Teoria y Aplicaciones del Sistema de Muestreo de Probabilidad Proporcional a la Prediccion (3P) ** Traducoton y Adaptacion: Ing. Ftal. Francisco Andres CARABELLI Catedra de Dasometria y Ordenacion Forestat Departamento de Ingenieria Forestat Facultad de Ingenieria - Universidad Nacional de ta Patagonia # Junio 1993 # ** Basado en el Apunte “3P Sampling. A Simple Introduction", preparado por el Dr. Kim ILES, Nanaimo. British Columbia, Canada. Diciembre de 1992.INDICE INTRODUCCION.......---- 3 LA MECANICA DEL INVENTARIO. 3 CALCULO DEL VOLUMEN DEL INVENTARIO. 4 ESTADISTICAS QUE KMPLEA KL SISTEMA. 5 Error de muestreo. 5 Problemas de Sesgo. 7 Tablas de Kxistencias. 8 Tablas de Rodal.... 8 Estratificacion......-- 9 Area de Kelevamiento... 10 SELECCION DE LOS ARBOLES MUESTRA... 10 El término K+Z . 12 RECIENTES MEJORAS A LOS METODOS Di 13 FLUJO DEL PROCESO 3P....... 16 Antes del Inventario... 16 Trabajo de Campo... 17 Trabajo de Gabinete. 17 Bibliografia de Consulta... 18APUNTES SOBRE LA TEORIA Y APLICACIONES DEL SISTRMA DE MUBSTREO DE PROBABILIDAD PROPORCIONAL A LA PREDICCION (3P) INTRODUCCION 1 Muestreo GP significa “Frobabilidad Proporcional 4 la Prediccién’. lo cual guiere decir gue los arboles se eligen para el muestreo con una frecuencia proporeional a su volumen predicho. La idea dé este muestreo de caracter probabilistico fue introducida por Leo Grosenbaugh. La principal ventaja del muestreo GP es la altisima precision de la respuesta obtenida. 2 un costo bajo y con un pequero tamafio de muestra. La razon por la que esta precigién puede lograrse es gue aungue los cperarios tengan poca experiencia pueden estinar los voltimenes de ios arboles o bien algo prozercional a estos con un vagonable grado de exactitud. im Zies. quien poses una larga experiencia en la préctica de este sistema y si que hemos seguido en esta exposicion en forma muy estricts, nos advierte gue la facilidad de su implementacion no debe hacernos cometer el error de creer que podemos medi> volumen maderable © Volumen de madera, como é1 Jo llama. Expresa gue este es sdjo el uso mas reciente de una larga lista de usos vy es justamente e] uso més frecuente de este sistema em ia silvicultura. ia filosofia dei sistema radica en ia vopsistencia de las estimaciones por un jado y en ia exactitugd de las mediciones vor ei otro. §n efecto. en una primera fase no fogs importa cuan lejos estamos de la respuesta correcta. Lo que realmente interesa es que ja estimacidn sea consistentemente alta o consistentemente baja pero no que Ja hagamos variar arbitrariavente en uno u atro sentido. En una segunda fase del proceso. s¢ crea una rasdn de correceién [valor medido/valor estimado}. Estas dos respuestas dependen por supuesto una de otra, Si ia eatimacién tiende a ser alta -es decir, 4 sobrestimar-. la vasdn serd baja y viceversa. pero juntas darén ia respuesta correcta. onces. la idea basica del muestreo SF es: mero! un grupo completo rapido de estimacicnes. Segundo: Creacion y aplicacicn d= una razon de correcién, Desde un punto de vista tico esta misma filosofia se resume en: a) estimar muchas veces para reducir ef erro» de muestreo, b) medir unas pocas veces pars eliminar el sesgo. LA MECANICA DBL INVKNTARIO Cémo 82 hace el inventario usuaimente? En una primera tase se hace una répida estimacidn para cada arbol, en el dérea de inventario, Esto significa lievar 1a cuenta de qué arboles han sido estimados y usualmente se hacecon lineas de hilo o marcas temporales. Esto hace que, en 61 presente. el] uso del muestreo GP esté restringido 3 situaciones basicas: 1) Inventarios de pequena superficie. donde el acceso a cada arbol no signizica un problema. 2) Inventarics de marcacién, donde igualmente say que in a cada arbol. 