Modelando la Biomasa de Humedales y el Carbono Aéreo: Influencia del Tamaño de la Parcela y el Tratamiento de Datos Usando Teledetección y Bosques Aleatorios
Autores: Belloli, Tássia Fraga; de Arruda, Diniz Carvalho; Guasselli, Laurindo Antonio; Cunha, Christhian Santana; Korb, Carina Cristiane
Idioma: Inglés
Editor: MDPI
Año: 2025
Acceso abierto
Artículo científico
Categoría
Ciencias Medioambientales
Subcategoría
Ciencias medioambientales generales
Palabras clave
Humedales
Sumideros de carbono
Teledetección
Aprendizaje automático
Biomasa
Variables espectrales
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 5
Citaciones: Sin citaciones
Los humedales son sumideros de carbono esenciales en el ecosistema global, absorbiendo CO2 en su biomasa y suelos y mitigando el calentamiento global. La estimación precisa de la biomasa aérea (AGB) y el carbono orgánico (Corg) es crucial para la investigación sobre los sumideros de carbono en humedales. Los datos de teledetección (RS) estiman y mapean efectivamente AGB y Corg en humedales utilizando diversas técnicas, pero aún hay margen para mejorar la eficiencia de los enfoques basados en aprendizaje automático (ML). Este estudio examinó cómo diferentes tratamientos de datos de muestra y tamaños de parcelas impactan el rendimiento de un modelo de bosque aleatorio basado en RS para la predicción de AGB y Corg. El modelo fue entrenado con muestras de vegetación emergente recolectadas en un humedal palustre en el sur de Brasil y variables espectrales (bandas individuales e índices de vegetación-VIs) de imágenes ópticas de resolución media y alta de Sentinel-2 y PlanetScope, respectivamente. Los tratamientos involucraron valores de AGB y Corg dimensionados para tres tamaños de parcela diferentes (G1) y los mismos sujetos a transformación logarítmica natural normalizada-NL (G2). Por lo tanto, se crearon seis modelos de AGB y Corg para cada sensor. Se compararon el rendimiento de los modelos y sensores y la importancia de las variables espectrales. En nuestros resultados, los modelos RF de datos de muestra NL demostraron ser más precisos. Las parcelas más grandes produjeron errores de predicción más pequeños con los modelos S2, indicando la influencia del tamaño de la parcela en la fiabilidad de la estimación. S2 superó a PS en la predicción de AGB/Corg, respectivamente-S2 (R2 0.87; 0.89, RMSE OOB: entre 19.7% y 22.7%); PS (R2 0.86; 0.86, RMSE OOB: entre 21% y 35.9%)-pero PS fue superior en el mapeo de la variabilidad espacial. El VI CO2Flux y las bandas SWIR, azul, verde y RE 6 y 7 de S2 fueron más importantes para la predicción de AGB/Corg. La contribución de este estudio es el hallazgo de que, además de optimizar los parámetros del modelo RF, optimizar el conjunto de datos de AGB y Corg recolectados en el campo, es decir, evaluar la normalización y los tamaños de las parcelas, es crucial para obtener estimaciones más precisas con modelos basados en RS y ML. Este enfoque mejora la estimación del stock de AGB/Corg en humedales, y los predictores destacados pueden actuar como indicadores espectrales de estas funciones ecológicas. Estos resultados tienen el potencial de guiar la estandarización en la recolección y procesamiento de datos de entrada para modelos predictivos de AGB/Corg en humedales, con el objetivo de garantizar predicciones consistentes en inventarios y monitoreo.
Descripción
Los humedales son sumideros de carbono esenciales en el ecosistema global, absorbiendo CO2 en su biomasa y suelos y mitigando el calentamiento global. La estimación precisa de la biomasa aérea (AGB) y el carbono orgánico (Corg) es crucial para la investigación sobre los sumideros de carbono en humedales. Los datos de teledetección (RS) estiman y mapean efectivamente AGB y Corg en humedales utilizando diversas técnicas, pero aún hay margen para mejorar la eficiencia de los enfoques basados en aprendizaje automático (ML). Este estudio examinó cómo diferentes tratamientos de datos de muestra y tamaños de parcelas impactan el rendimiento de un modelo de bosque aleatorio basado en RS para la predicción de AGB y Corg. El modelo fue entrenado con muestras de vegetación emergente recolectadas en un humedal palustre en el sur de Brasil y variables espectrales (bandas individuales e índices de vegetación-VIs) de imágenes ópticas de resolución media y alta de Sentinel-2 y PlanetScope, respectivamente. Los tratamientos involucraron valores de AGB y Corg dimensionados para tres tamaños de parcela diferentes (G1) y los mismos sujetos a transformación logarítmica natural normalizada-NL (G2). Por lo tanto, se crearon seis modelos de AGB y Corg para cada sensor. Se compararon el rendimiento de los modelos y sensores y la importancia de las variables espectrales. En nuestros resultados, los modelos RF de datos de muestra NL demostraron ser más precisos. Las parcelas más grandes produjeron errores de predicción más pequeños con los modelos S2, indicando la influencia del tamaño de la parcela en la fiabilidad de la estimación. S2 superó a PS en la predicción de AGB/Corg, respectivamente-S2 (R2 0.87; 0.89, RMSE OOB: entre 19.7% y 22.7%); PS (R2 0.86; 0.86, RMSE OOB: entre 21% y 35.9%)-pero PS fue superior en el mapeo de la variabilidad espacial. El VI CO2Flux y las bandas SWIR, azul, verde y RE 6 y 7 de S2 fueron más importantes para la predicción de AGB/Corg. La contribución de este estudio es el hallazgo de que, además de optimizar los parámetros del modelo RF, optimizar el conjunto de datos de AGB y Corg recolectados en el campo, es decir, evaluar la normalización y los tamaños de las parcelas, es crucial para obtener estimaciones más precisas con modelos basados en RS y ML. Este enfoque mejora la estimación del stock de AGB/Corg en humedales, y los predictores destacados pueden actuar como indicadores espectrales de estas funciones ecológicas. Estos resultados tienen el potencial de guiar la estandarización en la recolección y procesamiento de datos de entrada para modelos predictivos de AGB/Corg en humedales, con el objetivo de garantizar predicciones consistentes en inventarios y monitoreo.