Un Primer sobre la Agrupación de Unidades de Manejo Forestal para Estimaciones Directas Basadas en Diseño Fiables y Estimación de Pequeñas Áreas Basadas en Modelos

Este estudio emplea análisis de agrupamiento para agrupar unidades de manejo forestal utilizando métricas de altura auxiliares derivadas de imágenes de satélite y datos históricos de censo de árboles de pared a pared de un bosque natural y desuniforme. Inicialmente, realizamos una exploración exhaustiva para determinar el número óptimo de clusters k, considerando una amplia gama de esquemas de agrupamiento, índices y dos rangos específicos de k. El k óptimo está influenciado por varios factores, incluidos el k mínimo considerado, el algoritmo de agrupamiento seleccionado, los índices de agrupamiento utilizados y las variables auxiliares. Específicamente, el k mínimo, la métrica de distancia euclidiana y el índice de agrupamiento fueron fundamentales para determinar los números óptimos de clusters, con algoritmos que ejercen una influencia mínima. A diferencia de los índices de validación tradicionales, evaluamos el rendimiento de estos clusters definidos óptimamente basándonos en estimaciones directas y criterios adicionales. Posteriormente, nuestra investigación introduce una metodología dual para la Estimación de Pequeñas Áreas (SAE). El primer enfoque se centra en agregar unidades de manejo forestal a nivel de cluster para aumentar el tamaño de la muestra, lo que permite obtener estimaciones directas basadas en diseño fiables para atributos forestales clave, incluyendo volumen de existencias, área basal, densidad de árboles y altura media de los árboles. El segundo enfoque prepara datos a nivel de área para la futura aplicación de estimadores basados en modelos, condicionado a establecer una fuerte correlación entre las variables objetivo y auxiliares. Nuestra metodología tiene el potencial de mejorar las prácticas de inventario forestal en una amplia gama de bosques donde las covariables auxiliares a nivel de área están disponibles.