Novasinergia 2026, 9(2), 96-127. https://doi.org/10.37135/ns.01.18.06 http://novasinergia.unach.edu.ec
Artículo de Investigación
Balance hídrico y sequía en Pinus hartwegii Lindl.: evaluación
ecohidrológica mediante datos satelitales en ecosistemas forestales de alta
montaña de México
Water balance and drought in Pinus hartwegii Lindl: ecohydrological assessment using
satellite data in high mountain forest ecosystems of Mexico
Moisés Arreguín Sámano1,2 , Eduardo Patricio Salazar Castañeda3,
Miguel Ángel Guallpa Calva3, Alfredo Bonini Neto4, Lorena Paulina Molina Valdiviezo5,
Mónica Virginia Tapia Zúñiga6, Salvador Sampayo Maldonado7, Ángel Leyva Ovalle8
1Instituto Tecnológico de México, Aguascalientes, México, 20256;
2Universidad Estatal de Bolívar, Bolívar, Ecuador, 020103;
3Carrera de Ingeniería Forestal, Facultad de Recursos Naturales, Escuela Superior Politécnica de Chimborazo, Riobamba, Ecuador,
060155;
4School of Sciences and Engineering, São Paulo State University (UNESP), Tupã, Brasil, 17602-496;
5Carrera de Ingeniería en Tecnologías de la Información, Facultad de Ingeniería, Universidad Nacional del Chimborazo, Riobamba,
Ecuador,060110;
6Carrera de Ingeniería Forestal, Facultad de Ciencias Naturales y de la Agricultura, Universidad Estatal del Sur de Manabí, Jipijapa,
Ecuador, 130901;
7Unidad de Biotecnología y Prototipos, Facultad de Estudios Superiores Iztacala, Universidad Nacional Autónoma de México,
Estado de México, México. 54090;
8Carrera de Ingeniería Forestal, División de Ciencias Forestales, Universidad Autónoma Chapingo, Chapingo estado de México,
México, 56230;
marreguin@ueb.edu.ec; eduardo.salazar@espoch.edu.ec; miguel.guallpa@espoch.edu.ec; alfredo.bonini@unesp.br;
lmolina@unach.edu.ec; monica.tapia@unesum.edu.ec; ssampayom@hotmail.com
*Correspondencia: aleyvao@chapingo.mx
Novasinergia 2026, 9(2), 96-127 97
Citación: Arreguín, M.; Salazar, E.;
Guallpa, M.; Bonini, A.; Molina, L.;
Tapia, M.; Sampayo, S. & Leyva, A.,
(2026). Balance hídrico y sequía en
Pinus hartwegii Lindl.: evaluación
ecohidrológica mediante datos
satelitales en ecosistemas forestales
de alta montaña de México.
Novasinergia. 9(2). 96-127.
https://doi.org/10.37135/ns.01.18.06
Recibido: 02 enero 2026
Aceptado: 21 mayo 2026
Publicado: 08 julio 2026
Novasinergia
ISSN: 2631-2654
Resumen: El objetivo fue analizar asociaciones exploratorias de la
influencia antropogénica en sistemas hídricos subterráneos
mediante la cuantificación de patrones de equilibrio hídrico y de
sequía en polígonos envolventes rectangulares (bounding boxes)
que contienen árboles de Pinus hartwegii Lindl. en bases INFyS-
SiBiFor de estados de México y Puebla, se calculó el índice de
vegetación de diferencia normalizada (NDVI) usando datos
satelitales de Landsat 8 y GEE para evaluar salud y densidad de
vegetación, se determinó el grosor equivalente promedio del agua
subterránea usando GRACE, se ajustaron modelos de regresión
lineal para predecir volúmenes maderables usando ecuaciones
alométricas, valores de NDVI y GRACE, como variables
independientes y, según condiciones ambientales establecidas por
bases climáticas de CHIRPS en GEE, se evaluaron estos modelos
para estimar la relación del incremento volumétrico con infiltración
en áreas de estudio. Los datos de GRACE señalan rangos de agua
subterránea de -0.78 a 0.57. Valores de NDVI cercanos a 0.80 indican
vegetación densa y saludable; 0.0 áreas impactadas por actividades
humanas y superficies sin vegetación. Polígonos envolventes
rectangulares (bounding boxes): Puebla 1 y México 6 son grupo A;
México 2 y México 4 son grupo B; poblaciones a 3300 m de altitud,
con sequías más intensas y cálidas, y reducción hasta 70% del área
debido al aumento de la temperatura por el cambio climático;
Puebla 4 y México 3 se agrupan, con niveles más altos de agua en el
subsuelo; Puebla 4 indica menor densidad de árboles respecto a
Puebla 1, por factores ambientales o humanos. Las actividades
humanas prolongaron la duración de las sequías, aumentaron su
intensidad e incertidumbre y disminuyeron significativamente la
escorrentía en la cuenca del río Xilin.
Palabras clave: Cambio climático, Ecuaciones alométricas,
Evaluación ecohídrica, NDVI, Pinus hartwegii.
Copyright: 2026 derechos otorgados por
los autores a Novasinergia.
Este es un artículo de acceso abierto
distribuido bajo los términos y
condiciones de una licencia de Creative
Commons Attribution (CC BY NC).
(http://creativecommons.org/licenses/by-
nc/4.0/).
Abstract:
The objective was to evaluate the anthropogenic influence on
underground water systems by quantifying water balance and drought
patterns in georeferenced polygons containing Pinus hartwegii Lindl.
trees. Using INFyS-SiBiFor databases from the states of Mexico and
Puebla, the Normalized Difference Vegetation Index (NDVI) was
calculated using Landsat 8 and GEE satellite data to assess vegetation
health and density. The average equivalent thickness of groundwater was
determined using GRACE. Linear regression models were fitted to predict
timber volumes using allometric equations, NDVI, and GRACE as
independent variables. Based on environmental conditions established by
CHIRPS climate databases in GEE, these models were evaluated to
estimate the relationship between volumetric increment and infiltration in
the study areas. GRACE data indicate groundwater ranges of -0.78 to
0.57. NDVI values close to 0.80 indicate dense, healthy vegetation, 0.0
indicates areas impacted by human activities, and negative values indicate
areas without vegetation. The amorphous polygons Puebla 1 and Mexico
6 belong to subgroup A, while Mexico 2 and Mexico 4 belong to subgroup
B. These areas are located at 3300 m and experience more intense, warmer
droughts, with up to a 70% reduction in area due to increased
temperatures from climate change. Puebla 4 and Mexico 3 are grouped,
with higher groundwater levels. Puebla 4 shows lower tree density than
Puebla 1, due to environmental or human factors. Human activities have
prolonged droughts, increased their intensity and uncertainty, and
significantly reduced runoff in the Xilin River basin.
Keywords: Climate change, Allometric equations, Ecohydrological
assessment, NDVI, Pinus hartwegii.
Novasinergia 2026, 9(2), 96-127 98
1. Introducción
El aumento de la población y la escasez de recursos hídricos, sumados al impacto del
cambio climático, provocarán que cada vez más personas sean víctimas de desastres
naturales como inundaciones o sequías [1]. Las actividades humanas generan procesos
internos que alteran el clima global, que se manifiesta en cambios de temperatura y en el
deshielo. Estas variaciones modifican drásticamente el ciclo del agua, desde el caudal de los
ríos (caudales) hasta la forma en que el agua se evapora y regresa a la tierra como lluvia [2].
Pinus hartwegii Lindl. es un árbol freatófito siempre verde, según [3], que llega a una altura
de 20-30 m, con una corona redondeada y amplia; tiene un rango de 800–3000 mm, con el
rango inferior en los límites superiores [4], [5], con lluvias concentradas en el verano [6],
debido a que esta especie requiere condiciones ambientales muy específicas, funciona como
un termómetro biológico del cambio climático. Actualmente, para sobrevivir al
calentamiento global, se prevé que la especie se desplace hacia zonas más elevadas de las
montañas en busca del clima fresco que necesita para crecer; sin embargo, la información
climática es escasa, lo que evidencia la necesidad de más estudios al respecto. Es decir, a
pesar de la importancia ecológica de Pinus hartwegii Lindl. y la provisión de varios servicios
ecosistémicos, como la infiltración y el suministro de agua [7]. Entre los años 2000 y 2021, la
literatura científica experimentó un crecimiento notable sobre esta especie, en que el 77% de
las publicaciones se concentró en el manejo de la especie y en su vínculo con el cambio
climático. Por el contrario, temáticas como el impacto antropogénico, la hidrología, la
fenología y la evolución recibieron menor atención. Geográficamente, la investigación se ha
centrado en puntos específicos del Eje Volcánico Transmexicano, tales como los parques
nacionales Izta-Popo, Cofre de Perote y el Nevado de Toluca. Esta concentración sugiere
que el conocimiento actual proviene de áreas geográficas muy limitadas o de estudios
recurrentes [7]. Los modelos hidrológicos resultan fundamentales para la gestión hídrica y
la planeación forestal, pues facilitan la toma de decisiones estratégicas. Estas herramientas
permiten profundizar en el conocimiento de la interacción entre las aguas superficiales y los
acuíferos, analizando cómo su comportamiento se ve afectado por los cambios climáticos
estacionales en zonas de alta vulnerabilidad [8]. Evaluar el estado sanitario de las masas
forestales es fundamental para garantizar su sostenibilidad, especialmente ante las
alteraciones en la temperatura y en los ciclos hídricos derivadas del cambio climático. En
este contexto, la teledetección se ha convertido en un recurso esencial, empleando métricas
como el NDVI (Índice de Vegetación de Diferencia Normalizada) y el EVI (Índice de
Vegetación Mejorado) para monitorear con precisión el vigor y la salud del ecosistema [9].
Entonces, el estudio detallado de las características de las sequías provocadas por la
intensificación de las acciones humanas y el cambio climático permitirá, según [10],
contribuir a la planificación y gestión de los recursos hídricos, así como a la formulación de
estrategias y medidas de mitigación y a la adaptación de la población y de los territorios
[11]. El propósito central de este estudio consistió en analizar el impacto de las actividades
humanas sobre los acuíferos, vinculando la dinámica del balance hídrico y los regímenes de
sequía con la presencia de Pinus hartwegii Lindl. Se emplearon datos en proyección UTM
Zona 14N (EPSG:32614), transformadas a WGS84 de polígonos envolventes rectangulares
