Evaluación del impacto de la información forestal en la planificación regional de cosecha y la productividad del suelo mediante programación entera mixta
Resumen
Objetivo del estudio: Investigar el impacto de la información sobre la clase de sitio en las operaciones forestales y la planificación de la cosecha mediante programación entera mixta, considerando regímenes silvícolas y planificación forestal. Área de estudio: Una plantación privada de cedro japonés “sugi” (Cryptomeria japonica) gestionada por una cooperativa forestal en un bosque montañoso templado frío en Japón. Material y métodos: Se estimaron los ingresos y el volumen de madera para cada localización, edad del rodal y diámetro del fuste. La distribución por clases de edad, el volumen de cosecha, los requerimientos de mano de obra, los beneficios y otros indicadores relevantes se compararon durante el período de planificación utilizando dos planes de cosecha optimizados: uno considerando la clase de sitio y otro sin considerarla. Los datos se validaron bajo el supuesto de que concentrar la mano de obra en unidades forestales con condiciones favorables aumenta el rendimiento de la madera y mejora los beneficios mediante la optimización de la calidad, la reducción de madera de biomasa y el incremento de madera de alta calidad. Resultados principales: La consideración de la clase de sitio incrementó el volumen total de cosecha en un 5,7 % durante 24 periodos, con un aumento significativo del 10,8 % en los ingresos. La integración de la información de la clase de sitio facilita prácticas de gestión forestal más eficientes y sostenibles. Las unidades con mejores condiciones pueden priorizarse para operaciones de corta más cortas debido a la disminución de la disponibilidad de mano de obra. El aclareo se ve menos afectado que la corta final debido a subsidios, mientras que la explotación en áreas de baja calidad presenta riesgos económicos. Aspectos destacados de la investigación: La incorporación de información sobre la clase de sitio permite evitar áreas no rentables y mejorar la planificación de la cosecha bajo restricciones de mano de obra.
Descargas
Citas
Andersen HE, Reutebuch SE, McGaughey RJ, 2006. A rigorous assessment of tree height measurements obtained using airborne lidar and conventional field methods. Can J Remote Sens, 32(5): 355–366. https://doi.org/10.5589/m06-030
Clutter JL, Forston JC, Pienaar LV, Brister GH, Bailey RL, 1983. Timber Management: A Quantitative Approach. Wiley, New York, USA.
Eid T, 2000. Use of uncertain inventory data in forestry scenario models and consequential incorrect harvest decisions. Silva Fenn, 34(2): 89–100. https://doi.org/10.14214/sf.621
Fassnacht FE, Mangold D, Schäfer J, Immitzer M, Kattenborn T, Koch B, Latifi H, 2017. Estimating stand density, biomass and tree species from very high resolution stereo-imagery–towards an all-in-one sensor for forestry applications? Forestry, 90(5): 613–631. https://doi.org/10.1093/forestry/cpx014
Forestry Agency of Japan, 1979. Ura-Tohoku/Hokuriku sugi stand density control diagram. Japan Forestry Technology Association, Tokyo, Japan.
Forestry Agency of Japan, 2015. Annual report on forest and forestry in Japan: Fiscal year 2014. Forestry Agency of Japan, Tokyo, Japan.
González-Rodríguez MA, Diéguez-Aranda U, 2020. Exploring the use of learning techniques for relating the site index of radiata pine stands with climate, soil and physiography. For Ecol Manag, 458: 117803. https://doi.org/10.1016/j.foreco.2019.117803
Islam MN, Kurttila M, Mehtätalo L, Haara A, 2009. Analyzing the effects of inventory errors on holding-level forest plans. Silva Fenn, 43(1): 71–85. https://doi.org/10.14214/sf.206
Kronrad GD, Huang CH, 2002. Financially optimal thinning and final prescription for loblolly pine plantations. South J Appl For, 26(1): 13–17. https://doi.org/10.1093/sjaf/26.1.13
Laamrani A, Bergeron Y, Fenton NJ, Cheng LZ, 2015. Distinguishing and mapping permanent and reversible paludified landscapes. Geoderma, 237: 88–97. https://doi.org/10.1016/j.geoderma.2014.08.014
Leboeuf A, Riopel M, Munger D, Fradette MS, Bégin J, 2022. Modeling merchantable wood volume using airborne LiDAR metrics. Forests, 13(7): 985. https://doi.org/10.3390/f13070985
Mabvurira D, Pukkala T, 2002. Optimising the management of Eucalyptus grandis plantations. For Ecol Manag, 166(1–3): 149–157. https://doi.org/10.1016/S0378-1127(01)00666-1
Martynova M, Sultanova R, Khanov D, Talipov E, Sazgutdinova R, 2021. Forest management based on multifunctional forest use. J Sustain For, 40(1): 32–46. https://doi.org/10.1080/10549811.2020.1718444
Mitsuda Y, Ito S, Sakamoto S, 2007. Predicting the site index of sugi plantations from GIS-derived factors. J For Res, 12(3): 177–186. https://doi.org/10.1007/s10310-007-0015-0
Moriya T, Tatsuhara S, Nakajima T, Tanaka T, Tsuyuki S, 2013. A method to determine thinning priorities using GIS and AHP. Jpn J For Plann, 46: 57–66. https://doi.org/10.20659/jjfp.46.2_57
Moriya T, Tatsuhara S, 2014. Predicting sustainable timber supply considering profit stability. J Jpn For Soc, 96(2): 109–116. https://doi.org/10.4005/jjfs.96.109
Nagumo H, Shiraishi N, Tanaka M, 1981. Systematic method of constructing a yield table for sugi stands. Bull Tokyo Univ For, 71: 269–330.
