Alma Delia Ortiz Reyes

Dr. Alma Delia Ortiz Reyes


Research Focus & Metrics

Academic Career Length

12Years (2015-Present)

(Calculated once Scilit publication data is synced: current year − year of first publication + 1)

Representative Publications

View All Publications
5 December 2015 in Madera y Bosques
Verified
Journal Article
Open access
PDF file
ARAlma Delia Ortiz Reyes
Alma Delia Ortiz Reyes
RVRené Valdez
René Valdez
HSHéctor M. De Los Santos-Posadas
Héctor M. De Los Santos-Posadas
GÁGregorio Ángeles-Pérez
Gregorio Ángeles-Pérez
FPFernando Paz-Pellat
Fernando Paz-Pellat
TMTomás Martínez-Trinidad
Tomás Martínez-Trinidad
El método más común para estimar variables dasométricas a gran o pequeña escala es el inventario forestal basado en un muestreo en campo. En la actualidad la teledetección ofrece un abanico de posibilidades para incorporarse en las estimaciones forestales, tal es el caso de LiDAR (Light Detection And Ranging) que permite caracterizar de forma tridimensional el bosque. En este trabajo se estudió la relación entre datos derivados de LiDAR con los datos medidos en campo para estimar variables dasométricas como: área basal (AB), biomasa total (BT), cobertura arbórea (COB) y volumen de madera (VOL), mediante cuatro métodos: 1) regresión lineal múltiple, 2) regresión no lineal, 3) estimador de razón y 4) inventario forestal tradicional (muestreo estratificado). Las estimaciones totales derivadas del estimador de razón se encuentran dentro del intervalo de confianza al 95% calculado mediante inventario tradicional para AB, BT y VOL, siendo este el estimador que arroja los valores más cercanos y precisos a la estimación mediante inventario. En general, las estimaciones de los modelos no lineales fueron los más optimistas con respecto al inventario tradicional. Los resultados indican una buena relación (R2 > 0.50) entre las métricas de LiDAR y datos de campo, principalmente los percentiles de altura y las tasas de retorno sobre una altura definida. A partir de los modelos lineales, se generó la cartografía de cada una de las variables analizadas.

1 October 2024 in International Journal of Remote Sensing
Verified
Journal Article
Closed access
ARAlma Delia Ortiz Reyes
Alma Delia Ortiz Reyes
DBDaisy Barrera-Ortega
Daisy Barrera-Ortega
EBEFRAÍN VELASCO BAUTISTA
EFRAÍN VELASCO BAUTISTA
Martin Romero-SanchezMartin Romero-Sanchez
Martin Romero-Sanchez
Arian Correa-DíazArian Correa-Díaz
Arian Correa-Díaz

13 November 2019 in Madera y Bosques
Verified
Journal Article
Open access
PDF file
ARAlma Delia Ortiz Reyes
Alma Delia Ortiz Reyes
RVRené Valdez
René Valdez
GPGregorio Ángeles Pérez
Gregorio Ángeles Pérez
Hector De los Santos-PosadasHector De los Santos-Posadas
Hector De los Santos-Posadas
LSLaura Schneider
Laura Schneider
APAlicia Peduzzi
Alicia Peduzzi
La estimación y el mapeo de la biomasa aérea sobre áreas extensas puede realizarse haciendo uso de las herramientas que ofrece la percepción remota. El objetivo de este estudio fue estimar la biomasa aérea de dos tipos de selva mediana: subperennifolia (SMSP) y subcaducifolia (SMSC) en la península de Yucatán, México, empleando métricas generadas a partir de datos Light Detection and Ranging (LiDAR). Se usaron datos de 365 unidades de muestreo del Inventario Nacional Forestal y de Suelos (INFyS) de México para calibrar modelos de biomasa aérea usando regresión lineal múltiple y Random Forest (RF). Con estos modelos se mapeó la biomasa aérea sobre franjas de datos LiDAR. El modelo de regresión transformado logró explicar la varianza en un 62% (RMSE = 41.44 Mg ha-1 para SMSP y 36.60 Mg ha-1 para SMSC) para ambos tipos de vegetación. Los modelos generados a través de RF lograron explicar la varianza en un 57% (RMSE = 40.73 Mg ha-1) para la SMSP y solo de 52% (RMSE = 35.10 Mg Ha-1) para la SMSC. El desfase entre la toma de datos en campo y LiDAR, así como el error en la precisión de las coordenadas de los sitios de inventario, son factores reconocidos que influyeron en los resultados. A pesar de lo anterior, las estimaciones obtenidas podrían servir de base para estimar el inventario completo de biomasa en el área de estudio incorporando datos espectrales derivados de un sensor remoto que cubra la totalidad de esta.