(bounding boxes) del SiBiFor correspondientes a los estados de México y Puebla, los datos
de GRACE representaron variaciones en el almacenamiento total de agua terrestre (TWS),
Novasinergia 2026, 9(2), 96-127 99
que incluye agua subterránea, humedad del suelo, nieve y agua superficial, que permitió
un análisis espacial detallado mediante datos satelitales de la respuesta forestal al estrés
hídrico en ecosistemas forestales de alta montaña de México.
2. Metodología
2.1. Desarrollo de geometrías poligonales en Google Earth Engine (GEE)
Para delimitar con exactitud las zonas de estudio de Pinus hartwegii Lindl., se
emplearon datos en proyección UTM Zona 14N (EPSG:32614), transformadas a WGS84 de
polígonos envolventes rectangulares (bounding boxes) de las bases SiBiFor [12]
correspondientes de forma exclusiva a los estados de Puebla y de México. Utilizando las
librerías especializadas de la plataforma GEE (v1.7.3) [13], se depuró la información,
descartando registros inconsistentes [14], posteriormente, las coordenadas se transformaron
al formato de grados decimales para su procesamiento. La delimitación espacial se optimizó
mediante la creación de polígonos calculados (función st_bbox de GEE v1.7.3), que permitió
estructurar la visualización de los rodales para el análisis geoespacial correspondiente
(Figura 1).
Figura 1. Ubicación de las regiones de muestreo de Pinus hartwegii Lindl. en los estados de Puebla ( ) y México ( ).
Los polígonos envolventes rectangulares (bounding boxes) delimitan las regiones de extracción de datos en GEE.
2.2. Índice de vegetación de diferencia normalizada (NDVI)
La evaluación del vigor y de la densidad fotosintética de las masas forestales de Pinus
hartwegii Lindl. se realizó mediante el cálculo del NDVI en Google Earth Engine (GEE v1.7.3)
a partir de datos de satélite de Landsat 8. El protocolo incluyó un filtrado por fechas y un
control de la nubosidad inferior al 30%, aplicando la función clip para ajustar las imágenes
a los polígonos de alta montaña. El índice se obtuvo aplicando la fórmula:
NDVI = (NIR - Red) / (NIR + Red)
Donde, se emplearon las bandas 5 (NIR) y 4 (Red). Los resultados permitieron diagnosticar
el estado de salud del dosel, evaluar la densidad vegetal en áreas vulnerables al cambio
Novasinergia 2026, 9(2), 96-127 100
climático y a factores antropogénicos, y, finalmente, exportar los datos en formato GeoTIFF
para su procesamiento estadístico [13], [15].
2.3. Grosor equivalente promedio del agua subterránea usando GRACE
Para cuantificar las reservas hídricas subterráneas vinculadas a los ecosistemas de
Pinus hartwegii Lind., se procesaron datos de la misión GRACE (Gravity Recovery and
Climate Experiment) en GEE (versión 1.7.3). El procedimiento consistió en el filtrado
temporal y geográfico de la colección oficial de datos, empleando la variable
lwe_thickness_csr para detectar cambios en el almacenamiento hídrico del subsuelo. Los
resultados se plasmaron cartográficamente mediante una paleta cromática configurada para
el visor de la FeatureCollection, que generó un enlace técnico para descargar los espesores
hídricos equivalentes en formato GeoTIFF [13], [15].
2.4. Ajuste de modelos de regresión lineal que predicen los volúmenes maderables
La estimación del volumen e incremento maderable para esta especie freatófita se
realizó mediante el ajuste de modelos de regresión lineal que integran parámetros
dendrométricos excurrentes, ecuaciones alométricas teórico (trozas), Newton y entidades
federativas, junto con los valores de NDVI y GRACE. Como factores predictivos, se
incorporaron variables ambientales del periodo 2005-2014 obtenidas de capas de CHIRPS
(precipitación) y MODIS (evapotranspiración) procesadas en GEE, junto con parámetros
dendrométricos por entidad federativa y variaciones gravitacionales. El análisis de
significancia estadística permitió determinar la influencia de la infiltración hídrica en el
volumen del arbolado, considerando su rol como termómetro biológico ante el
calentamiento global y diferenciándose de estudios que solo consideran la temperatura
máxima [13], [15].
2.5. Balance hídrico mensual por año
Para el periodo analizado de una década (2005-2014), se calculó el equilibrio hídrico
mensual mediante la sustracción técnica entre la precipitación (P) y la evapotranspiración
(ET): P - ET. La representación cartográfica empleó una escala cromática de -50 mm a 200
mm para identificar déficits y superávits hídricos en los polígonos de estudio. Se
desarrollaron gráficos de barras para monitorear las tendencias anuales y mensuales de la
dinámica hídrica, y la capa resultante del promedio fue exportada mediante la función
Export.image.toDrive(GEE v1.7.3) en formato GeoTIFF a Google Drive para el análisis de
la sequía hidrológica y de su impacto en la especie forestal analizada [13], [15].
2.6. Índice de vegetación mejorado (EVI) mensual
Se realizó la cuantificación mensual del Índice de Vegetación Mejorado (EVI)
mediante el conjunto de datos MOD13A1 y del Índice de Estrés Hídrico (MSI) relacionando
las bandas de infrarrojo de onda corta (SWIR) e infrarrojo cercano (NIR) de los sensores
MODIS bajo la fórmula:
MSI = SWIR / NIR.
Novasinergia 2026, 9(2), 96-127 101
En este caso se procesaron parámetros mensuales para interpretar el vigor forestal sistémico
y detectar variaciones en la salud del bosque de pino. El análisis de estos índices permite
determinar el grado de estrés hídrico en la cobertura vegetal, en el que los valores elevados
de MSI son proporcionales a dicho estrés y reflejan el impacto de la actividad humana y del
cambio climático. Las imágenes resultantes se exportaron a la nube para su análisis
estadístico [13], [15].
2.7. Creación y evaluación de modelos
El proceso de modelado avanzado se fundamentó en la extracción de datos a partir
de los polígonos envolventes rectangulares (bounding boxes) de Pinus hartwegii Lind.
mediante la función raster::extract()(GEE v1.7.3), integrando capas TIFF de balance
hídrico, precipitación y los índices espectrales EVI y MSI. La metodología del modelado
dividió la información en un 70% para entrenamiento y un 30 % para prueba. Se emplearon
herramientas de programación (dplyr, GEE v1.7.3) para depurar registros incompletos y se
implementó el algoritmo (Lenguaje R v4.3.0) [16] para realizar una extrapolación XGBoost
en que el volumen maderable comercial actuó como variable dependiente (endógena) frente
a variables climáticas y de vigor vegetal (exógenas). La implementación comenzó con la fase
de aprendizaje mediante el comando xgb.train()(Lenguaje R v4.3.0), seguida de
proyecciones con la función predict()(Lenguaje R v4.3.0) para verificar la capacidad del
modelo en datos nuevos. La precisión de las estimaciones se validó mediante la métrica del
error cuadrático medio (MSE), contrastando los resultados proyectados con los valores
reales observados en las entidades de México y de Puebla. Finalmente, se generó un
esquema de la estructura lógica del algoritmo mediante xgb.plot.tree()(Lenguaje R
v4.3.0), que proporcionó una visualización técnica de cómo el modelo procesa la relación
entre el estrés hídrico y la productividad forestal de la especie [17]. Enseguida se describe
la secuencia completa del procesamiento, distinguiendo las etapas realizadas en Google
Earth Engine de las realizadas en R (Figura 2).
Novasinergia 2026, 9(2), 96-127 102
Figura 2. Diagrama de flujo metodológico con procesamiento en Google Earth Engine (azul) y procesamiento en R
(verde).
3. Resultados
De acuerdo a la Tabla 1, los valores medianos NDVI y GRACE de los polígonos
envolventes rectangulares (bounding boxes) puebla 1 (0.4438231 y 0.02376496) y mexico 6
(0.4260129 y 0.0140668) se podrían agrupar en A, mexico 2 que presenta patrones únicos en
la distribución de árboles (0.558 y 0.014) y mexico 4 (0.5786600 y 0.0140668) se podrían
agrupar en B pues, de acuerdo con [18], esto probablemente se atribuye debido a que las
poblaciones de 3300 m de altitud o menores exhibieron condiciones de estrés más altas, una
disminución en la actividad fotosintética, sequías cada vez más intensas y cálidas asociadas
al límite xérico causando debilidad fisiológica en árboles, promoviendo daños por plagas y
enfermedades, el eventual declive forestal y la reducción hasta en 70% del área de aptitud
ambiental para Pinus hartwegii Lindl., como resultado del aumento de temperatura por
Novasinergia 2026, 9(2), 96-127 103
cambio climático, representados por valores más bajos de NDVI (error cuadrático medio
(Std. Error): 0.1536 para Newton y 0.2242 para dendrométricos excurrentes o trozas).
Tabla 1. Resumen estadístico del índice de vegetación (NDVI) y del código de búsqueda de agua subterránea (GRACE)
de Pinus hartwegii Lindl. por polígonos envolventes rectangulares (bounding boxes) y Google Earth Engine (GEE v1.7.3)
por estado.
Concepto Estado Polígonos
envolventes
rectangulares
(bounding
boxes
)
Coordenadas NDVI GRACE
X Y
Min
Puebla Puebla 1
97.29898
18.96899
0.2822605
0.02376496
1er Cuartil
97.29376
18.96899
0.3945997
0.02376496
Mediana
97.29376
18.97495
0.4438231
0.02376496
3er Cuartil
97.29898
18.97495
0.5030457
0.02376496
Max
97.29898
18.96899
0.6328571
0.02376496
Min
Puebla 4
98.67154
19.41125
0.4551274
0.01709776
1er Cuartil
98.65078
19.41125
0.6550504
0.01709776
Mediana
98.65078
19.41961
0.6954328
0.01709776
3er Cuartil
98.67154
19.41961
0.7181615
0.01709776
Max
98.67154
19.41125
0.7692392
0.01709776
Min
Estado de
México
México 2
99.40696
19.50719
-
0.3089204
0.0140668
1er Cuartil
99.33335
19.50719
0.4539997
0.0140668
Mediana
99.33335
19.52718
0.5576222
0.0140668
3er Cuartil
99.40696
19.52718
0.6203941
0.0140668
Max
99.40696
19.50719
0.7485467
0.0140668
Min
México 3
99.55017
19.60998
0.4598364
0.0140668
1er Cuartil
99.54838
19.60998
0.6012394
0.0140668
Mediana
99.54838
19.61917
0.6591494
0.0140668
3er Cuartil
99.55017
19.61917
0.6891929
0.0140668
Max
99.55017
19.60998
0.7475536
0.0140668
Min
México 4
99.77687
19.74940
0.5005670
