gmel.) Excell, en la zona sur de Costa Rica con Benítez (2006) para Casuarina equisetifolia Forst, en plantaciones de la provincia Camagüey, y con Flores, P.; M. M. López; G. Ángeles; M. L. Isla y G. Calva. (2012) para Abies religiosa (Kunth) Schtdl. et Cham.

CONCLUSIONES

El modelo de mejor ajuste para la estimación de la biomasa de ramas seca resultó:

La tabla de biomasa de rama seca de las plantaciones de Pinus maestrensis Bisse constituye una herramienta de gran importancia para la toma de decisiones por los gestores del manejo y aprovechamiento en la práctica social del sector forestal en la provincia Granma.

REFERENCIAS BIBLIOGRÁFICAS

Recibido: 15 de enero de 2015.
Aceptado: 29 de enero de 2015.

Dr. Héctor Barrero Medel. Universidad de Pinar del Río «Hermanos Saíz Montes de Oca», calle José Martí Pérez no 270 final.