19 July 2021 in Revista Chapingo Serie Ciencias Forestales y del Ambiente
Verified
Journal Article
Open access
ARAlma Delia Ortiz Reyes
Alma Delia Ortiz Reyes
JVJosé R. Valdez-Lazalde
José R. Valdez-Lazalde
GÁGregorio Ángeles-Pérez
Gregorio Ángeles-Pérez
HSHéctor M. De Los Santos-Posadas
Héctor M. De Los Santos-Posadas
LSLaura Schneider
Laura Schneider
APAlicia Peduzzi
Alicia Peduzzi
Introducción: Los bosques tropicales constituyen ecosistemas complejos y dinámicos que cubren áreas extensas, de ahí la importancia de determinar su contenido de biomasa y representar su variabilidad espacial.Objetivo: Estimar y mapear la biomasa aérea y su incertidumbre asociada en selvas medianas subperennifolia (SMSP) y subcaducifolia (SMSC) de la península de Yucatán.Materiales y métodos: La biomasa aérea se estimó en función de variables explicativas obtenidas de imágenes Landsat y variables climáticas, mediante el algoritmo random Forest. La biomasa aérea se mapeó a partir de estimaciones previas de biomasa para franjas del territorio con presencia de datos LiDAR (Light Detection And Ranging) y datos de campo. La incertidumbre a nivel de pixel se estimó como el coeficiente de variación.Resultados y discusión: Una combinación de variables climáticas y espectrales mostraron capacidad aceptable para estimar la biomasa en la selva mediana subperennifolia y mediana subcaducifolia con una varianza explicada de 50 % y RMSE (raíz del error cuadrático medio) de 34.2 Mg·ha-1 y 26.2 Mg·ha-1, respectivamente, prevalenciendo las variables climáticas. La biomasa de la SMSP varió entre 4.0 y 185.7 Mg·ha-1 y la de la SMSC osciló entre 11.7 y 117 Mg·ha-1. Los valores más bajos de incertidumbre se registraron en la selva mediana subperennifolia, siendo mayores en zonas con cantidades menores de biomasa aérea.Conclusión: La biomasa aérea se estimó y mapeó mediante el uso combinado de las variables auxiliares con una precisión aceptable, contrario a la incertidumbre de las predicciones, lo que representa una oportunidad de mejora futura.

3 July 2025 in Geomatics
Verified
Journal Article
Open access
PDF file
Martin Romero-SanchezMartin Romero-Sanchez
Martin Romero-Sanchez
AGAntonio Gonzalez-Hernandez
Antonio Gonzalez-Hernandez
EBEFRAÍN VELASCO BAUTISTA
EFRAÍN VELASCO BAUTISTA
Arian Correa-DíazArian Correa-Díaz
Arian Correa-Díaz
ARAlma Delia Ortiz Reyes
Alma Delia Ortiz Reyes
RPRamiro Pérez-Miranda
Ramiro Pérez-Miranda
Estimating aboveground biomass (AGB) is crucial for understanding the carbon cycle in terrestrial ecosystems, particularly within the context of climate change. Therefore, it is essential to research and compare different methods of AGB estimation to achieve acceptable accuracy. This study modelled AGB in temperate forests of central Mexico using active and passive remote sensing data combined with machine learning techniques (Random Forest and XGBoost) and compared the estimations against a traditional method, such as linear regression. The main goal was to evaluate the performance of machine learning techniques against linear regression in AGB estimation and then validate against an independent forest inventory database. The models obtained acceptable performance in all cases, but the machine learning algorithm Random Forest outperformed (R2cv = 0.54; RMSEcv = 19.17) the regression method (R2cv = 0.41; RMSEcv = 25.76). The variables that made significant contributions, in both Random Forest and XGBoost modelling, were NDVI, kNDVI (Landsat OLI sensor), and the HV polarisation from ALOS-Palsar. For validation, the Machine learning ensemble had a higher Spearman correlation (r = 0.68) than the linear regression (r = 0.50). These findings highlight the potential of integrating machine learning techniques with remote sensing data to improve the reliability of AGB estimation in temperate forests.

29 December 2021 in E-CUCBA
Verified
Journal Article
Closed access
IFInstituto Nacional de Investigaciones Forestales Centro Nacional de Investigación Disciplinaria En Conservación Y Mejoramiento de Ecosistemas Forestales
Instituto Nacional de Investigaciones Forestales Centro Nacional de Investigación Disciplinaria En Conservación Y Mejoramiento de Ecosistemas Forestales
ARAlma Delia Ortiz Reyes
Alma Delia Ortiz Reyes
EVEfraín Velasco-Bautista
Efraín Velasco-Bautista
ACArian Correa-Díaz
Arian Correa-Díaz
GÁGregorio Ángeles-Pérez
Gregorio Ángeles-Pérez
CMColegio de Postgraduados. Campus Montecillo
Colegio de Postgraduados. Campus Montecillo
Adequate estimation of dasometric parameters such as basal area (AB), above-ground biomass (B), and timber volume (VOL) inmanaged forests is a primary requirement to quantify the role of forests in mitigation climate change mitigation. In this context,forest inventories represent the general technique to estimate dasometric parameters, however, they represent a greater consumptionof time and resources. Using data derived from remote sensors in the dasometric modeling offers huge possibilities as an auxiliarytool in forestry activities. The objective of this work was to obtain a statistical model for each forest variable of interest: basal area,above-ground biomass and timber volume in a temperate forest under management in Zacualtipán, Hidalgo, Mexico, using linearmixed models and LiDAR (Light Detection And Ranging) data as predictor variables. For this, we consider that the cluster samplingunits have spatial correlation with respect to them distributed independently in the field. Metrics derived from LiDAR data wereused to fit the models. The metrics related to height and density of the vegetation presented the highest Pearson correlations (r = 0.52- 0.86) with the different dasometric variables and these were used as predictors in the adjusted models. The results indicated thatthe random effect of the cluster and the use of variance function significantly improved the heteroscedasticity, since the spatialcorrelation of the sites was included. This work showed the potential of using linear mixed models to take advantage of thedependency between sites in the same cluster and improve traditional estimates that do not model this hierarchical relationship.