Métodos estadísticos paramétricos y no paramétricos para predecir variables de rodal basados en Landsat ETM+: una comparación en un bosque de Araucaria araucana en Chile
Los bosques de Araucaria araucana tienen una alta importancia ecológica y científica. Aunque existen varios estudios ecológicos llevados a cabo en bosques de A. araucana, muy pocos han producido modelos cuantitativos. Se compararon métodos estadísticos paramétricos y no paramétricos para predecir va...
Guardado en:
| Autores principales: | , , , |
|---|---|
| Lenguaje: | Spanish / Castilian |
| Publicado: |
Universidad Austral de Chile, Facultad de Ciencias Forestales
2010
|
| Materias: | |
| Acceso en línea: | http://www.scielo.cl/scielo.php?script=sci_arttext&pid=S0717-92002010000300002 |
| Etiquetas: |
Agregar Etiqueta
Sin Etiquetas, Sea el primero en etiquetar este registro!
|
| Sumario: | Los bosques de Araucaria araucana tienen una alta importancia ecológica y científica. Aunque existen varios estudios ecológicos llevados a cabo en bosques de A. araucana, muy pocos han producido modelos cuantitativos. Se compararon métodos estadísticos paramétricos y no paramétricos para predecir variables de rodal en función de variables derivadas de Landsat ETM+ para dos rodales de A. araucana en el centro-sur de Chile. Los métodos paramétricos fueron regresión líneal múltiple (MLR), mínimos cuadrados generalizados con una estructura de correlación no nula (GLS), modelo lineal de efectos mixtos (LME) y mínimos cuadrados parciales (PLS); mientras que los métodos no paramétricos fueron: k-ésimo vecino más cercano (k-NN) y vecino más similar (MSN). En orden descendente, número de árboles por hectárea (N), volumen bruto (V), área basal (G) y altura dominante (Hdom), fueron las variables más complejas de modelar por todos los métodos. El modelo lineal de efectos mixtos con efectos aleatorios conocidos (LME1) tuvo el mejor desempeño, alcanzando una raíz cuadrada de las diferencias (RMSD) para N y V de 18,31 y 4,08 % versus 33,06 y 33,05 % para el segundo mejor método, respectivamente. Después de LME1, GLS se comportó mejor, y también toma en consideración la correlación espacial de los datos. Las diferencias fueron mayores entre métodos no paramétricos que para los paramétricos, con una diferencia de 10-15 % entre k-NN y MSN. Aunque los resultados obtenidos favorecen a los métodos paramétricos, se destaca que los métodos no paramétricos son también útiles, y la elección entre ambos métodos depende del objetivo del estudio. |
|---|