3) Inventarios "100%", politica s la que actualmente esta abocado al de Estados Unidos. mité de Manejo de Tierr ta clave de es a fase es la VELOCIDAD. Las estimaciones deben hacer: rspidamente y luego registrarse en rorme inmediata se invierte mucho tiempo y esfuerzo en cada arbol, el sistema pierde mucho de sus ventajas. El voiumen dei 4rbol puede estimarse en CUAL@UIER unidad. dade que estas unidades se suprimen sn la segunda fase. Grosenbaugh denomind KPI al volumen estimado. Enuna segunda fase algunos arboles se seleccionan para ser cuidadosamente medidos. La decision de medir un arbol se toma. usvaimente. inmediatamente después de estimar ei volumen dei arboi. Las unidades que se usen para medipr estos arboles muestra determinaran las unidades para el voiumen de todo el inventario. Es esencial tener cuidade en esta etapa porque los patrones usados ¥ la precisién con 1a que son aplicades son duego extendides 4 toda la superficie. Normalmente, 21 mimero de arboles muestra es pequerio por 10 tanto hay tiempo suficiente para hacer correctamente las mediciones. Para cada arbol muestra se calcula la siguiente razon de correceién: 5 [Volumen medido Ri —_____ Volumen est.imado L CALCULO DEL VOIUMEN DEL INVENTARIO Las razones de correccidn individuaies se promedian para formar la razin de correccion dei inventario. Si la estimacidn se ha hecho “bien ", estas razones estarén muy cercanas entre si, lo cual no quiere decir que estén préximas a 1. £5 completamente valido que sean guy altas 0 bajas pero el Scnico debe ser consistentemente alto o bajo, es decir obrestimador © subestimador. wo £1 volumen del inventario se calcula como: [Suma de estimaciones de| * [Razon de correccién| Yol. Invent. =|todos ios arboles en ei| | promedio [area - 4- N v =| 5 ¢KxPri) La obtencién del volumen de un inventario SP es asi de simple. &n la practioa se pondra en evidencia que la mayoria de los arboles mestra tienden ser grandes. Esto quie. decir que los arboles son seleccionados para el grupo muestral en proporcién a sus yolimenes estimados. En otras palabras. si Jos 4rboles de la clase diamétrica 40-50 em coustituyen el ZO% dei volumen del rodal. entonces aproximadamente 50% del nuimero de arboles muestra estara en un tamano entre 40-50 cm de dap. ESTADISTICAS QUE EMPLEA EL SISTEMA Cuan buena es Ja respuesta? Esta preguita tiene dos partes 1) Cuan buen es la respuesta si se ha hecho todo bien y 3dlo da posibi de tener una mala muestra esta atentando contra nosotros? simplemente una cuestidn estadistica. Propensos estamos a meter un error en el Frocedimiento y 4a tener dicho error oculte que las estadisticas no mostraran? Esta es una cuestion prdctica gue cencierne a cualguier sistema de inventario. Error de muestreo volumen del inventario es igual 4 la suma de todas jas estimacicnes por Ja razon de correccién promedio. Nosotros bemos que la suma es correcta simplemente Porque hemos ido a ada arbol en el area de inventario Zante sabemos que por lot esta parte dé ja ecuacion no flepe error d= musstreo. La unica parte en dudaes la razén de correccién promedic. Entonces. eataremos tan sesures del volumen final eome jo estemos eska razon de comeccion. Bi. nuestre volumen de Si esta inventario 52 Todas razcnes en vonsecuencia. de las tante dar respuesta a las siguientes preguntas: 1) Cuan variables son las razones en si mismas? Esto nos dird que tan bien ha sido hecho el trabajo de estimacion, y posteriormente sera util en el caloulo de los tamafios de muestras.Cudn variable es ei promedio de estas razones? #sto nos dira cusn bueno es nuestro inventario y se espera ue mejore en Tanto aumente ei mimero de mediciones de arboles muestra. Caloularemos ¢i primer estadistico como la “Desviacion Estandar” de vazones de correccion. La formula es: Este vaior se expresa a menudo como un porcentage del promedio ¥ Se conoce como “Coeficiente de Variacion” (CV), La Tormla es: OV = (DSvR} * 100% Si fuera de 20% (valor que es razonable para el muestreo