Calculo biomasa - Relación con LAI y otras variables

dat <- read.csv("~/Documents/Metodos_II/data2.csv")
den <- read.csv("Densidad.total.csv", sep = ";")

Loop para asignar densidad (g/cm³) a cada Género

Lo primero será asignar la densidad a nivel de género para cada observación utilizando el siguiente bucle.

dat$DENSIDAD <- dat$GENERO
dat$DENSIDAD <- as.character(dat$DENSIDAD)
class(dat$DENSIDAD)

for (i in levels(den$genero)) {
  id <- which(dat$DENSIDAD==i)
  dat$DENSIDAD <- replace(dat$DENSIDAD, id, den[den$genero==i,2]) 
}
dat$DENSIDAD <- as.numeric(dat$DENSIDAD)
class(dat$DENSIDAD)

Densidad por parcelas

Posteriormente un aggregate para hallar la densidad de madera por parcela.

density <- aggregate(dat$DENSIDAD~dat$PARCELA, FUN = sum)

LAI <- read.csv("LAI_data.csv")
plots <- read.csv("datxplot.csv")
plots <- cbind(plots,LAI[,2:3],density[,2])

Correlación Parametros Estructurales - LAI

La evaluación visual entre los parámetros a nivel de parcela no evidencia una relación lineal entre nuestras variables de interés. Tan solo permite ver relaciones redundantes entre la riqueza de géneros y especies con la equidad, entre los indices de diversidad (Shannon y Simpson) y entre el LAI_4Ring con el LAI_5Ring.

pairs(plots[,1:9])

pairs(plots[,10:16])

Calculo de biomasa usando diametro (cm), densidad de madera (g/cm^3) y Altura (m).

El calculo de la biomasa se realiza usando los modelos con altura y sin altura que tuvieron un mejor ajuste según los datos de (Alvarez et al., 2012)

• Best fitted model (Type I.3) with height \(ln(AGB) = a + c*ln(D^2*H*q)\) where q is density

• Best fitted model (Type II.1) without height \(ln(AGB) = a + b1*ln(D)+b2*(ln(D))^2 + b3*(ln(D))^3 + d*ln(q)\)

Model type I.3

se calcula la biomasa para cada observación utilizando el modelo type I.3 el cual tiene en cuenta el Diametro (D), la altura (H) y la densidad de la madera (q). Teniendo en cuenta que se debe cambiar la medida de la altura a m y se deben transformar los valores en ln de la biomasa aerea (ABG) con la función exp()

a = -2.032
c = 0.937
for (i in 1:length(rownames(dat))){
  D = dat$DAP[i]
  H = dat$A..TOTAL[i]/100
  q = dat$DENSIDAD[i]
  dat$BIOMASS_DH[i] <- a + c*log(D^2*H*q)
  dat$BIOMASS_DH[i] <- exp(dat$BIOMASS_DH[i])
}

Model type II.1

se calcula la biomasa para cada observación utilizando el modelo type II.1 el cual tiene en cuenta el Diametro (D) y la densidad de la madera (q). Teniendo en cuenta que se deben transformar los valores en ln de la biomasa aerea (ABG) con la función exp()

a = 1.836
b1 = -1.255
b2 = 1.169
b3 = -0.122
d = -0.222
for (i in 1:length(rownames(dat))){
  D = dat$DAP[i]
  q = dat$DENSIDAD[i]
  dat$BIOMASS_D[i] <- a + b1*log(D)+b2*(log(D))^2 + b3*(log(D))^3 + d*log(q)
  dat$BIOMASS_D[i] <- exp(dat$BIOMASS_D[i])
}

Biomasa por parcela

Se calcula la biomasa por cada parcela, según los dos modelos

biomass_d <- aggregate(dat$BIOMASS_D~dat$PARCELA, FUN = sum)
biomass_dh <- aggregate(dat$BIOMASS_DH~dat$PARCELA, FUN = sum)

agrego los datos de riqueza de familias, géneros, densidad de familias… etc. por parcela al data.frame “plots”

plots <- cbind(plots, biomass_d[,2], biomass_dh[,2])
print(plots)

Relación entre las variables

Sin embargo como lo observado en la gráfica hecha anteriormente con la función pairs() no parece existir una relación lineal entre el LAI con la Biomasa de cada parcela, quizá debido al pequeño gradiente que tenemos en el LAI o al reducido número de plots utilizados en el análisis.

Una de las relaciones a rescatar sería la densidad de las Alfaroas con respecto a la densidad total de individuos.

plot(plots$Densidad.de.individuos,plots$Densidad.de.Alfaroa, xlab = "Densidad de individuos por parcela", ylab = "Densidad de Alfaroa por parcela")

La densidad de la madera con el area basal de las Alfaroas

plot(plots$`density[, 2]`, plots$Area.basal.Alfaroa, xlab = "Densidad de la madera", ylab = "Area basal Alfaroa")