0.0140668
1er
Cuartil
99.77381
19.74940
0.5609691
0.0140668
Mediana
99.77381
19.75206
0.5786600
0.0140668
3er Cuartil
99.77687
19.75206
0.5928945
0.0140668
Max
99.77687
19.74940
0.6309397
0.0140668
Min
Mexico 6
99.81729
19.07215
-
0.4414186
0.0140668
1er Cuartil
99.71547
19.07215
0.3386888
0.0140668
Mediana
99.71547
19.10871
0.4260129
0.0140668
3er Cuartil
99.81729
19.10871
0.4777581
0.0140668
Max
99.81729
19.07215
0.7739701
0.0140668
Según los valores medianos NDVI y GRACE de los polígonos envolventes rectangulares
(bounding boxes) puebla 4 (0.6954328 y 0.01709776) y mexico 3 (0.6591494 y 0.0140668) se
podrían agrupar en C, pues, según [18], los altos valores de NDVI en el follaje saludable
Novasinergia 2026, 9(2), 96-127 104
están asociados con la actividad fotosintética [100,101] debido al contraste en la baja
reflectancia de la hoja en la banda roja que ocurre con el aumento de la absorción de
clorofila, la alta reflexión infrarroja dentro de la capa de mesófilo esponjoso, pronosticar los
efectos del cambio climático sobre toda la biomasa forestal aérea [19], el vigor, la dinámica
de crecimiento [20] e indican áreas con una alta densidad de árboles y su distribución.
Además, estos valores indican una relación positiva entre la densidad vegetal y las reservas
de agua subterránea, pues las áreas con mayor cobertura vegetal tienden a mantener niveles
más altos de agua subterránea, posiblemente debido a la infiltración facilitada por la
vegetación y a una menor evaporación directa. Finalmente, el polígono envolvente
rectangular (bounding boxes) puebla 4 presenta una menor densidad de árboles en
comparación con puebla 1, quizás a factores ambientales o humanos.
Figura 3. Índice de vegetación (NDVI) y código de búsqueda de agua subterránea (GRACE) de la poligonal amorfa
Puebla 4 para Pinus hartwegii Lindl. por Google Earth Engine (GEE v1.7.3)
La Figura 3 ilustra la relación entre el vigor del follaje y las reservas hídricas en el polígono
Puebla 4. Los altos valores de NDVI en esta zona se asocian con un follaje saludable y una
alta densidad de arbolado, que sugiere que la vegetación densa facilita la infiltración hídrica
en el subsuelo, minimiza la evaporación directa e indican áreas con una alta densidad de
árboles y su distribución.
Figura 4. Índice de vegetación (NDVI) y código de búsqueda de agua subterránea (GRACE) de la poligonal amorfa
Puebla 1 para Pinus hartwegii Lindl. por Google Earth Engine (GEE v1.7.3)
En contraste, esta Figura 4 muestra el NDVI y los datos de GRACE para el polígono Puebla
1. Con valores medianos de NDVI (0.4438231) y GRACE (0.02376496), esta área integra el
grupo A, caracterizado por un menor vigor fotosintético. Su relevancia radica en monitorear
Novasinergia 2026, 9(2), 96-127 105
poblaciones a 3.300 m de altitud, que enfrentan un alto estrés hídrico y sequías intensas que
podrían derivar en un declive forestal de hasta el 70% debido al cambio climático.
Figura 5. Índice de vegetación (NDVI) y código para la búsqueda de agua subterránea (GRACE) de poligonal amorfa
Mexico 2 para Pinus hartwegii Lindl. por Google Earth Engine (GEE v1.7.3)
La Figura 5 presenta los datos de NDVI y GRACE para el polígono México 2. Con una
mediana de NDVI de 0.558 y de 0.014 en GRACE, esta zona corresponde al grupo B y
muestra patrones únicos en la distribución de los árboles, probablemente se atribuye debido
a que las poblaciones de 3300 m de altitud o menores exhibieron condiciones de estrés más
altas, una disminución en la actividad fotosintética, sequías cada vez más intensas y cálidas
asociadas al límite xérico causando debilidad fisiológica en árboles, promoviendo daños por
plagas y enfermedades, el eventual declive forestal y la reducción hasta en 70% del área de
aptitud ambiental para Pinus hartwegii Lindl. [18].
Figura 6. Índice de vegetación (NDVI) y código para la búsqueda de agua subterránea (GRACE) de poligonal amorfa
Mexico 3 para Pinus hartwegii Lindl. por Google Earth Engine (GEE v1.7.3)
La Figura 6, muestra el NDVI y los datos de GRACE para el polígono México 3. Con una
mediana de NDVI de 0.6591494 y de GRACE de 0.0140668, esta zona integra el grupo C y
se destaca por su follaje saludable y su alta densidad de arbolado. La hidrología de los
bosques y las relaciones agua-vegetación están íntimamente unidas. La hidrología de
bosques se basa en el balance hídrico, que depende de la precipitación, la intercepción, la
escorrentía directa y la evaporación [21]. Desde el punto de vista de los silvicultores, los
temas más importantes asociados a la hidrología de los bosques son el efecto del raleo y de
la tala rasa sobre el balance hidrológico. Las cuencas con superficies boscosas importantes
suelen asociarse con una alta calidad de las aguas y una mayor estabilidad de la escorrentía
superficial. En cambio, las cuencas deforestadas y degradadas se consideran
Novasinergia 2026, 9(2), 96-127 106
ambientalmente dañadas por prácticas no sustentables, debido a la erosión del suelo y a la
baja calidad del agua [21].
Figura 7. Índice de vegetación (NDVI) y código para la búsqueda de agua subterránea (GRACE) de poligonal amorfa
Mexico 4 para Pinus hartwegii Lindl. por Google Earth Engine (GEE v1.7.3)
La Figura 7 muestra los datos de NDVI (mediana: 0.5786600) y GRACE (0.0140668) para el
polígono México 4 de Pinus hartwegii Lindl. Esta zona pertenece al grupo B, probablemente
se atribuye debido a que las poblaciones de 3300 m de altitud o menores exhibieron
condiciones de estrés más altas, una disminución en la actividad fotosintética, sequías cada
vez más intensas y cálidas asociadas al límite xérico causando debilidad fisiológica en
árboles, promoviendo daños por plagas y enfermedades. Su importancia radica en
monitorear la vulnerabilidad frente a sequías intensas y cálidas vinculadas al límite xérico,
que podrían reducir hasta un 70% el área de aptitud ambiental de la especie.
Figura 8. Índice de vegetación (NDVI) y código para la búsqueda de agua subterránea (GRACE) de poligonal amorfa
Mexico 6 para Pinus hartwegii Lindl. por Google Earth Engine (GEE v1.7.3)
La Figura 8 detalla el NDVI y los datos de GRACE para el polígono México 6. Con una
mediana de NDVI de 0.4260129 y de GRACE de 0.0140668, esta zona se integra en el grupo
A. El uso del índice NDVI en áreas irregulares de Pinus hartwegii Lindl. permite monitorear
su estado de salud y su densidad. Al contrastar datos NDVI de 0.8, indica bosques densos
y valores cercanos a 0 o negativos, señala degradación o ausencia de vegetación, con la
información satelital de GRACE (que registró variaciones en el nivel del agua subterránea
entre -0.78 y 0.57 metros) es posible vincular el vigor del bosque con la disponibilidad
hídrica, pues la evapotranspiración es el proceso dominante que contribuye al uso del agua
y constituye el mecanismo por el cual los árboles interactúan directamente con el agua del
suelo y subterránea para asegurar su desarrollo [22].
Novasinergia 2026, 9(2), 96-127 107
Tabla 2. Variables climáticas significativas estimadas mediante ecuaciones alométricas para Pinus hartwegii Lindl.
Concepto Entidad federativa mexicana
Puebla Estado de México
Puebla 1 Puebla 4 México 2 Mexico 6
Método para la dimensión volumétrica comercial
Newton Teórico
(trozas)
Newton Newton Teórico
(trozas)
Newton Teórico
(trozas)
(Intercepto) -3.309286e+02 -458.23080995 12.7704144559 -1.526892e+02 -344.56044976 -1.062313e+02 -1.706698e+02
Temperatura superficial de la Tierra (C) (TS) -3.406161e-02 -0.04976730 -0.0099327166 -1.920280e-02 -0.03706368 -9.830140e-03 -1.189124e-02
Temperatura 2 metros (C) (T2M) -2.146086e-02 -0.03337181 -0.0139429173 -2.833437e-02 -0.05560159 -1.108989e-02 -1.296006e-02
Cantidad de nubes en la atmósfera
(CLOUD_AMT)
3.901375e-02 0.05408284 -0.0014815287 5.378143e-03 0.01258796 3.764906e-03 6.321329e-03
Irradiancia descendente de onda corta en la parte
superior de la atmósfera (TOA_SW_DWN)
7.607901e+00 10.55831673 0.0008950962 4.264587e+00 9.43864115 2.755777e+00 4.302694e+00
Superficie de todo el cielo PAR Total
(ALLSKY_SFC_PAR_TOT)
-6.141507e-02 -0.08410746 0.0021413039 -6.567072e-03 -0.01542251 -4.637544e-03 -7.865218e-03
Superficie de cielo despejado PAR Total
(CLRSKY_SFC_PAR_TOT)
6.763747e-03 0.01064166 0.0045934013 -1.002804e-02 -0.02441798 -7.462349e-03 -1.324474e-02
Presión superficial (PS) 9.483447e-01 1.29505253 -0.1376875011 1.360418e-01 0.36312101 1.962330e-01 3.586205e-01
Humedad específica a 2 metros (QV2M) 1.643335e-01 0.22781675 -0.0050629620 4.358724e-02 0.09905543 3.107094e-02 5.043247e-02
Humedad relativa a 2 metros (RH2M) 3.092699e-02 0.04310216 -0.0003287542 8.374307e-03 0.01871234 7.552408e-03 1.189290e-02
Humedad del suelo en la zona de raíces
(GWETROOT)
1.571715e+00 2.21068542 0.1247606414 1.416583e+00 3.03485553 2.484378e-01 3.089585e-01
Precipitación corregida (PRECTOTCORR) 9.112925e-02 0.13020045 0.0190904799 1.547454e-01 0.33195773 2.871043e-02 3.911835e-02
Novasinergia 2026, 9(2), 96-127 108
Según la estimación de los métodos volumétricos de Newton, Teórico (trozas) y Entidad
federativa para Pinus hartwegii Lindl. (Tabla 2), las variables climáticas significativas que
influyen en la estimación del volumen comercial son TS, T2M, CLOUD_AMT,
TOA_SW_DWN, ALLSKY_SFC_PAR_TOT, CLRSKY_SFC_PAR_TOT, PS, QV2M, RH2M,
GWETROOT y PRECTOTCORR. Su importancia radica en ofrecer una base científica para
la gestión de los recursos hídricos y la predicción de la productividad maderable ante el
cambio climático.
Tabla 3. Resumen de ecuaciones alométricas ajustadas con el algoritmo R (v4.3.0) para Pinus hartwegii Lindl. en estado de
Puebla
Clasificación del volumen de madera según
los criterios XGBoost
Criterio
estadístico
Resultado estadístico
por método ANOVA
Ecuación alométrica estimada por método
Polígonos
envolventes
rectangulares
(bounding
boxes)
Método
volumétrico
Dimensión
volumétrica
XGBoost OLS
(Puebla)
XGBoost OLS
(Puebla)
Puebla 1 Newton Comercial R-cuadrado
múltiple
0.992 0.9627
Vol
=
e
.