SP), significaria, toscamente hablando, que 2/$ de las razones de correccién caen dentro de 20% de la razén promedio. Este valor "2/3" (68% es més correcto) viene de las areas gue integran la “curva normal” estadistica El Coeficiente de Variacién es groseramente constante pare cualquier tamaiio de muestra. toda ves que no pademos esperar mejorarlo sobre razones de correceién individuales tomando més de eilas. Cuanto mis pequeno se vuelva este valor mejor habra sido hecho 21 trabajo de estimacién y menor serd el numero de arboles gue deben ser medidos culdadosamente. Es muy importante tener esto presente. El segundo estadistico a calcular es el “Srror Estandar” que algunas veces se denomina “Error de Muestrea”. Este describe cuan varighie es la razén de correccién promedio. ES = D3 8 Como puede observarse este valor disminuird a medida aque aumente 1 numero de mediciones, Cuanto més se muestree {si estamos haciendo bien las cosas) mejor seré ja respuesta promedio. £1 ES también se expresa 4 menudo como un valor porcentual %SR) * 100% Si el BS es de 38 este significa (nuevamente hablando oscamente) que estamos (2-3 o 68%) seguros gue nuestra rasén de correccién promedio esté en un entorno de 28 de Ja respuesta verdadsra. En un inventsrio SF esto quiere decir que estamos 68% seguros qué el Volumen estimado del inventario en el rodal esta dentrc de 28 del que nu moe obtenido widiendo cada drbol en 21 rodal tan cuidadosamente io hicimos con los arbcles muestra. Si deseamos estar § de que ineluimos ia respuesta correcta deberiauios ‘valor det” (usualmente sirededor de 2 veces el error de muestreo). Bn este ejempio diriamos que estamos 95% seguros que el promedio verdaderc esta dentro de 7 4% de la respuesta gue encontramos con nuestro inventario. Problemas de Sesgo Estas estadisticas nos dicen ei aleance de un posible error debido a efectos alzatorigs cuando tode el trabago se ha hecho correctamente. ié errores somos capaces de contabilizar debido 4 cosas que estamos haciendo incorrectamente? Seguramente, nos haber perdido Arboles durante el inventario, 9 hemcs estimadc algunos dos veces. Esta es generalmente una pequerla consideracién y probablemente nos de » un error mas peguefic gue aguel que tenemos en el area de medicién durante iaventarios nermales (“convencionales"). E1 unico problema sesge seric sucede usualmente durante la medicién de lcs arbcles muestra. especialmente en ia asignacioén de volimenes de caiidad inferior debido 4 defectcs internos. Debemos recordar ia puesta dei inventario SP brinda el volumen dei redai come hubieramos medido todos Jos arboles del mismo modo en que hemos medida los Arboles muestra. Si hay un seseo ig medicién del arbol muestra. ste se expandird a todes ics artoles. o Los primeros ensayos de inventario SF utilizaron un Dendrémetro Optico Barr & ud para el conjunto de mediciones de alta precisién. pero alin asi permanecian ios problemas de evaluacion de daflos ¥ defectos internos. Estos problemas lievaron a la Agencia de Manejo de Tierras de Oregon al uso del “Inventario Apeo, Trozsado y Ciasificacion’. En resumen. si deseamos conocer ei verdadero volumen del arbol debemos apearlo, trozario de acuerdo con las practicas corrientes y clasificar los rollizes. xTablas de Existencias La idea basica es que el mimero de arboles_ muestra refleja da proporcion de yolumen en cada clase. Si 1/3 de los arboles muestra esté en la clase de 35-40 om, entonces aproximadamente 1/3 del volumen del area se halla en esta clase de tamatio. En formula: |e de drboles muestra en la clase X| * (Volumen Total Area)= [ne total de arboles muestra | Volumen en ia clas Tablas de Rodal Dado gue conocemos el velumen en cada clase diamétrica podemos facilmente encontrar el nimero de Arboles. Primero, debemos encontrar el volumen promedio de los arboles en esa clase de tamario. Usualments jos arboles muestrs