Avances en el Mapeo de Biomasa Forestal

Los bosques son vitales para el medio ambiente. Ayudan a almacenar carbono, que es importante para luchar contra el cambio climático. Para manejar bien los bosques, necesitamos datos precisos sobre la cantidad de biomasa, especialmente la biomasa aérea (AGB), que se refiere a la masa total de los árboles vivos, ramas y hojas por encima del suelo. Los métodos tradicionales para medir la biomasa requieren mucho tiempo y esfuerzo, lo que los hace difíciles de usar a gran escala. La teledetección, que usa tecnología para recopilar información desde lejos, se ha vuelto una forma popular de estimar la AGB de los bosques en áreas grandes más rápido y de manera más eficiente.

#El papel de la teledetección

La teledetección involucra diferentes tipos de tecnología que pueden ver y medir los árboles desde el cielo. Esto incluye datos ópticos, Radar de Apertura Sintética (SAR) y Detección y Rango por Luz (LiDAR). Cada tipo tiene sus fortalezas y debilidades:

• Datos ópticos: Capturan la luz reflejada de los árboles, permitiéndonos ver detalles como la cobertura arbórea. Sin embargo, puede tener problemas para ver a través de nubes y no es tan efectivo en copas de árboles densas.

• SAR: Esta tecnología envía sus propias señales de radar para medir el bosque. Puede penetrar las nubes y funcionar de día o de noche, lo que lo hace confiable para la recolección de datos. Sin embargo, también tiene límites y puede verse afectada por el tipo de estructura del bosque.

• LiDAR: Usa luz láser para medir la altura de los árboles y la estructura de la copa. Proporciona información tridimensional detallada sobre los bosques y minimiza problemas de saturación, pero también puede estar limitado por condiciones atmosféricas como nubes.

#Nuevas avances en teledetección

Una nueva herramienta llamada Investigación de Dinámicas de Ecosistemas Globales (GEDI) está cambiando la forma en que recopilamos datos sobre la biomasa forestal. GEDI utiliza un sensor LiDAR para proporcionar mediciones de alta resolución, especialmente en bosques densos donde otros métodos a menudo fallan. Sin embargo, los datos de GEDI se recogen en áreas pequeñas, lo que significa que necesitamos combinarlos con datos de otras fuentes para crear un mapa completo de la AGB del bosque.

En este estudio, nuestro objetivo fue desarrollar métodos para crear mapas precisos de AGB utilizando datos de GEDI y otras fuentes de teledetección. Al usar datos locales, esperamos mejorar las estimaciones de la AGB del bosque en diferentes regiones de China, específicamente en áreas del noreste y suroeste.

#Áreas de estudio

La investigación se llevó a cabo en dos regiones de China: una en el noreste, principalmente en las provincias de Jilin y Heilongjiang, y la otra en el suroeste, principalmente en la provincia de Yunnan. Estas regiones tienen diferentes tipos de bosques, climas y terrenos, lo que ofrece una gran oportunidad para probar los métodos que desarrollamos para estimar la AGB.

#Región noreste

La región noreste tiene un clima templado, con inviernos fríos y veranos cálidos. Los bosques de esta área están compuestos principalmente de pino coreano y diversas especies de árboles de hoja caduca. A lo largo de los años, algunos de los bosques primarios se han perdido debido a la tala, lo que ha llevado a una mezcla de bosques secundarios y plantaciones.

#Región suroeste

En contraste, la región suroeste es mucho más montañosa, con una diversa gama de tipos de bosques. Esta área experimenta un clima subtropical, con temperaturas más altas y abundante lluvia. Las diferentes elevaciones crean una rica diversidad de bosques, incluyendo bosques de hojas aciculares y bosques de hojas anchas.

#Recolección de datos en el campo

Para mejorar nuestra comprensión de la AGB en estas regiones, establecimos parcelas de campo donde medimos los árboles. Recopilamos datos sobre la altura y el diámetro de los árboles, que usamos para calcular la AGB utilizando ecuaciones específicas. Esta información es crucial porque nos permite correlacionar las mediciones del campo con los datos capturados por tecnologías de teledetección.