diam
.

h
.

log
(
Vol
)
=
−
0
.
07
+ 0.05 log_h
+ 0.27 log_diam
R-cuadrado
ajustado
0.9919 0.9624
Estadístico
F
9042
3831
Valor-p < 2.2e-16 < 2.2e-16
Teórico
(trozas)
Comercial R-cuadrado
múltiple
0.9837 0.9642
Vol
=
e
.

diam
.

h
.

log
(
Vol
)
=
0
.
12
+ 0.15 log_h
+ 0.22 log_diam
R-cuadrado
ajustado
0.9835 0.964
Estadístico
F
4379
4000
Valor-p < 2.2e-16 < 2.2e-16
Entidad
federativa
Comercial R-cuadrado
múltiple
0.9949 0.9709
Vol
=
e
.

diam
.

h
.

log
(
Vol
)
=
−
8
.
18
+ 0.61 log_h
+ 1.79 log_diam
R-cuadrado
ajustado
0.9948 0.9707
Estadístico
F
1.404e+04
4889
Valor-p < 2.2e-16 < 2.2e-16
Puebla 4 Newton Comercial R-cuadrado
múltiple
0.964 0.9627
Vol
=
e
.

diam
.

h
.

log
(
Vol
)
=
−
0
.
07
+ 0.05 log_h
+ 0.27 log_diam
R-cuadrado
ajustado
0.9635 0.9624
Estadístico
F
1980
3831
Valor-p < 2.2e-16 < 2.2e-16
Teórico
(trozas)
Comercial R-cuadrado
múltiple
0.9649 0.9642
Vol
=
e
.

diam
.

h
.

log
(
Vol
)
=
0
.
12
+ 0.15 log_h
+ 0.22 log_diam
R-cuadrado
ajustado
0.9645 0.964
Estadístico
F
2022
4000
Valor-p < 2.2e-16 < 2.2e-16
Entidad
federativa
Comercial R-cuadrado
múltiple
0.9727 0.9709
Vol
=
e
.

diam
.

h
.