Jf son la fuente de informacion. luego, J mimero de arboles en la clase calcula come: Volumen de la clase | ='NO de arboles en esa clase Volumen del arbol | medio de la clase | No deberian esperarse excelentes resultados con este método, dado que tenemos pocos arboies muestra. Si una tabla de rodalo de existencias es de real importancia, deberiamos considerar tomar otra variable o parcelas de muestreo de area Tiga para adicionar al inventario SP. $i el estimador esta usando el dap en sus estinaciones de los voltimenes de arboles individuales, puede registrarlos durante el inventario. Este camino permitird obtener automaéticamente una tabla de rodal. Esta no es una forma tedricamente correcta de crear una tabla de rodal, pero con una muestra de tamafio peguerio los resultados serdn probablemente superiores. Podemos corregir esta “tabla de rodal estimada” comparando los valores de dap estimados y reales para los 4rboles muestra y chequeando si el estimador ha sido consistentemente alto © bajo. Si se desea tener respuestas mas precisas con #1 muestreo GP existen dos chances: 1) Medir més drboles muestra (esta es la tinica opcién eon la mayoria de los sistemas de muestreo). 2) Hacer un mejor trabajo de estimacién dé los volumenes de arboles. For “mejor” se entiende més consistente.Retratificacion te una buena razon para no haber discutido este tema hasta el momento. En e1 inventario SP en el cual se usa una estinacidn consistente. elimina toda consideracion de variacién entre drboles. Esto ocurre porgue el nico aspecte que nos concierne es la razén de correccién entre volumen medidc y estimado. Alguna gente podria decir que en el muestreo SF “cada arbol es su propio estrato”. Dado que estamos tratando con razones en lugar de volimenes de arboles, silo necesitariamos la estratificacién cuando esperamos que algunas racones difieran como un grupo de otres que conformarian otro grupo. Hay unas pocas situaciones en que esto podria ocurrir o donde deseariamos estratificar por otha razones ademés de la precisién estadistica. Estas situaciones podrian ser. 1) Para separer especies. Esto significa tener un registro de da suma de estimaciones para cada especie. Usualmente, tambien querremos tener las razones muestrales separadas por especie dado que estas rasones pueden tener un promedio diferente que aquellas de otras especies. sto permite hacer varios inventarios SP i mismo tiempe. 2) Por ia intervencién de distintes estimadores. Grupos de Pasones de correccidn pueden tambien diferir porque hay varias personas adivinando el KPI. por io que podriamos considerar das estimaciones y los arboles muestra de cada individuo como un estrato rarticular. Esta situacién se presenté en une experiencia locai realizada en el area de Lago Fontana. Poia- del Chubut y se opté por considerar tantos estratos camo distintos individuos habian efectuado las estimaciones ¥ mediciones. S) Por falta de consistencia en la estimacién. Puede ocurriy que el estimador no sea muy consistente en un rango de didmetros. entonces podrian considerarse como estratos a grupos de clases diamétricas. En otras palabras. un estimador Puede ser altamente consistente (aungue siempre sobrestime o subestime) en el grupo de clases comprendido entre 20-50 om de dap. pero puede tener serias dificultades para mantener la consistencia en el grupo de clases entre 51-90 cm de dap. También puede ocurrir con clases de altura. De todos modos. cuando Jas distintas medidas que pueden ser estimadas de un arbol deben ser estretificadas por estas razones.. es una admisién gue el procedimientc de estimacién debe ser mejorado. 