#Combinando fuentes de datos

En nuestro enfoque, combinamos datos de GEDI, Sentinel-1 (SAR), Sentinel-2 (óptico) y ALOS-2 (SAR de banda L) para estimar la AGB del bosque. Al usar modelos de aprendizaje automático locales, buscamos generar mapas de AGB de alta resolución con un tamaño de píxel de 25 metros.

#Desarrollo del modelo

Utilizando los datos recopilados de ambas regiones, desarrollamos dos modelos de aprendizaje automático: LightGBM y Random Forest. LightGBM es conocido por su eficiencia y velocidad, mientras que Random Forest se usa a menudo por su precisión en análisis predictivo. Probamos ambos modelos para ver qué tan bien podían predecir la AGB basada en los datos de teledetección.

#Resultados del estudio

De nuestro análisis, encontramos que LightGBM tuvo un desempeño ligeramente mejor que el modelo de Random Forest en la estimación de AGB en ambas regiones. En la región noreste, ambos modelos mostraron una fuerte correlación con los datos de campo, mientras que la región suroeste presentó un poco más de variabilidad debido a su terreno montañoso.

#Métricas de rendimiento

Ambos modelos produjeron resultados similares, pero LightGBM fue más rápido, reduciendo significativamente el tiempo de cálculo. Durante la validación cruzada, LightGBM logró márgenes de error más bajos y produjo mapas más confiables que Random Forest, especialmente en áreas con pendientes pronunciadas.

#Impacto del terreno

El terreno jugó un papel significativo en nuestros resultados. A medida que aumentaba la inclinación del terreno, notamos que la precisión de las estimaciones de AGB disminuía. En la región noreste, los modelos funcionaron bien en áreas planas, pero mostraron dificultades en regiones empinadas. Lo opuesto fue cierto para la región suroeste, donde las pendientes empinadas dificultaron significativamente las mediciones.

#Incertidumbre en las estimaciones

También creamos mapas de incertidumbre para mostrar la confiabilidad de nuestras estimaciones de AGB. La incertidumbre fue relativamente baja en ambas regiones, lo que indica que nuestros métodos produjeron mapas confiables en general. LightGBM mostró una variabilidad ligeramente mayor en sus estimaciones, sugiriendo que podría responder más rápidamente a cambios en los datos.

#Aplicación más allá de las áreas de estudio

Probamos nuestros modelos en regiones cercanas pero diferentes, aplicando los mismos métodos para evaluar su escalabilidad. Nuestros resultados fueron alentadores. LightGBM y Random Forest mantuvieron una buena precisión, confirmando que nuestro enfoque podría funcionar en diferentes tipos de bosques y condiciones.

#Conclusión

Este estudio destaca la efectividad de combinar datos de teledetección con mediciones locales de campo para crear mapas precisos de AGB. LightGBM, en particular, demostró ser una herramienta fuerte para este propósito, proporcionando resultados rápidos y fiables.

Nuestra investigación ofrece valiosos conocimientos sobre la cartografía de biomasa forestal en China, allanando el camino para mejores prácticas de gestión forestal y una mayor comprensión del almacenamiento de carbono. A medida que la tecnología sigue mejorando y más datos se vuelven disponibles, anticipamos avances aún mayores en el monitoreo y la gestión efectiva de los recursos forestales.

#Direcciones futuras

De cara al futuro, será crucial realizar más estudios enfocados en mejorar la recolección de datos, especialmente en terrenos desafiantes. También exploraremos formas de integrar fuentes de datos más diversas y modelos de aprendizaje automático para refinar nuestras estimaciones. Esta investigación continua es esencial mientras trabajamos para abordar los desafíos urgentes que plantea el cambio climático y su impacto en los ecosistemas forestales a nivel global.