log
(
Vol
)
=
−
8
.
18
+ 0.61 log_h
+ 1.79 log_diam
R-cuadrado
ajustado
0.9723 0.9707
Estadístico
F
2637
4889
Valor-p < 2.2e-16 < 2.2e-16
Novasinergia 2026, 9(2), 96-127 109
Tabla 4. Resumen de ecuaciones alométricas ajustadas con el algoritmo R (v4.3.0) para Pinus hartwegii Lindl. en el estado
de México
Clasificación del volumen de madera según
los criterios XGBoost
Criterio
estadístico
Resultado estadístico
por método ANOVA
Ecuación alométrica estimada por método
Polígonos
envolventes
rectangulares
(bounding
boxes)
Método
volumétrico
Dimensión
volumétrica
XGBoost OLS
(México)
XGBoost OLS
(México)
Mexico 2
Newton Comercial R-cuadrado
múltiple
0.9833 0.9827
Vol
=
e
.
diam
.
h
.
log
(
Vol
)
=
−
0
.
12
+ 0 log_h
+
0
.
33
log
_
diam
R-cuadrado
ajustado
0.9827 0.9826
Estadístico
F
1646 8037
Valor
-
p
< 2.2e
-
16
< 2.2e
-
16
Teórico
(trozas)
Comercial R-cuadrado
múltiple
0.9657 0.9748
Vol
=
e
.
diam
.
h
.
log
(
Vol
)
=
0
.
11
+ 0.12 log_h
+
0
.
25
log
_
diam
R-cuadrado
ajustado
0.9645 0.9746
Estadístico
F
788.2 5463
Valor
-
p
< 2.2e
-
16
< 2.2e
-
16
Entidad
federativa
Comercial R-cuadrado
múltiple
N/A 0.9971 N/A
log
(
Vol
)
=
−
9
.
94
+ 0.85 log_h
+
2
.
05
log
_
diam
R-cuadrado
ajustado
N/A 0.997
Estadístico
F
N/A 4.373e+04
Valor
-
p
N/A
< 2.2e
-
16
Mexico 3
Newton Comercial R-cuadrado
múltiple
0.9926 0.9827
Vol
=
e
.
diam
.
h
.
log
(
Vol
)
=
−
0
.
12
+ 0 log_h
+
0
.
33
log
_
diam
R-cuadrado
ajustado
0.9923 0.9826
Estadístico
F
3143 8037
Valor
-
p
< 2.2e
-
16
< 2.2e
-
16
Teórico
(trozas)
Comercial R-cuadrado
múltiple
0.9787 0.9748
Vol
=
e
.
diam
.
h
.
log
(
Vol
)
=
0
.
11
+ 0.12 log_h
+
0
.
25
log
_
diam
R-cuadrado
ajustado
0.9778 0.9746
Estadístico
F
1078 5463
Valor
-
p
< 2.2e
-
16
< 2.2e
-
16
Entidad
federativa
Comercial R-cuadrado
múltiple
N/A 0.9971 N/A
log
(
Vol
)
=
−
9
.
94
+ 0.85 log_h
+
2
.
05
log
_
diam
R-cuadrado
ajustado
N/A 0.997
Estadístico
F
N/A 4.373e+04
Valor
-
p
N/A
< 2.2e
-
16
Newton Comercial R-cuadrado
múltiple
0.9905 0.9827
Vol
=
e
.
diam
.
h
.
R-cuadrado
ajustado
0.9903 0.9826
Estadístico
F
4026 8037
Novasinergia 2026, 9(2), 96-127 110
Mexico 4
Valor-p < 2.2e-16 < 2.2e-16
log
(
Vol
)
=
−
0
.
12
+ 0 log_h
+
0
.
33
log
_
diam
Teórico
(trozas)
Comercial R-cuadrado
múltiple
0.9683 0.9748
Vol
=
e
.
diam
.
h
.
log
(
Vol
)
=
0
.
11
+ 0.12 log_h
+
0
.
25
log
_
diam
R-cuadrado
ajustado
0.9674 0.9746
Estadístico
F
1174 5463
Valor
-
p
< 2.2e
-
16
< 2.2e
-
16
Entidad
federativa
Comercial R-cuadrado
múltiple
N/A 0.9971 N/A
log
(
Vol
)
=
−
9
.
94
+ 0.85 log_h
+
2
.
05
log
_
diam
R-cuadrado
ajustado
N/A 0.997
Estadístico
F
N/A 4.373e+04
Valor
-
p
< 2.2e
-
16
Mexico 5
Newton Comercial R-cuadrado
múltiple
0.914 0.9827
Vol
=
e
.
diam
.
h
.
log
(
Vol
)
=
−
0
.
12
+ 0 log_h
+
0
.
33
log
_
diam
R-cuadrado
ajustado
0.8895 0.9826
Estadístico
F
37.21 8037
Valor
-
p
0.0001863
< 2.2e
-
16
Teórico
(trozas)
Comercial R-cuadrado
múltiple
0.9794 0.9748
Vol
=
e
.
diam
.
h
.
log
(
Vol
)
=
0
.
11
+ 0.12 log_h
+
0
.
25
log
_
diam
R-cuadrado
ajustado
0.9735 0.9746
Estadístico
F
166 5463
Valor
-
p
1.264e
06
< 2.2e
-
16
Entidad
federativa
Comercial R-cuadrado
múltiple
N/A 0.9971 N/A
log
(
Vol
)
=
−
9
.
94
+ 0.85 log_h
+
2
.
05
log
_
diam
R-cuadrado
ajustado
N/A 0.997
Estadístico
F
N/A 4.373e+04
Valor
-
p
N/A
< 2.2e
-
16
Mexico 6
Newton Comercial R-cuadrado
múltiple
0.9878 0.9827
Vol
=
e
.
diam
.
h
.
log
(
Vol
)
=
−
0
.
12
+ 0 log_h
+
0
.
33
log
_
diam
R-cuadrado
ajustado
0.9875 0.9826
Estadístico
F
3469 8037
Valor
-
p
< 2.2e
-
16
< 2.2e
-
16
Teórico
(trozas)
Comercial R-cuadrado
múltiple
0.9635 0.9748
Vol
=
e
.
diam
.
h
.
log
(
Vol
)
=
0
.
11
+ 0.12 log_h
+
0
.
25
log
_
diam
R-cuadrado
ajustado
0.9627 0.9746
Estadístico
F
1136 5463
Valor
-
p
< 2.2e
-
16
< 2.2e
-
16
Entidad
federativa
Comercial R-cuadrado
múltiple
N/A 0.9971 N/A
log
(
Vol
)
=
−
9
.
94
+ 0.85 log_h
+
2
.
05
log
_
diam
R-cuadrado
ajustado
N/A 0.997
Estadístico
F
N/A 4.373e+04
Valor
-
p
N/A
< 2.2e
-
16
Novasinergia 2026, 9(2), 96-127 111
Con base en la evaluación del modelo matemático del volumen maderable en función de las
ecuaciones alométricas estimadas por OLS y por el Modelo Ridge, y en las simulaciones con
los coeficientes lineales de diámetro-altura por árbol ubicado en las UMAFOR y con las
variables climáticas significativas para el periodo temporal 2022-2024 en los estados de
Puebla y México, se obtiene una mejor aproximación volumétrica de las ecuaciones
matemáticas de Newton y de los modelos teóricos para tipos dendrométricos excurrentes.
Según [23] , “si se aplica un coeficiente de 50.81 % a la biomasa calculada con las ecuaciones
alométricas para el diámetro basal o la altura total, es suficiente para conocer el contenido
de carbono en un árbol, un rodal o una plantación de brinzales de Pinus hartwegii Lindl; por
lo tanto, su uso es confiable”. Aunque, [24] afirman que la distribución de la biomasa en los
árboles fue 65.3% en fuste, 23.8% en ramas, 10.9% en follaje, la ecuación para la estimación
de la biomasa fue B=0.0635DN2.4725 y para el contenido de carbono C=0.0309DN2.4722, con R2
de 0.98. El modelo ajustado es de la forma Y=bXk donde la variable dependiente (Y) es
biomasa o carbono y la variable independiente es el diámetro normal [25].
Los modelos OLS, ecuaciones alométricas son completamente independientes de XGBoost,
modelado hidrológico, en las tablas anteriores y no son comparables entre sí. En este caso,
en la Tabla 4, se representan con el propósito de escenarios exploratorios, no de pronósticos
determinísticos. El uso de ecuaciones alométricas permite realizar estimaciones rápidas y
efectivas del estado del bosque y se relaciona de manera significativa con la densidad
vegetal [26]. Los polígonos envolventes rectangulares (bounding boxes) que faltan en las
tablas anteriores no son lo suficientemente robustos como para estimar los modelos.
La relación del índice de vegetación con las características del subsuelo (Tabla 5), como el
agua subterránea y las ecuaciones alométricas, es positiva, pues el índice de vegetación de
diferencia normalizada (NDVI) se relaciona con el grosor equivalente promedio del agua
subterránea, lo que permite evaluar la salud de la masa forestal y la densidad vegetal de
Pinus hartwegii Lindl. debido a que el potencial anual significativo para la infiltración,
facilitado por la estructura del suelo y su cobertura [27], y, mediante su sistema radicular,
el retener agua son fundamentales para la recarga de acuíferos y la prevención de la erosión
del suelo, específicamente en áreas con precipitaciones irregulares [28].
Novasinergia 2026, 9(2), 96-127 112
Tabla 5. Resumen estadístico de coeficientes paramétricos por ecuación alométrica ajustada, con respecto al índice de
vegetación (NDVI) y al código para la exploración de aguas subterráneas (GRACE), variables exógenas, mediante
Google Earth Engine (GEE v1.7.3) para Pinus hartwegii Lindl.
Método volumétrico Coeficientes paramétricos Resultado estadístico ANOVA
Estimado Std. Error t value Pr(>|t|)
Newton (Intercept) 2.5941 0.1113 23.311 <2e-16 ***
ndvi_Pixel 0.3755 0.1536 2.444 0.0148 *
grace_Pixel 6.3411 4.0304 1.573 0.1162
R-sq.(adj) 0.011
Deviance explained (%) 1.45
GCV 0.14665
Scale est. 0.14588
Teórico (trozas) (Intercept) 3.5638 0.1622 21.974 < 2e-16 ***
ndvi_Pixel 0.7683 0.2242 3.428 0.000653 ***
grace_Pixel -9.0163 5.8693 -1.536 0.125049
R-sq.(adj) 0.021
Deviance explained (%) 2.45
GCV 0.311
Scale est. 0.30936
Entidad federativa (Intercept) 0.1642 0.3166 0.519 0.60428
ndvi_Pixel 1.2887 0.4371 2.949 0.00332 **
grace_Pixel 27.5513 11.4654 2.403 0.01658 *
R-sq.(adj) 0.0211
Deviance explained (%) 2.45
GCV 1.1868
Scale est. 1.1805
Debido a que las acciones humanas alteran el ciclo del agua, las sequías ya no pueden
considerarse fenómenos puramente naturales; además, estas actividades modifican los
patrones regulares de los procesos hídricos [29]. La disponibilidad y la calidad del recurso
hídrico se ven alteradas por factores como la expansión urbana, la tala de bosques y la crisis
climática, que interrumpen el funcionamiento normal del ciclo del agua [30]. Los resultados
muestran que la intervención humana es la principal causa de la disminución del caudal en
la cuenca de algunas fuentes fluviales (P.ej., río Xilin, China). Además, estas acciones han
provocado que las sequías en la zona sean más prolongadas, más severas y más difíciles de
predecir [29].
Se ha comprobado que el método de cuantificación basado en patrones de equilibrio hídrico
y de sequía es una herramienta eficaz para medir el impacto humano sobre el régimen
hidrológico. Los resultados de esta investigación ofrecen un sustento científico esencial para
optimizar la gestión del agua, así como para mejorar los sistemas de alerta y predicción en
contextos de alta intervención antrópica [29]. Se ha comprobado que el método de
cuantificación basado en patrones de equilibrio hídrico y de sequía es una herramienta
Novasinergia 2026, 9(2), 96-127 113
eficaz para medir el impacto humano sobre el régimen hidrológico. Los resultados de esta
investigación ofrecen un sustento científico esencial para optimizar la gestión del agua, así
como para mejorar los sistemas de alerta y predicción en contextos de alta intervención
antrópica.
Figura 9. Balance hídrico mensual promedio, evapotranspiración mensual anual, índices de vegetación mejorada (IVM) y
estrés hídrico (IEH) promedio mensual de Pinus hartwegii Lindl. para el estado de Puebla
La Figura 9 integra el balance hídrico mensual, la evapotranspiración y los índices de
vegetación mejorada (EVI) y de estrés hídrico (MSI) para Pinus hartwegii Lindl. en Puebla.
Una relación significativa entre ET con EVI, ET con precipitación y EVI con precipitación
existe. Esto se explica debido a que el balance hídrico en un sitio en particular o en una
cuenca es influenciado por los bosques, pues intervienen en todos los procesos del ciclo
hidrológico, excepto la precipitación; es decir, todos estos procesos están fuertemente
influenciados por la densidad de los árboles, la estructura de los rodales y la arquitectura
del dosel arbóreo o arbustivo y los estratos herbáceos [21]. El wb presenta una relación
significativa con la precipitación y una oscilación menor en los últimos datos del índice del
sistema.
Novasinergia 2026, 9(2), 96-127 114
Figura 10. Balance hídrico mensual promedio, evapotranspiración mensual anual, índices de vegetación mejorada (IVM)
y estrés hídrico (IEH) promedio mensual de Pinus hartwegii Lindl. para el estado de México
La Figura 10 integra el balance hídrico mensual, la evapotranspiración y los índices de
vegetación mejorada (EVI) y de estrés hídrico (MSI) para Pinus hartwegii Lindl. en estado de
México. Una relación significativa entre ET con EVI, ET con precipitación y EVI con
precipitación existe. Desde el punto de vista del balance de masas, la tasa de extracción de
agua desde la zona de raíces dependerá de la tasa de transpiración y de la capacidad de los
árboles para sustentar esta tasa, que declina con la disminución del contenido de agua del
suelo [21]. Sin embargo, la intensidad de la competencia estará dada por la posición del
rodal en el paisaje, la especie, la estacionalidad de la lluvia y las prácticas de manejo de los
bosques [31]. Los cambios de la cobertura de uso de la tierra de bosques nativos o bosques
plantados generalmente provocan cambios en la evapotranspiración, de tal forma que afecta
los otros componentes del balance hídrico, como la escorrentía y la recarga de capas freáticas
[21]. El wb presenta una relación significativa con la precipitación y una oscilación menor
en los últimos datos del índice del sistema.
Los modelos XGBoost entrenados con la serie 2005–2014 se usan para extrapolar variables
hidrológicas a 2025–2026, usando como únicos predictores el año y el mes (componentes