4) For realizacién de un inventario 100%. Para especies raras © situaciones especiales podemos tener drboles “seguros de ser medidos”. Cada uno de estos es cuidadosamente medido y los edleulos se realizan separadamente para el inventario SP. Esto también se efecttia donde aparecen arboles mas grandes que el valor °KArea de Relevamiento Uno de joe aspectos mas atractivos del inventario SP es que no se basa en ja superficie de Ja region a ser inventariada. Las respuestas gue se obtisnen no estan basadas en la hectarea, pero dan el volumen del area directamente. Esto anve para sliminar una fuente de error como asi también los costos adicionales de determinar la superficie. SELECCION DE LOS ARBOLES MUESTRA Uno de los modos de seleccionar los arboles muestra en forma propercional a su tamano estimado es comparar el estimado con un numero aleatorio. Grosenbaugh hizo esta sugerencia en ei primer trabajo que escribid sobre este istema. £1 métedo dibuja un mimero aleatorios entre 1 y algur limite superior (llamado K+Z) por convencién) cuando se visita cada arbol. El artol es seleccionado para muestreo si st volumen Estimado es Mayor o Igual que el ntimero Aleatorio. Se \@iere comsiderar las iniciales resaltadas como regla nemotécnica de racil aplicacién en el campo (EMIA). Este camino de probabilidad de seleccién es pro! prediccion del voiumen del arboi. roional a la Supongamos que K+Z (el término usado para denominar e] nimero aleatoric mas grande) es 100. Un arbol con un estimado de 20 tiene una chance de 20% de ser mayor o igual que algin ntimero aleatorio tomado de este rango de 0 4 100. Un volumen estimado de 40 tiene dos veces esta probabilidad de ser muestreado. La probabilidad presente de cualquier arbol de ser seleccionado para su cuidadosa medicién es: APTI Estimacion para el arbol | Kee Qaleatorio was grande posibie | a El préximo problema es como caloular e1 tamatio de la stra § cémo usario para determinar K+Z. Como un egemplo. gsumamos que 21 coer de variacién para nuestras razones de correccisn. obtenido de anteriores inventarios. ha sido de OX yo que conti. aproximadamente el mismo en inventario usual para calcular el tamafo de la muestra es & 1 # tLin on (CU * te ER Si aun 95% de intervalo de confianza (t*2) queremos tener un error de muestreo de + 6%. ei tamafio deseado de la muestra sera: n = 20%" * 2° 6%? = 44.4 drboles muestra 10En consecuencia deberiamos elegiy un muimero aleatorio maximo de modo tal que podamos selecionay 45 arboles durante el inventario. Como estan estos relacionados? vimos que ia chance de seleccidn estaba dada por (KPLi/K+Z) para gada arbol en el area. £n una serie de comparaciones ia chance de seleccién de un arbol se inia sumando a medida que fueramos avanzando. =| + [aera] + [ares + ....[ RPI ultimo arbol we | Kee aed KAD donde ne 25 4] tamaio esperado de ia m str. Usemos algunos mimeros pars ejemplificar: de un inventario de § arboles. con K+Z igual a i0U tendrena 5 (KPILH+E) 2 1. 100 + 24100 + 80-100 + 37/100 + 8100 = = 1.61 arboles muesc. Esto significa que la comparacién entre estes 5 volumenes estimados ¥ nuimeros aleatorios entre 1 y 100 y usando nuestra regla de seleccién (BMIA) nos conduciria a tomar dos de ellos como arboles muestra En términos genevales. la rormuia de interés es: - N = KPI | a51 | mr | conocemcs que camaro aproximado de SKFI anzes de numero A+Z que necesitamo anterior tenemos: de muestra gueremos y ei valor anventario. podemos caloular el Entonces. a partir de la formula Suma esperada de estimaciones SKPI) KZ = ne ne Para oun inventario. necesitariamos tantos nuimeros. gleatorios come arboles hay en Ja superficie de relevamiento. dado que cada mimero aleatoric serd usado sélo una ves. 1KL término K+Z Una simple modificacién 3! procedimiento ayudaria a simplificar el trabajo de campo. Supongamos que sabemos que ningtin arbol tendra un volumen estimado mayor que 30. De este modo, también sabemos gue cualquier ntimero aleatorio mayor que 90 rechazard el arbol para ser utilizado como muestra, cuando ambos resulten comparados ¢1 estimado con el aleatorio. Podriamos ehorrar algo de