Resumen de Aplicación de la regresión cuantílica para predecir el volumen fustal: Estudio de caso
- español
En la estimación del volumen fustal de los árboles, es deseable contar con herramientas matemáticas precisas en las que se incorpore la menor cantidad de insumos para un control adecuado de la extracción de madera en rollo de un bosque bajo aprovechamiento. El objetivo fue examinar si la regresión cuantílica puede predecir con mayor precisión el volumen fustal de Pinus patula Schiede ex Schltdl. & Cham que las técnicas convencionales, usando el diámetro normal como predictor. Se usaron datos de 148 árboles dominantes y codominantes para generar tres rectas de regresión cuantílica. El ajuste y aplicación de la regresión propuesta se comparó con la obtenida con el modelo exponencial de Berkhout con ajuste por mínimos cuadrados no lineales. Los resultados sugieren que esta técnica mejora la predicción volumétrica de los árboles al generar rectas en distintos segmentos de la distribución condicional, permitiendo una reducción significativa del error de predicción para los datos alejados de la media aritmética.
- English
In estimating the stem volume of trees, it is desirable to have precise mathematical tools in which the least amount of inputs is incorporated to achieve adequate control over the extraction of roundwood from a forest under exploitation. The objective was to determine whether quantile regression can more accurately predict the stem volume of Pinus patula Schiede ex Schltdl. & Cham than conventional techniques, using diameter at breast height as a predictor. Data from 148 dominant and co-dominant trees were used to generate three quantile regression lines. The fitting and application of the proposed regression were compared with that obtained with the Berkhout exponential model with fitting by non-linear least squares. The results suggest that this technique improves the volumetric prediction of the trees by generating lines in different segments of the conditional distribution, allowing a significant reduction in the prediction error for the data far from the arithmetic mean.