temporales). Los supuestos son: (a) los patrones estacionales históricos se mantienen; (b) no
se incorporan cambios en forzantes externos. Los resultados son escenarios exploratorios,
no pronósticos determinísticos. Su importancia reside en proyectar el impacto de la
actividad humana sobre la recarga de acuíferos y la oscilación del nivel freático, Estos datos
permiten evaluar la respuesta de Pinus hartwegii Lindl. y fundamentan estrategias de gestión
hídrica ante el cambio climático.
Novasinergia 2026, 9(2), 96-127 115
Tabla 6. Simulación del balance hídrico con base en la precipitación, el índice de vegetación mejorada (IVM) promedio
mensual y el estrés hídrico (IEH) para Pinus hartwegii Lindl. por estado.
Estado Fecha Resultados estadísticos de la simulación del balance hídrico
Precipitación Evapotranspiración Balance
hídrico
EVI MSI NDVI Oscilación
del nivel
freático
Puebla 2025-01-01 8.24261 32.92585 -25.07314 0.1785968 1.0810438 0.1652077 -21.19965
2025-02-01 5.73869 31.70487 -25.86038 0.1719896 1.1000093 0.1563529 -22.12316
2025-03-01 13.93923 31.21233 -17.68696 0.1708934 1.0945344 0.1561334 -15.57130
2025-04-01 34.75516 21.26212 14.40896 0.1787775 1.0672268 0.1675159 10.49155
2025-05-01 137.69754 42.67369 98.42336 0.2170916 0.9855911 0.2202653 79.28563
2025-06-01 216.04356 61.17882 147.86598 0.3022164 0.8171936 0.3698222 122.77631
Estado
de
México
2025-01-01 5.375047 30.15850 -22.15811 0.1935951 1.102638 0.1755744 -18.67012
2025-02-01 3.416557 26.09864 -21.91196 0.1780094 1.157922 0.1537318 -19.23310
2025-03-01 6.351458 24.26435 -18.37574 0.1778489 1.167884 0.1522830 -16.47728
2025-04-01 32.389984 17.68780 15.21681 0.193424 1.131668 0.1709195 11.01314
2025-05-01 113.152031 32.92150 79.13254 0.2407827 1.061197 0.2268974 63.81133
2025-06-01 199.670807 55.20061 140.50430 0.3567792 0.792900 0.4499675 118.75625
Los datos simulados para los estados de Puebla y México en 2025 son, respectivamente,
precipitación promedio mensual de 74.45 mm, 72.94 mm, evapotranspiración promedio de
43.65 mm, 40.51 mm, balance hídrico promedio de 30.72 mm, 32.67 mm, un aumento en la
actividad humana está relacionado con reducciones en el balance hídrico, recarga promedio
actual de -2.52 mm, -2.34 mm, existe una relación inversa entre densidad de vegetación y
recarga, reforzando el impacto de la actividad humana, recarga promedio en escenario 1, -
20% actividad humana de -2.02 mm, -1.88 mm, es una mejora respecto a la actual e indica
menor impacto negativo y recarga promedio en escenario 2, +20% actividad humana de -
3.03 mm, -2.81 mm, es mayor pérdida de recarga con efecto negativo del aumento en
actividad humana. Finalmente, con valores p de 0.983 y 0.983, las diferencias entre los
escenarios no son estadísticamente significativas. Los escenarios base consideran una
proyección sin modificar actividad humana, escenarios con −20% actividad humana
consideran mayor densidad vegetal e implica una mayor recarga potencial mientras que
escenarios con +20% actividad humana contemplan una menor densidad vegetal e implica
una menor recarga potencial.
Las proyecciones 2025–2026 son escenarios exploratorios obtenidos por extrapolación
XGBoost con predictores temporales (año y mes), entrenados con datos 2005–2014
representados en las siguientes figuras. Los escenarios son proyección sin modificar
actividad humana (base), mayor densidad vegetal que implica una mayor recarga potencial
(−20% actividad humana) y menor densidad vegetal que indica menor recarga potencial
(+20% actividad humana) que influyen en la recarga del acuífero. Su importancia reside en
proyectar el impacto de la actividad humana sobre la recarga de acuíferos y la oscilación del
Novasinergia 2026, 9(2), 96-127 116
nivel freático, estos datos permiten evaluar la respuesta de Pinus hartwegii Lindl. y
fundamentan estrategias de gestión hídrica ante el cambio climático.
Figura 11. Simulación del balance hídrico con base en la precipitación, evapotranspiración, % de actividad humana, el
índice de vegetación mejorada (IVM) promedio mensual y el estrés hídrico (IEH) para Pinus hartwegii Lindl. en estado de
Puebla
Los resultados (Figura 11) indican una alta correlación positiva entre los niveles de
precipitación con el balance hídrico, una alta correlación positiva entre mayor densidad
vegetal con balance hídrico y alta correlación negativa entre la actividad humana con
balance hídrico. La diminución de las actividades humanas en los polígonos envolventes
rectangulares (bounding boxes) que contienen los individuos muestreados de Pinus hartwegii
Lind. favorece a una mayor recarga de los mantos freáticos, que respalda el diseño de
estrategias de gestión del agua en el estado de Puebla.
Novasinergia 2026, 9(2), 96-127 117
Figura 12. Impacto de la influencia humana en la oscilación del agua subterránea, relación del NDVI con la oscilación del
nivel freático, comparación del balance hídrico (2025-2026) y la oscilación del nivel freático (2025-2026) para Pinus
hartwegii Lindl. en estado de Puebla
Los resultados (Figura 12) indican que el impacto humano tiene influencia en la oscilación
del agua subterránea y su vínculo con el NDVI en Puebla para 2025-2026. La densidad
vegetal favorece la recarga del acuífero mientras que la presión antropogénica, mediante
actividades de urbanización, la deforestación, tala u otras, altera el ciclo hidrológico y, en
consecuencia, la reduce. Además, la proyección de la evolución del nivel freático ofrece un
sustento científico para la gestión hídrica y la mitigación del cambio climático.
Novasinergia 2026, 9(2), 96-127 118
Figura 13. Simulación del balance hídrico con base en la precipitación, evapotranspiración, % de actividad humana, el
índice de vegetación mejorada (IVM) promedio mensual y el estrés hídrico (IEH) para Pinus hartwegii Lindl. en estado de
México
Los resultados mostrados en la Figura 13 indican una alta correlación positiva entre los
niveles de precipitación con el balance hídrico, una alta correlación positiva entre mayor
densidad vegetal con balance hídrico y alta correlación negativa entre la actividad humana
con balance hídrico. La diminución de las actividades humanas en los polígonos
envolventes rectangulares (bounding boxes) que contienen los individuos muestreados de
Pinus hartwegii Lindl. favorece a una mayor recarga de los mantos freáticos, que fundamenta
las estrategias de gestión forestal y del agua en el estado de México.
Novasinergia 2026, 9(2), 96-127 119
Figura 14. Impacto de la influencia humana en la oscilación del agua subterránea, relación del NDVI con la oscilación del
nivel freático, comparación del balance hídrico (2025-2026) y la oscilación del nivel freático (2025-2026) para Pinus
hartwegii Lindl. en estado de México
Los resultados (Figura 14) indican que el impacto humano tiene influencia en la oscilación
del agua subterránea y su vínculo con el NDVI en el estado de México para 2025-2026. La
densidad vegetal favorece la recarga del acuífero mientras que la presión antropogénica,
mediante actividades de urbanización, tala u otras, altera el ciclo hidrológico y, en
consecuencia, la reduce. El análisis hidrológico indica que las lluvias siguen ciclos
estacionales que elevan el balance hídrico.
Los resultados indican que, con la aproximación metodológica empleada y los datos
disponibles, no es posible establecer una relación causal determinante entre la presión
antrópica simulada y el balance hídrico. Las tendencias direccionales observadas son, menor
recarga bajo mayor actividad humana, coherentes con la hipótesis eco hidrológica de
partida y justifican investigación futura con variables antropogénicas directas, pues la
evolución del nivel freático ofrece un sustento científico para la gestión hídrica y la
mitigación del cambio climático en los estados de Puebla y México.
4. Discusión
A diferencia de investigaciones con alcances estrictamente locales o limitadas a sitios
de monitoreo convencionales, este estudio se fundamentó en el análisis de polígonos
envolventes rectangulares (bounding boxes) que contienen datos georreferenciados de Pinus
hartwegii Lindl. obtenidos de los inventarios INFyS (2009-2013) y SiBiFor (2013-2015) en los
estados de Puebla y México [32]. Estudiar estas poblaciones es importante porque enfrentan
un riesgo inminente de una contracción de entre el 30% y el 70% de su área de aptitud
Novasinergia 2026, 9(2), 96-127 120
ambiental en las próximas décadas [33], [34]. Al habitar por encima de los 3500 m, actúa
como un "termómetro biológico" del cambio climático [35], [36], es una especie amenazada,
debido al cambio climático, particularmente al incremento en temperatura y al estrés
hídrico, que amenaza la conservación de los ecosistemas de alta montaña [37], pues la zona
de humedad de la raíz (GWETROOT) es crítica en la estación seca, noviembre–abril, porque
la temperatura superficial (TS) modula la actividad cambial, el inicio del crecimiento anual
ocurre cuando TS supera sostenidamente ~5°C, a >3 500 msnm la TS puede ser subóptima
incluso en verano, la interacción GWETROOT × TS es el principal determinante del
crecimiento radial en poblaciones del límite xérico inferior (~3 300 msnm) y,
respectivamente, el crecimiento cambial anual depende de las reservas hídricas acumuladas
en el perfil del suelo debido a que la precipitación invernal es mínima, actúa como
integrador de la recarga del período húmedo anterior, determinando la longitud del período
de crecimiento activo y, con valores < 0.2, se asocian durante la estación seca con anillos de
crecimiento estrechos o ausentes. Esta vulnerabilidad se ve agravada por la pérdida de
vigor, que incrementa la susceptibilidad a ataques de agentes parásitos como los muérdagos
enanos (Arceuthobium spp.) y los escarabajos descortezadores (Dendroctonus spp.), fenómenos
que afectan a más del 40% de los árboles en zonas como el Nevado de Toluca [35], [38], [39],
pues el estrés crónico redujo la síntesis de oleorresinas defensivas, mecanismo primario de
resistencia a Dendroctonus spp, se corroboró las correlaciones significativas entre seis factores
ambientales (temperatura, precipitación, presión atmosférica, temperatura del viento,
sensación térmica y el cociente temperatura/humedad T/H) y las abundancias de dos
especies de escarabajos descortezadores de importancia económica y ambiental
(Dendroctonus frontalis y Dendroctonus mexicanus), que podrían explicar una mayor variación
de las abundancias de estos escarabajos [40]. Al comparar este enfoque con otros enfoques
previos [8], [29], se destaca que esta base de datos ofrece una visión más amplia de las
variables climáticas de mayor relevancia para la especie [7].
Los resultados capturan la dinámica del almacenamiento de agua subterránea al integrar
los impactos humanos y naturales, que resulta esencial, dado que esta conífera es
fundamental para la infiltración hídrica en cuencas de alta montaña [33], [36], [41]. Según
los valores medianos NDVI y GRACE de los polígonos envolventes rectangulares (bounding
boxes), puebla 1 y mexico 6 es el grupo A, muestra NDVI ≥ percentil 66 (alto) y GRACE-TWS
Alta/Moderada, con mayor cobertura vegetal, mejor balance hídrico y menor estrés. mexico
2, que presenta patrones únicos en la distribución de árboles y mexico 4 es el grupo B, señala
percentil 33–66 (medio) y GRACE-TWS Moderada, con condiciones intermedias. puebla 4 y
mexico 3 es el grupo C, presenta NDVI < percentil 33 (bajo) y GRACE-TWS Baja, con menor
cobertura, mayor estrés hídrico, límite xérico inferior (~3 300 msnm), pues de acuerdo con
[18], probablemente se atribuye a que las poblaciones de 3300 m de altitud o menores
exhibieron condiciones de estrés más altas, una disminución en la actividad fotosintética,