tiempo haciéndole decir 4 la computadera cuando ocurripis esta situacién. Asi, podria imprimir un simbolo especial (digamos %) en todos los casos que un aleatorio fuera mayor de 90 y evitariamos hacer muchas comparaciones. Liamaremos “Kal maximo valor estimade del arbol. Habra. en consecuencia “Z" mimeros aleatorios con valores entre & y el maXimc mimero aleatorio. vada uno de estos sera reemplazado por nuestra simbolo especial ¥*. Este es ei modo en que sl término ‘+c "viene a ser usado para sl maximo numero aleatorio y explica claraments la significancia del valor “2 gue ctros autores (Bell J. Dillworth J.: 1990) denominan “el numero de chances de exclusién de la variable stimada xi por encima del valor “K". Entonces. la escala por da cual los niimeros aleatorios son ionados luce como: BD (K+) [12345678 90) [AAR H He] t Con los simbolos ¥ ecomparados con v sabemos que los arboles de drboles pare no_habrian sido | seleeeion muestreados K posibles nus Kee Representa e] rango de eleatorios que son elegidos para controlar el tamafio de la auesty: Gué_courre si K es pobremente estimado> Siel valor de K es sobrestimado (mayor que el mayor valor de KPI presente en el area} no hay problema. £1 tnico efecto es que tendremos que comparar unos pocos numeros aleatorios més con los valores KPI. Desde un punto de vista estadistico. esta situacién no causa problemas. Siel valor de K es subestimado (tiende 4 ser menor que alguno/s de los valores KPI) tenemos problemas. El efecto es que los arboles mas grandes serén considerados con igual probabilidad. en lugar de serio con una probabilidad proporcional a su KPI lo que si produce problemas estadisticos. Si esto sucede, la situacién se puede manejar de dos modos 1) Considerar a todos los arboles con un API mayor que K como arboles “seguros | de ser medidos” y maneJarlos como un inventario separado y convencional de 00%. Sue KPI ao deben incluirse en el inventario SP. 1g2) Lievar una pequeia lista adicional. creada para usar el mismo valor H+Z. perc con todos los niimeros aleatorios (sin simbolos especiales) y emplearia sélo en caso de tener que estimar un KP mayor que e1 valor K de nuestra primera lista. nirol exacto del tamaio de la muestra Normalmente no tenemos e1 tamaflo exacto de 1a muestra que queremos. Si tener un tamalio de muestra exacto es realmente importante. existe un modo de asegurarlo, Podemos usar un valor de tamaiio esperado de Ja muestra superior al que pretendemos y eliminar. en forma aleatoria los arboles muestra excedentes. Este método es tedricamente correcto, perc significa gue debemos marcar los arboles muestra para encontrarlos posteriormente. No hay un modo simple de adicionar arboles a la muestra sin tener que repetir el inventario entero, por lo tanto couviene tener un numero mayor de ellos y no uno menor. Qué _sucede si ia prediccidn de Ja suma de estimaciones es seen En este caso ei tinico problema es que se ve afectado el tamaio esperado de la muestra. Si nuestra prediccidn es menor ei tamafio de Ja muestra sera demasiado bajo (dado que nos quedaremos sin arboles antes de lo que esperdbamos). En 1a mayoria de los casos conviene estar a cubierto y predecir en forma conservadora la suma de estimaciones, dirigida a lograr unos pocos 4rboles muestra extra. los que eventualmente pueden eliminars RECIENTES MEJORAS A LOS M&TODOS DE MURSTREO 3P Uno de los problemas practicos més grandes en el muestreo GP es el de Ja estimacion del volumen de cada arbol en el grea. La mayoria de ios articulos y explicaciones sobre este muestreo. establecen que cada arbol “debe ser visitado”. Esto no es estrictamente ciertc, y es una de esas afirmaciones ‘casi verdaderas” que ocasionalmente ciega a los investigadores. Lo que debe obtenerse es Ja _suma de las estimaciones, lo cual representa una peguefia pero vital diferencia. Cémo podemos obtener la suma de