Nakajima T, Matsumoto M, Tatsuhara S, 2009. Algorithm to maximize stumpage price. J For Plann, 15(1): 21–27. https://doi.org/10.20659/jfp.15.1_21
Nakajima T, Hirata Y, Hiroshima T, Furuya N, Tatsuhara S, Tsuyuki S, Shiraishi N, 2011. Growth prediction system derived from LiDAR. GISci Remote Sens, 48(3): 394–415. https://doi.org/10.2747/1548-1603.48.3.394
Nakajima T, Shiraishi N, Kanomata H, Matsumoto M, 2017. Maximising forest profitability through optimal rotation. N Z J For Sci, 47: 1–13. https://doi.org/10.1186/s40490-017-0092-6
Niigata Prefecture, 2012. Standard unit price for forest plantation business to assess subsidy for forestation. Niigata Prefecture, Japan.
Ørka HO, Bollandsås OM, Hansen EH, Næsset E, Gobakken T, 2018. Effects of terrain slope on ALS predictions. Forestry, 91(2): 225–237. https://doi.org/10.1093/forestry/cpx041
Paris C, Bruzzone L, 2014. Estimation of tree top height by fusing LiDAR and optical images. IEEE Trans Geosci Remote Sens, 53(1): 467–480. https://doi.org/10.1109/TGRS.2014.2324382
Pasalodos-Tato M, Pukkala T, 2007. Optimising Pinus sylvestris management. Ann For Sci, 64(7): 787–798. https://doi.org/10.1051/forest:2007053
Paudel K, Dwivedi P, 2021. Economics of southern pines with environmental payments. Front For Glob Change, 4: 610106. https://doi.org/10.3389/ffgc.2021.610106
Rodrigues AR, Marques S, Botequim B, Marto M, Borges JG, 2021. Forest management for soil protection. For Ecosyst, 8: 1–13. https://doi.org/10.1186/s40663-021-00309-2
Rørstad PK, Trømborg E, Bergseng E, Solberg B, 2010. Combining GIS and forest modelling. Silva Fenn, 44(3): 435–451. https://doi.org/10.14214/sf.137
Salas C, Ene L, Gregoire TG, Næsset E, Gobakken T, 2010. Modelling tree diameter from ALS variables. Remote Sens Environ, 114(6): 1277–1285. https://doi.org/10.1016/j.rse.2010.01.020
Science Council of Japan, 2001. Evaluation of multifunction of agriculture and forests. Science Council of Japan.
Shiraishi N, 1981. Comparison of relativized height curve shapes. Trans Jpn For Soc, 92: 81–82.
Shiraishi N, 1986. Growth prediction of even-aged stands. Bull Tokyo Univ For, 75: 199–256.
Statistics Bureau of Japan, 2023. Statistical Handbook of Japan. Ministry of Internal Affairs and Communications.
Suzuki K, Tatsuhara S, Nakajima T, Kanomata H, Oka M, 2018. Predicting effects of logging systems and bucking strategies. J For Plann, 24(2): 15–27. https://doi.org/10.20659/jfp.24.2_15
Tadaki Y, 1963. Pre-estimation of stem yield based on competition-density effect. Bull For For Prod Res Inst, 154: 1–19.
Tatsuhara S, Kobata K, Minowa M, 1992. Trends of harvesting behaviours. Jpn J For Plann, 19: 1–26. https://doi.org/10.20659/jjfp.19.0_1
Timko J, Le Billon P, Zerriffi H, Honey-Rosés J, de la Roche I, Gaston C, Sunderland TCH, Kozak RA, 2018. Policy nexus approach to forests and SDGs. Curr Opin Environ Sustain, 34: 7–12. https://doi.org/10.1016/j.cosust.2018.03.001
Triviño M, Pohjanmies T, Mazziotta A, Juutinen A, Podkopaev D, Le Tortorec E, Mönkkönen M, 2017. Optimizing management to enhance multifunctionality. J Appl Ecol, 54(1): 61–70. https://doi.org/10.1111/1365-2664.12743
United Nations, 1997. Temperate and boreal forest resources assessment 2000. United Nations, Geneva, Switzerland.
Watanabe S, Tatsuhara S, 2013. A Long-term harvest scheduling model involving two types of rotation and variable labour requirements. J For Plann, 19(1): 17–26. https://doi.org/10.20659/jfp.19.1_17
Watt MS, Dash JP, Bhandari S, Watt P, 2015. Predicting site index for radiata pine. For Ecol Manag, 357: 1–9. https://doi.org/10.1016/j.foreco.2015.08.007
Wulder MA, Bater CW, Coops NC, Hilker T, White JC, 2008. Role of LiDAR in sustainable forest management. For Chron, 84(6): 807–826. https://doi.org/10.5558/tfc84807-6
Yamagata Prefectural Government, 1980. Volume and yield tables for sugi. Yamagata Prefecture, Japan.
Yamagata Prefectural Government, 2016. Standard unit cost tables of forest operation subsidies. Yamagata Prefecture, Japan.
Derechos de autor 2026 Consejo Superior de Investigaciones Científicas (CSIC)
Esta obra está bajo licencia internacional Creative Commons Reconocimiento 4.0.
© CSIC. Los originales publicados en las ediciones impresa y electrónica de esta Revista son propiedad del Consejo Superior de Investigaciones Científicas, siendo necesario citar la procedencia en cualquier reproducción parcial o total.
Salvo indicación contraria, todos los contenidos de la edición electrónica se distribuyen bajo una licencia de uso y distribución “Creative Commons Reconocimiento 4.0 Internacional ” (CC BY 4.0). Consulte la versión informativa y el texto legal de la licencia. Esta circunstancia ha de hacerse constar expresamente de esta forma cuando sea necesario.
No se autoriza el depósito en repositorios, páginas web personales o similares de cualquier otra versión distinta a la publicada por el editor.