sequías cada vez más intensas y cálidas asociadas al límite xérico causando debilidad
fisiológica en árboles, promoviendo daños por plagas y enfermedades, el eventual declive
forestal y la reducción hasta en 70% del área de aptitud ambiental para Pinus hartwegii
Lindl., como resultado del aumento de temperatura por cambio climático, representados
por valores más bajos de NDVI (error cuadrático medio (Std. Error): 0.1536 para Newton y
0.2242 para dendrométricos excurrentes o trozas) [32], [38], [39]. Según [18], estos subgrupos
Novasinergia 2026, 9(2), 96-127 121
indican sequías probables cada vez más intensas y cálidas asociadas a la debilidad
fisiológica en dicho límite. En contraste, el grupo A (polígonos envolventes rectangulares -
bounding boxes- puebla 1 y mexico 6) demuestra que una mayor densidad vegetal y un follaje
saludable están positivamente asociados con niveles más altos de agua en el subsuelo [20],
[42], [43], [44]. Esto subraya la importancia de la cobertura vegetal para facilitar la
infiltración y reducir la evaporación directa mediante la modificación de la caída de las gotas
y la redistribución hidráulica [45], [46]. Estos hallazgos son consistentes con estudios que
señalan que los micrositios con mayor humedad favorecen el éxito del reclutamiento [32].
La correlación observada entre el NDVI y el crecimiento radial refuerza la utilidad de la
teledetección para inferir la productividad forestal, especialmente durante la estación seca
[36]. A pesar de ciertas incertidumbres estadísticas, la extrapolación de XGBoost evidencia
una tendencia clara: la actividad humana —como la deforestación, la expansión urbana y la
tala desmedida— afecta negativamente el balance hídrico [35], [43], [44], [47], [48]. Esta
intervención antropogénica interrumpe el ciclo hidrológico, transformando la sequía en un
fenómeno impulsado por el hombre, de mayor intensidad y duración [29], [30]. La
incorporación de variables como la humedad del suelo en la zona de raíces (GWETROOT)
y la temperatura superficial en los modelos alométricos proporciona un sólido sustento
científico para estimar la biomasa forestal en escenarios de estrés hídrico extremo [49], [50].
El objetivo de estimar las ecuaciones alométricas mediante polígonos envolventes
rectangulares (bounding boxes) fue establecer escenarios exploratorios comparativos [43] e
identificar coeficientes paramétricos significativos mediante métodos volumétricos que
inciden en la estimación del bosque. Finalmente, este trabajo valida la relevancia de emplear
ecuaciones alométricas ajustadas y datos satelitales (GRACE/Landsat) para cuantificar la
capacidad productiva y la resiliencia de Pinus hartwegii Lindl. [34], [36], [50]. Estudios
semejantes son fundamentales para planificar y gestionar los recursos hídricos, diseñar
estrategias para mitigar los desafíos de adaptación territorial y evaluar la salud de los
bosques [10], [11].
La mayor parte de la población se encuentra en situación de riesgo debido a factores
hidroclimatológicos, fuertemente influidos por la variabilidad (VC) y el cambio climático
(CC). Se suma el aumento de la vulnerabilidad debido a la inadecuada planificación y
ocupación del territorio, propias de los países en desarrollo. En este sentido, los sistemas de
alerta temprana (SAT) facilitan los procesos de adaptación y de mitigación de impactos [40].
Los sistemas de alertas tempranas (SAT) son una de las principales estrategias de
adaptación frente al CC, pues su eficacia radica en la participación activa de las
comunidades, siendo la educación la base para tomar conciencia de los riesgos a los que se
enfrentan. Un SAT comprende cuatro elementos fundamentales: 1) conocimiento del riesgo;
2) monitoreo, análisis y pronóstico de la amenaza; 3) comunicación o difusión de las alertas
y los avisos; y 4) capacidades locales para responder a la alerta recibida [40]. Integran
aspectos misionales e incorporan todos sus componentes: prospectivo, correctivo y reactivo,
específicamente de tipo reactivo; de acuerdo con [51] , la metodología desarrollada —NDVI,
GRACE-TWS, balance hídrico (P−ET), MSI, EVI y modelos XGBoost— constituye la base
técnica para un sistema de alerta temprana para la gestión hídrica forestal, como umbral de
alerta hídrica con GWETROOT < 0.2 y balance hídrico mensual < −20 mm durante tres meses
consecutivos activan alerta para medidas de manejo (reducción de aprovechamiento,
Novasinergia 2026, 9(2), 96-127 122
retención de hojarasca, captación), datos de acceso libre con Sentinel-2, MODIS, CHIRPS y
GRACE, que son públicos y actualizables mensualmente en GEE sin costo de adquisición,
integración con SiBiFor con la georreferenciación que permite vincular los umbrales con
parcelas específicas para decisiones a escala de rodal y la recalibración periódica de modelos
XGBoost al incorporar nuevos datos, mejorando la precisión de los escenarios
progresivamente representa una línea prioritaria de investigación futura para el análisis de
la amenaza, el establecimiento de sistemas de monitoreo para la alerta, preparación,
adaptación, la mitigación, la prevención de la población para actuar frente al riesgo e
incorporar nuevas tecnologías en sistemas de monitoreo y sistemas de alerta temprana
(SMAT) [52].
5. Conclusiones
Los polígonos envolventes rectangulares (bounding boxes) puebla 1, NDVI 0.4438231,
GRACE 0.02376496 y mexico 6, NDVI 0.4260129, GRACE 0.0140668, son grupo A
mientras que mexico 2, NDVI 0.558, GRACE 0.014 y mexico 4, NDVI 0.5786600,
GRACE 0.0140668, es grupo B y puebla 4, NDVI 0.6954328, GRACE 0.01709776 y
mexico 3 NDVI 0.6591494, GRACE 0.0140668 es grupo C, indica probables sequías
cada vez más intensas y cálidas asociadas al límite xérico que causan la eventual
aparición de fenómenos de declive forestal.
Los polígonos envolventes rectangulares (bounding boxes) puebla 1, NDVI 0.4438231,
GRACE 0.02376496 y mexico 6, NDVI 0.4260129, GRACE 0.0140668, son grupo A
indican follaje saludable y áreas con una alta densidad de árboles, que tienden a
mantener niveles más altos de agua subterránea debido a la modificación de la
trayectoria de la caída de las gotas y la infiltración facilitada por la vegetación.
La aproximación metodológica empleada y los datos disponibles no es permiten
establecer una relación causal determinante entre la presión antrópica simulada y el
balance hídrico. Las tendencias direccionales observadas —menor recarga bajo
mayor actividad humana— son coherentes con la hipótesis ecohidrológica de partida
y justifican investigación futura con variables antropogénicas directas.
Según la estimación de los métodos volumétricos de Newton, Teórico (trozas) y
Entidad federativa para Pinus hartwegii Lindl, las variables climáticas significativas
que influyen en su estimación comercial son TS, T2M, CLOUD_AMT,
TOA_SW_DWN, ALLSKY_SFC_PAR_TOT, CLRSKY_SFC_PAR_TOT, PS, QV2M,
RH2M, GWETROOT y PRECTOTCORR.
Con base en el criterio estadístico de Pr(>|t|), índice de vegetación de diferencia
normalizada (NDVI) y código para la exploración de aguas subterráneas (GRACE),
los coeficientes paramétricos significativos que influyen en la estimación volumétrica
comercial por métodos son Newton con ndvi_Pixel 0.0148* y grace_Pixel 0.1162,
Teórico (trozas) con ndvi_Pixel 0.000653*** y grace_Pixel 0.125049, Entidad
federativa con ndvi_Pixel 0.00332** y grace_Pixel 0.01658*.
Los hallazgos confirman que la densidad vegetal y la actividad humana tienen
efectos opuestos sobre el acuífero: mientras la primera favorece la recarga, la segunda
la reduce drásticamente. Esta relación inversa evidencia cómo la urbanización y la
Novasinergia 2026, 9(2), 96-127 123
deforestación alteran el ciclo hidrológico, comprometiendo no solo el balance hídrico,
sino también la calidad y disponibilidad del recurso hídrico ante el cambio climático.
La metodología basada en patrones de equilibrio hídrico y sequía demuestra ser una
herramienta eficaz para medir el impacto de las actividades antrópicas en la sequía
hidrológica. Los resultados obtenidos constituyen un fundamento científico esencial
para la administración del agua y el desarrollo de sistemas de alerta temprana,
permitiendo una planificación prospectiva frente a las variaciones generadas por el
cambio climático.
Contribuciones de los autores
Conceptualización, E.P.S.C. y M.A.G.C.; metodología, M.V.T.Z. y S.S.M.; software,
A.L.O. y L.P.M.V.; validación, M.A.S. y A.B.N.; análisis formal, M.A.S. y A.B.N.;
investigación, M.A.S. y A.L.O.; curación de bases de datos, M.A.S. y A.L.O.; redacción—
preparación del borrador original, M.A.S. y A.L.O.; redacción—revisión y edición, E.P.S.C.
y M.A.G.C.; supervisión, L.P.M.V. y A.L.O. Todos los autores han leído y aprobado la
versión publicada del manuscrito.
Agradecimientos
Los coautores agradecen al grupo de investigación SiBiFor y a la Comisión Nacional
Forestal de México por las bases numéricas Sistema Biométrico Forestal para el manejo de
los bosques de México e Inventario Nacional Forestal y de Suelos (INFyS) proporcionadas,
respectivamente.
Conflictos de interés
Los autores no reportan conflictos de interés relacionados con esta investigación.
Declaración sobre el uso de Inteligencia Artificial Generativa
No se utilizó inteligencia artificial generativa en la preparación de este artículo.
Fuente de financiamiento
Esta investigación fue financiada por los coautores.
Referencias
[1] ONU-HABITAT, "Sequías, tormentas e inundaciones: el agua y el cambio climático dominan la lista
de desastres". [En línea]. Disponible en: https://onu-habitat.org/index.php/sequias-tormentas-e-
inundaciones-el-agua-y-el-cambio-climatico-dominan-la-lista-de-desastres
[2] J. R. Valles León, "Impactos del Cambio Climático en la Hidrología y en los Recursos Hídricos", en
Congreso de Ingeniería y Arquitectura, San Salvador, El Salvador, 2018.
[3] SEMARNAT y CONANP, “Ficha de identificación de Pinus hartwegii (Lindl.),” Ciudad de México,
México, 2014. [En línea]. Disponible en:
https://www.conanp.gob.mx/conanp/dominios/iztapopo/documentos/fichas_de_especies/Pinus_har
wegii.pdf
Novasinergia 2026, 9(2), 96-127 124
[4] W. Lauer, “La posición de los páramos en la estructura del paisaje de los Andes tropicales,” en El
medio ambiente páramo, M. L. Salgado-Labouriau, Ed. Caracas, Venezuela: CEA/IVIC, 1979, pp. 29–
45. [En línea]. Disponible en:
https://www.adwmainz.de/fileadmin/adwmainz/bibliothek/Wilhelm_Lauer_Publikationsliste/102._L
auer_1978_La_posicioen_de_los_paeramos_en_la_estructura....pdf
[5] J. P. Perry, The Pines of Mexico and Central America. Portland, OR, EE.UU: Timber Press, 1991.
[6] A. Farjon y B. T. Styles, Pinus (Pinaceae), Flora Neotropica Monograph 75. The New York, NY, EE. UU:
The New York Botanical Garden, 1997.
[7] M. Pérez-Suárez, J. E. Ramírez-Albores, J. J. Vargas-Hernández, y F. U. Alfaro-Ramírez, "A review of
the knowledge of Hartwegʼs Pine (Pinus hartwegii Lindl.): current situation and the need for improved
future projections», Trees, vol. 36, pp. 25-37, oct. 2021, doi: 10.1007/s00468-021-02221-9.
[8] R. L. Manzione y R. de C. Ferreira da Silva, "Monitoramento de níveis freáticos e interações com clima
e vegetação em área cultivada com Pinus na estação ecológica de Água de Santa Bárbara/Sp", en XVIII
Congresso Brasileiro de Águas Subterrâneas, Brasilia, Brazil, 2015.
[9] J. P. Crespo-Antia et al., "Matching Vegetation Indices and Tree Vigor in Pyrenean Silver Fir Stands",
Remote Sensing, vol. 16, no. 23, 4564, dic. 2024, doi: 10.3390/rs16234564.
[10] J. Zhou et al., "An improved methodology for quantifying the impact of human activities on
hydrological drought change", Journal of Hydrology: Regional Studies, vol. 50, 101603, dic. 2023, doi:
10.1016/j.ejrh.2023.101603.
[11] J. Pang, S. Chen, B. Men y H. Wang, "Causal networks and spatiotemporal patterns of different