las estimaciones sin adicionar todos ios individuos? No existen métodos realmente buenos para hacer esto en la actualidad, pero a] menos ésta es la pregunta correct. Existen intentos recientes. Uno de ellos plantea usar las areas de terreno como ia sum&a dé las estimaciones (porque es facil de medir) y asignar una porcién de la superficie de terreno a cada drbol. £1 método sugerido consiste en formar un poligono alrededor de cada arbel con un determinado equipo de reglas. Estos poligonos cubren completamente el area, pero no se superponen. Mediante disenos de distinto peso se trata de Permitir que las areas de los poligonos se vuelvan 13proporcionales a los volumenes de los arboles, para luego usar estas dreas poligonales como valores KFI. Esto permite que el muestreo SP se practique en areas muy extensas. dado gue no es necesario visitar cada arbol. Para elegir un arbol muestra en proporcional a su volumen estimado. se elige un punto en el area y se muestrea el arbol dentro de aque] poligonc Actualmente, estos poligonos presentan vrazones de correccién variables (CV = 708) y reguieren el uso de tamafios de muestra alrededor de 10 veces superiores a aqueiics usados normalmente en ei muestreo SP y comparables a las parcelas de area fija y variable. Es posible gue con una buena estratificacién esto pueda ser veducido ligeramente y posiblemente pueda lograrse un mejor disefio que permita usar a la base de terreno como suma de las estimaciones. Idgicamente. el paso es equivalente 4 ir de un sistema de inventario que mide promedio de yvolumen por arbol (lo que significa que deben contarse todos los arboles para conseguir el voiumen total del inventario) a un sistema que mide volumex por parcela (donde sdlo se necesita el area de terreno para conseguir el volumen del inventario). Si esto puede ser bien hecho, le permitird al sistema SF operar sobre extensas superficies de terreno y eliminar gran parte de los tiempos y costos involucrados.Desafortunadamente, da separacion de especies con este sistema no parece practica. Otro problema de menor importancia es como elegir los arboles muestra con el menor esfuerzo v atin poder usar tablas de volumen jocales con el maximo poder predictive. Muchos inventarios son realizados usando DAP* 9 tables de volumen, pero no es conveniente tante calcular el valor de KPI en el campo, como memorizarlo. Afortunadamente, este problema se resuelve facilmente Consideremos el sjemplo usando DAP* = KPI, Cuando la computadora toma el numero aleatorio para compararlo contra ei KPI, hagémosle imprimir ja xaiz cuadrada de aguei numero aleatorio. Asi. en el campo. s3io cesario comparar el DAP contra un numero de ja lista. Les se registran por clase diamétrica, pero ne son cuadratisados y sumados hasta llegar a la oficina. Podemos preferir usar e] volumen de nuestra tabla local como KPI, pero sin la molestia de averiguario en cada caso. En esta situacién. hay que aimacenar ja tabla local de volumen en la computadora, considerar el numero aleatorio creado como el volumen del drbol ¢ imprimir el DAP asociado. £n el campo 610 Se compara 2] DAP dei arbol con el niimero de la lista. Se guards una cuenta de les DAPs y los valores de KPI se averiguan mas tarde en la oficina. Esta técnica simplifica el trabajo de campoa Ja vez que hace mas consistentes las estimaciones. Ademas. si la estimacién de diametros es ragonablemente buena. se origina automaticamente una tabla de rodal.vtro uso prometedor del muestrec 3P se halla en Ja actualisacion de Ja informacion de parcelas de muestrec permanentes. &n lugar de vremedir todas las parcelas permanentes. @1 crecimiento es e8timadoe en cada una, juego ce face una seleccicn 3P de parcelas y solamente algunas son pemedidas. Probablemente. un método muy sivilar al muestreo SP, llamado “muestreo por listas’ es més deseable en esta aplicacian. Se han hecho