Estimación del porcentaje de carbono orgánico en suelos utilizando Imágenes Satelitales y Modelos Mixtos

Autores/as

  • Ana A. Oroza Hernández Facultad de Ciencias Físico Matemáticas, Benemérita Universidad Autónoma de Puebla, México https://orcid.org/0000-0001-5668-1819
  • Gladys Linares Fleites Departamento de Investigación en Ciencias Agrícolas, Instituto de Ciencias, Benemérita Universidad Autónoma de Puebla, Puebla, México https://orcid.org/0000-0003-0856-3994
  • Hortensia J. Reyes Cervantes Facultad de Ciencias Físico Matemáticas, Benemérita Universidad Autónoma de Puebla, México https://orcid.org/0000-0002-7152-3760
  • Bulmaro Juárez Hernández Facultad de Ciencias Físico Matemáticas, Benemérita Universidad Autónoma de Puebla, México

Palabras clave:

Secuestro de Carbono, Modelos Lineales Generalizados Mixtos, Regresión gamma

Resumen

La estimación del porcentaje de carbono orgánico en suelos es uno de los problemas actuales que se presentan en los estudios de secuestro de carbono, que es considerado un importante aspecto en la mitigación del cambio climático. La utilización de modelación estadística donde la variable dependiente de una regresión está expresada como una proporción en el intervalo continuo (0,1) es el foco central en estos estudios, por lo que la utilización de los Modelos Lineales Generalizados Mixtos es imprescindible. Estos modelos pueden considerarse una moderna herramienta para integrar información de campo con la obtenida a través de imágenes satelitales. En este artículo se persigue el objetivo de modelar el porcentaje de carbono orgánico en suelos en la Región Terrestre Prioritaria (RTP) 105, Cuetzalan, México. Según la práctica tradicional, inicialmente se consideraron modelos mixtos bajo el supuesto de normalidad de los errores del modelo; posteriormente, bajo el supuesto de distribución gamma de los errores del modelo, se obtuvieron modelos de regresión gamma de efectos mixtos que estiman el porcentaje de carbono orgánico en función de propiedades físico químicas del suelo (efectos fijos) y del Índice de Vegetación Normalizado NDVI (efecto aleatorio), considerándose estos últimos modelos más adecuados que los iniciales. Se utilizó para la modelación el entorno R con la paquetería lme4.

Descargas

Los datos de descargas todavía no están disponibles.

Citas

A. Bannari, D. Morin, F. Bonn, and A. R. Huete. A review of vegetation indices. Remote Sensing Reviews, 13(1-2):95–120, 1995.

W. Bonat, Ribeiro Jr. Paulo, and Zeviani Walmes. Regressio models with responses on the unity interval:specification, estimation and comparison. Revista Brasileira de Biometria, 30, 01 2012.

T. Burzykowski and A. Galecki. Linear Mixed Effects Models Using R. A Step by Approach. Springer, 2013.

L. Cayuela. Modelos lineales mixtos (LMM) y modelos lineales generalizados mixtos (GLMM) en R. Universidad Rey Juan Carlos, Madrid, España, 2012.

L. Cayuela. Modelos lineales generalizados (GLM). Universidad Rey Juan Carlos, Madrid, España, 2014.

E. Demidenko. Mixed Models. Theory and Applications with R. John Wiley & Sons, 2013.

A. J. Dobson and A. Barnett . An Introduction to Generalized Linear Models. hapman and Hall and CRC, 2008.

B. Douglas, Martin Mächler, Ben Bolker, and Steve Walker. Fitting linear mixed-effects models using lme4. Journal of Statistical Software, 67(1):1–48, 2015.

R. Kieschnick and B D McCullough. Regression analysis of variates observed on (0, 1): percentages, proportions and fractions. Statistical Modelling, 2003.

G. F. Linares, M.G. A. Tenorio, E. T. Trejo, and A. A. H. Oroza . Estimación del carbono orgánico en suelos por teledetección y modelos de regresión. Revista Latinoamericana el Ambiente y las Ciencias, 8(18):26–40, 2017.

J. M. Losilla, J. B. Navarro, A. Palmer, M. F. Rodrigo, and M. Ato . Modelo Lineal Generalizado. Girona: Documenta Universitaria, 2005.

P. McCcullagh and J. A. Nelder FRS. Generalized Linear Models. Chapman and Hall, 1989.

P. McCullagh and J. Nelder. Generalized Linear Models. Chapman and Hall, 2001.

A. Ramos and A. Domínguez. Universidad Tecnológica de Puebla, México. El mundo de los Sátelites: Fundamentos y Aplicaciones, 2002.

R Core Team. R: A Language and Environment for Statistical Computing. R Foundation for Statistical Computing, Vienna, Austria, 2016.

Descargas

Publicado

2024-03-26 — Actualizado el 2019-12-12

Versiones

Cómo citar

[1]
Oroza Hernández, A.A. et al. 2019. Estimación del porcentaje de carbono orgánico en suelos utilizando Imágenes Satelitales y Modelos Mixtos. Ciencias matemáticas. 33, 2 (dic. 2019), 137–143.

Número

Sección

Artículo Original