droughts from the perspective of hydrological cycle - a case study of the Nenjiang River Basin, China",
Ecological Indicators, vol. 166, sep. 2024, doi:10.1016/j.ecolind.2024.112326.
[12] B. Vargas-Larreta et al., "SiBiFor: Sistema Biométrico Forestal para el manejo de los bosques de
México", Revista Chapingo Serie Ciencias Forestales y del Ambiente, vol. 23, no. 3, pp. 437-455, sep. 2017,
doi: 10.5154/r.rchscfa.2017.06.040.
[13] Google Cloud, "Google Earth Engine". [En línea]. Disponible en: https://cloud.google.com/earth-
engine?hl=es-419
[14] J. Hernández-Rivera, R. Razo-Zárate, R. Rodríguez-Laguna, G. González-Flores, R. Goche-Telles, y J.
Á. Prieto-Ruíz, "Regeneración natural de Pinus hartwegii Lindl", Revista Iberoamericana de Ciencias, vol.
7, no. 2, pp. 12-18, oct. 2020, [En línea]. Disponible en:
https://www.reibci.org/publicados/2020/oct/4000108.pdf
[15] J. A. Cardille, M. A. Crowley, D. Saah, y N. E. Clinton, Eds., Cloud-Based Remote Sensing with Google
Earth Engine: Fundamentals and Applications. Cham, Suiza: Springer International Publishing, 2024. doi:
10.1007/978-3-031-26588-4.
[16] T. Chen y C. Guestrin, "XGBoost: A Scalable Tree Boosting System", en Proceedings of the 22nd ACM
SIGKDD International Conference on Knowledge Discovery and Data Mining, ACM, pp. 785-794, ago. 13,
2016. doi: 10.1145/2939672.2939785.
[17] GitHub, "XGBoost R Tutorial". [En línea]. Disponible en: https://xgboost.readthedocs.io/en/stable/R-
package/xgboostPresentation.html
[18] J. L. Gallardo, R. A. Lindig, T. L. López, A. R. Endara, A. Blanco, y C. Sáenz, "Analysis of the Vigor of
Pinus hartwegii Lindl. along an Altitudinal Gradient Using UAV Multispectral Images: Evidence of
Forest Decline Possibly Associated with Climatic Change", Forests, vol. 14, no. 6, jun. 2023, doi:
10.3390/f14061176..
[19] J. Masëk, J. Tumajer, J. Lange, R. Kaczka, P. Fisër, y V. Treml, "Variability in tree-ring width and NDVI
responses to climate at a landscape level", Ecosystems, vol. 26, pp. 1144-1157, ene. 2023, doi:
10.1007/s10021-023-00822-8.
Novasinergia 2026, 9(2), 96-127 125
[20] J. Xue y B. Su, "Significant Remote Sensing Vegetation Indices: A Review of Developments and
Applications", Journal of Sensors, vol. 2017, no. 1, pp. 1-17, 2017, doi: 10.1155/2017/1353691.
[21] M. Espinosa, E. Acuña, J. Garcia, R. Rodríguez, y R. Rubilar, Silvicultura de bosques plantados con fines
productivos. Concepción, Chile: Universidad de Concepción, 2024. [En línea]. Disponible en:
https://libros.udec.cl/index.php/udec/catalog/book/68
[22] D. White, C. Beadle, M. Battaglia, R. Benyon, F. Dunin, y J. Medhurst, "A physiological basis for
management of water use by tree crops", en Plantations, Farm Forestry and Water: Proceedings of a national
workshop, Melbourne, Australia, Proceedings, 2001, pp. 20-27. [En línea]. Disponible en:
https://www.researchgate.net/profile/Keith-Smettem/publication/233532381_Manipulating_
catchment_water_balance_using_plantation_and_farm_forestry_case_studies_from_south-western_
Australia/links/00b7d52f61df589834000000/Manipulating-catchment-water-balance-using-plantation
-and-farm-forestry-case-studies-from-south-western-Australia.pdf
[23] J. E. Martínez-Luna, F. Carrillo-Anzures, M. Acosta-Mireles, M. E. Romero-Sánchez, y R. Pérez-
Miranda, "Ecuaciones alométricas para estimar carbono en brinzales de Pinus hartwegii Lindl.," Revista
Mexicana de Ciencias Forestales, vol. 11, no. 60, pp. 144-160, 2020, doi: 10.29298/rmcf.v11i60.726.
[24] F. Carrillo-Anzures, M. Acosta-Mireles, C. del R. Jiménez-Cruz, L. González-Molina, y J. D. Etchevers-
Barra, "Ecuaciones alométricas para estimar la biomasa y el carbono de la parte aérea de Pinus hartwegii
en el Parque Nacional Ixta-Popo, México", Revista Mexicana de Ciencias Agrícolas, vol. 7, no. 3, pp. 681-
691, 2016, [En línea]. Disponible en:
http://www.scielo.org.mx/scielo.php?script=sci_arttext&pid=S2007-09342016000300681
[25] M. Arreguín Sámano, J. A. Paucar Camacho, E. P. Salazar Castañeda, M. T. Vallejo Illijama, M. Á.
Guallpa Calva, y Á. Leyva Ovalle, "Quantifying the impact of climate change on Pinus hartwegii Lindl.
forests: A novel approach using AI-powered allometric models", Journal of Ecohumanism, vol. 3, no. 8,
pp. 6936-6952, dic. 2024, doi: 10.62754/joe.v3i8.5292.
[26] G. Chávez, G. V. Campos, y M. Pérez, "Estructura y composición del bosque de Pinus hartwegii Lindl.
en su distribución altitudinal en el Nevado de Toluca", Revista Mexicana de Ciencias Forestales, vol. 13,
no. 74, pp. 54-76, oct. 2022, doi: 10.29298/rmcf.v13i74.1257.
[27] E. Zavaleta, H. Cruz, y J. Márquez, "Potencial de infiltración de agua de lluvia a partir de la retención
de una plantación forestal", Foresta Veracruzana, vol. 14, no. 1, pp. 23-28, mar. 2012. Disponible en:
http://www.redalyc.org/articulo.oa?id=49724122004.
[28] A. Ortega, L. Mendiezábal, J. Alba, y A. Aparicio, "Germinación y crecimiento inicial de Pinus hartwegii
Lindl. de siete poblaciones del estado de México", Foresta Veracruzana, vol. 5, no. 2, pp. 29-34, 2003.
Disponible en: http://www.redalyc.org/articulo.oa?id=49750205.
[29] W. Li, W. Wang, Y. Wu, Q. Quan, S. Zhao, y W. Zhang, "Impact of Human Activities on Hydrological
Drought Evolution in the Xilin River Basin", Atmosphere, vol. 13, no. 12, dic. 2022, doi:
10.3390/atmos13122079.
[30] A. Jaramillo Moreno, "Aprendiendo cómo los humanos modifican el ciclo hidrológico". [En línea].
Disponible en: https://www.atmosfera.unam.mx/eventos/aprendiendo-como-los-humanos-
modifican-el-ciclo-hidrologico/
[31] R. Vertessy, "Impacts of plantation forestry on catchment runoff", en Plantations, Farm Forestry and
Water: Proceedings of a national workshop, Melbourne, Australia, Proceedings, 2001, 2001, pp. 9-19. [En
línea]. Disponible en: https://www.researchgate.net/profile/Keith-
Smettem/publication/233532381_Manipulating_
catchment_water_balance_using_plantation_and_farm_forestry_case_studies_from_south-western_
Australia/links/00b7d52f61df589834000000/Manipulating-catchment-water-balance-using-plantation
-and-farm-forestry-case-studies-from-south-western-Australia.pdf
Novasinergia 2026, 9(2), 96-127 126
[32] C. C. Astudillo-Sánchez, M. S. Fowler, J. Villanueva-Díaz, A. R. Endara-Agramont, y L. Soria-Díaz,
"Recruitment and facilitation in Pinus hartwegii, a Mexican alpine treeline ecotone, with potential
responses to climate warming", Trees, vol. 33, pp. 1087-1100, mar. 2019, doi: 10.1007/s00468-019-01844-
3.
[33] J. L. Sánchez-Mendoza, “Calidad de semilla y respuesta al déficit hídrico en plantas de Pinus hartwegii
Lindl. adaptadas a diferentes niveles altitudinales,” Tesis de maestría, Colegio de Postgraduados,
Montecillo, México, 2021. [En línea]. Disponible en:
http://colposdigital.colpos.mx:8080/xmlui/bitstream/handle/10521/4758/Sanchez_Mendoza_JL_MC_
Ciencias_Forestales_2021.pdf
[34] L. Carrillo-Arizmendi, J. J. Vargas-Hernández, P. Rozenberg, M. Pérez-Suárez, y A. R. Martínez-
Campos, "Phenotypic plasticity of growth ring traits in Pinus hartwegii at the ends of its elevational
gradient", Front. Plant Sci., vol. 14, sep. 2023, doi: 10.3389/fpls.2023.1072638.
[35] R. L. Heredia-Bobadilla, G. Gutiérrez-González, D. Cibrián Tovar, A. R. Endara Agramont, M. del
Colín. Ferreyra, y A. M. Arzate Fernández, "Genes de resistencia inducida en Pinus hartwegii (Pinaceae)
en el centro de México", Acta Botanica Mexicana, no. 131, jun. 2024, doi: 10.21829/abm131.2024.2282.
[36] L. R. Montoya-Jiménez, A. Gómez-Guerrero, F. J. A. Pedraza-Oropeza, T. M. González-Martínez, y A.
Correa-Díaz, "Short-Term Tree-Ring Series of Pinus hartwegii Lindl. Taken at Ground Level Correlate
to Normalized Difference Vegetation Index Series", Forests, vol. 15, no. 2, feb. 2024, doi:
10.3390/f15020324.
[37] J. L. Sánchez-Mendoza, M. Jiménez-Casas, C. Ramírez-Herrera, y H. Viveros-Viveros, "Calidad de
semilla y crecimiento de planta en poblaciones y altitudes de Pinus hartwegii Lindl.", Revista Mexicana
de Ciencias Forestales, pp. 143-165, 2023, doi: 10.29298/rmcf.v14i75.1297.
[38] V. Couto Antelo, "Las plagas forestales se están volviendo cada vez más agresivas a causa del
calentamiento global", CREAF. Accedido: 23 de enero de 2026. [En línea]. Disponible en:
https://www.creaf.cat/es/articulos/las-plagas-forestales-se-estan-volviendo-cada-vez-mas-agresivas-
causa-del-calentamiento-global
[39] C. Sáenz-Romero et al., "Recent evidence of Mexican temperate forest decline and the need for ex situ
conservation, assisted migration, and translocation of species ensembles as adaptive management to
face projected climatic change impacts in a megadiverse country", Can. J. For. Res., vol. 50, no. 9, pp.
843-854, abr. 2020, doi: 10.1139/cjfr-2019-0329.
[40] J. D. López-García, Y. Carvajal-Escobar, y A. M. Enciso-Arango, "Sistemas de alerta temprana con
enfoque participativo: un desafío para la gestión del riesgo en Colombia", Luna Azul, no. 44, pp. 231–
246, 2017, doi: 10.17151/luaz.2017.44.14.
[41] A. S. Richey et al., "Quantifying renewable groundwater stress with GRACE", Water Resources Research,
vol. 51, no. 7, pp. 5217-5238, jul. 2015, doi: 10.1002/2015wr017349.
[42] B. Moore y G. Allard, "Los impactos del cambio climático en la sanidad forestal", FAO, Roma, Italia,
2008. [En línea]. Disponible en: https://openknowledge.fao.org/server/api/core/bitstreams/a9dae251-
02ba-43df-a81c-1b140dc94047/content
[43] T. D. Ramsfield, B. J. Bentz, M. Faccoli, H. Jactel, y E. G. Brockerhoff, "Forest health in a changing
world: effects of globalization and climate change on forest insect and pathogen impacts", Forestry,
vol. 89, no. 3, pp. 245-252, jul. 2016, doi: 10.1093/forestry/cpw018.
[44] C. Tipán-Torres, "Impacto del Cambio Climático en los Ecosistemas Forestales: Un Análisis
Exploratorio", Horizon Nexus Journal, vol. 2, no. 3, pp. 1-17, jul. 2024, doi: 10.70881/hnj/v2/n3/4.
[45] E. Flores Ayala et al., "Estudios de interceptación de lluvia en bosques de importancia hidrologico-
forestal", Sociedades Rurales, Producción y Medio Ambiente, vol. 18, no. 35, pp. 45-63, 2018. Disponible en:
https://sociedadesruralesojs.xoc.uam.mx/index.php/srpma/article/view/341/339
Novasinergia 2026, 9(2), 96-127 127
[46] M. W. Lubczynski, "The hydrogeological role of trees in water-limited environments", Hydrogeology
Journal, vol. 17, pp. 247-259, oct. 2008, doi: 10.1007/s10040-008-0357-3.
[47] J. Rzedowski, Vegetación de México, 1ra. Edición digital. Ciudad de México, México: CONABIO, 2006.
[En línea]. Disponible en:
https://www.biodiversidad.gob.mx/publicaciones/librosDig/pdf/VegetacionMx_Cont.pdf
[48] J. Villanueva et al., "Red dendrocronológica del pino de altura (Pinus hartwegii Lindl.) para estudios
dendroclimáticos en el noreste y centro de México", Investigaciones Geográficas, no. 86, pp. 5-14, 2015,
doi: 10.14350/rig.42003.
[49] J. Dai et al., "Drought-modulated allometric patterns of trees in semi-arid forests", Commun Biol, vol. 3,
jul. 2020, doi: 10.1038/s42003-020-01144-4.
[50] T. Jucker et al., "Allometric equations for integrating remote sensing imagery into forest monitoring
programmes", Global Change Biology, vol. 23, no. 1, pp. 177-190, jul. 2016, doi: 10.1111/gcb.13388.
[51] UNESCO, Enfoques estratégicos sobre las TIC en educación en América Latina y el Caribe. Santiago, Chile:
OREALC/UNESCO Santiago, 2013. [En línea]. Disponible en:
https://unesdoc.unesco.org/ark:/48223/pf0000223251
[52] C. Oberli, J. Gironas, C. Escauriaza, y R. Cienfuegos, Sistemas de monitoreo y alerta temprana (SMAT), un
elemento esencial en la gestión de desastres de origen hidrometeorológico, Serie Policy Papers CIGIDEN.
Santiago, Chile: CIGIDEN, 2021. [En línea]. Disponible en: https://www.cigiden.cl/wp-
content/uploads/2021/04/PP_SMAT_v06-con-ISBN-DIGITAL.pdf.