varios intentos para utilizar el muestreo 3P en aplicaciones @ gran escala. Estos se clasifican. groseramente. en dos categorias: 1) Usar e] SF para “limpiar” wi inventario convencional barato y “sucio”. Una aplicacion mostrard la idea. En cada punto de parcela variable se hace un rapido recorrido con un priama y Se estima e] numero tetal de trozas de los arboles contados. Este es el valor de KPI para ese punto. Sobre la base de estos valores KPI se elige un punto ocasional para la exacta medicion, lenta. cuidadosa y cara de los arboles contados con el prisma. El concepto es que se pueden usar mas puntos porque de este modo (usands este sistema) son enormemente mas baratos ¥ el inoremento de variabilidad es menor. 2) Usar el] SF como una etaps en un inventario multietapico. Usualmente se use para “medir” un rodal de madera ei cuai es usado como una “parcela” en un sistema de muestreo mas grande. Esto permite la estimacién de rodales a partir de fotos aéreas dentro de limites de terreno facilmente establecidos, seguidos el uso del muestreo OF para “medir” estas areas. Queda todavia un gran esfuerzo de trabajo por hacer para que el sistema OP sea mas practico para los dasdmetros de campo.FLUJO DEL PROCESO 3P Antes del Inventario «# Dlecida que valores medidos son importantes, para que patrones de medicién y para que precisién estadistica (B% y valor de t) J #8 Asegirese que los apboles muestra pueden ser exactamente medidos para esos valores t «« Decida cusn rapidamente se puede estimar algo ue pouria estar consistentemente relacionado con aquel valor medido | «« Estime la variabilidad de la razén de correceién {valor medido/valor estimado]. £1 Coeficiente de Variacioén de la razén es la forma més conveniente ‘ «* Caleule el tamaiio esperado de la muel da f6rmula: (OW ® £)* BR as Prediga cual sera Ja suma de todas las estimaciones del inventari K+Z por la formula: | #2 Genere mumeros aleatorios desde 1 4 K+Z. Usted necesita uno de estos nimeros para cada estimaci que haga durante ei inventario Pa mediante «# Calcule el valor K+S = SKPIone OPCIONAL: acuerde que los 1 gue el mayor valor KPI especial. Esto ahor 16Trabajo de Campo + Determine alglin modo de visualizar y registrar lo. arboles de modo de visitarios séio una ves p—>## Hstime el KPI del arboi Registre dicho KPI Compare el KPI con el atmero aleatorio. Es el Eistimado Mayor © Igual que ei Aleatorio (EMIA) ? kos Ir al préximo arbo2 Ualoular Ja relacién | (Mi /KPIL) Continuar hasta gue cada arbol en el area ha sido visitado. Trabajo de Gabinete es el volumen del area? * Razén de correccion promed io = Volumen del area a0 Cudl es el error de muestreo Usted estard tan seguro del volumen dei inventario cano io sté de la rasdn de correccién promedio. £1 error estandar porcentual le dara la precisidn del inventario «* Construya una tabla de existencias. Base este caloulo en el porcentaje de arboles muestra sncontrados en cada clase durante el inventario «s Construya una tabla de redal, derivada de la tabla de istencias dividiendo 4 esta rer el volumen del arbol medio en cada clase as Chequce 21 CV para ver si la estimacién es consistente. Observe cuaies nes 300 iado diferentes para detectar problemas. Puede el estimader estar mejor entrenado? Ayudaria ia estratificacién? aBibliogratia de Consulta 90. Teoria del SP. De Log Scaling and mber Cruising. 0. Book Stores, Inc. Corvailis, Oregon. Pp. 204 raduecién del Ing. Ftal Francisee 4. Carabelli, Centro de Investigacion! Forestaies, UNFat. 16 pp. BELL J. CARABBLLI F.A. i993. Aplicacién Experimental del Sistema de Muestreo GP en un bosque de Lenga (Nothofagua pumilio) en la Provincia dei Chubut. Inédito. 12 ILES K, 1992. Apuntes del Curso de Fostgrado “inventario Forestal”. Asentamiento Universitario S.N. de los 4ndes. Univ, Nac. del Comahue. 11 pp. Neuguén. GP Sampling. 4 Simple Introduction. 45 pr.