Modelación del crecimiento de bosques: estado del arte

Inglés. Forest growth models are key tools for both managing and understanding forest dynamics. These models have evolved from yield tables to models that simulate ecological and physiological processes. Because several approaches exist for modelling forest growth, understanding their strengths and weaknesses is complex. Here, we present a review of forest growth modelling and focus on the most common types of models: growth and yield, succession, process-based, and hybrid. These models might or might not include stochastic components. Worldwide there is a trend towards building hybrid models, because they are best suited to represent the effect of climate change on tree growth. However, empirical evidence has not shown major differences in predictions between hybrid and simpler growth models. Finally, we emphasize that none type of growth model is demonstrably better than others and that each is used to answer a great variety of research and management questions.

Español; castellano. Los modelos de crecimiento de bosques son herramientas claves para el manejo y la comprensión de la dinámica de los bosques. Estos modelos han evolucionado en complejidad desde las tablas de rendimiento a modelos que simulan procesos fisiológicos y ecológicos. Dada la actual multiplicidad de aproximaciones para modelar el crecimiento de los bosques, es difícil entender sus diferencias, fortalezas y debilidades. En este artículo se presenta una revisión del estado del conocimiento sobre modelos de crecimiento de bosques considerando los siguientes tipos de modelos: crecimiento y rendimiento, sucesión, basados en procesos, e híbridos. Además, se hace énfasis en que los modelos anteriores pueden, o no, incluir componentes estocásticos. A nivel mundial existe una tendencia hacia construir modelos híbridos por sus bondades al poder representar más naturalmente el efecto del cambio climático en el crecimiento de los árboles, sin embargo, la evidencia empírica no ha demostrado mayores diferencias predictivas con modelos más simples. Finalmente, se enfatiza que no existen tipos de modelos mejores que otros, sino que cada cual se emplea para responder diversas preguntas de investigación o de manejo.