Nuevos Métodos para Estimar el Almacenamiento de Carbono en los Bosques
Una mirada a las técnicas mejoradas para medir el carbono en los bosques de EE. UU.
― 8 minilectura
Tabla de contenidos
- ¿Qué es la Biomasa Aérea?
- El Inventario Nacional de Bosques (NFI)
- El Método Antiguo: Método de Relación de Componentes (CRM)
- El Nuevo Método: Estimadores de Volumen y Biomasa a Escala Nacional (NSVB)
- Importancia de Datos Precisos sobre el Carbono en los Bosques
- Diferencias entre CRM y NSVB
- Preocupaciones sobre la Transferibilidad de Datos
- Área de Estudio: Estado de Nueva York
- Metodología: Cómo se Recopilaron y Analizaron los Datos
- Recolección de Datos
- Análisis de Datos
- Resultados: Comparando Estimaciones de Biomasa
- Rendimiento del Modelo
- Diferencias en el Mapeo
- Implicaciones para la Gestión Forestal
- La Necesidad de Ajustes en Estudios Futuros
- Conclusión
- Fuente original
- Enlaces de referencia
Los bosques juegan un papel clave en almacenar carbono, lo cual es importante para el medio ambiente y ayuda a combatir el cambio climático. En EE. UU., hay programas para medir cuánto carbono se almacena en los bosques, especialmente a través de un sistema llamado el Inventario Nacional de Bosques (NFI). Este sistema ha introducido recientemente métodos nuevos para obtener estimaciones más precisas del carbono en los bosques, particularmente de la biomasa aérea (AGB), que se refiere a la masa total de los árboles vivos por encima del suelo.
¿Qué es la Biomasa Aérea?
La biomasa aérea es la masa total de vegetación en un bosque que está por encima del suelo. Incluye troncos, ramas y hojas, pero no incluye las raíces. Saber cuánto hay de biomasa en un bosque nos ayuda a entender cuánto carbono se almacena allí. Los árboles absorben dióxido de carbono del aire durante la fotosíntesis y lo almacenan en sus tejidos. Por lo tanto, más biomasa normalmente significa más carbono almacenado.
El Inventario Nacional de Bosques (NFI)
El NFI es un programa nacional diseñado para recopilar datos sobre árboles y bosques en todo Estados Unidos. Involucra tomar medidas de millones de árboles en miles de lugares. Estos datos se utilizan para proporcionar estimaciones de biomasa forestal y reservas de carbono en diferentes niveles, desde local hasta nacional. Aunque este método proporciona datos fiables, a menudo agrega información a un nivel relativamente grueso, lo que significa que puede perderse características más pequeñas del bosque.
CRM)
El Método Antiguo: Método de Relación de Componentes (Históricamente, el NFI utilizaba un método llamado Método de Relación de Componentes (CRM) para estimar la biomasa. Este método usa medidas del diámetro y la altura de los árboles para crear modelos que estiman la cantidad de biomasa para diferentes tipos de árboles. Sin embargo, este enfoque tiene limitaciones. Por ejemplo, puede no representar de manera efectiva las partes de los árboles que no producen madera comercializable, como ramas o hojas.
El Nuevo Método: Estimadores de Volumen y Biomasa a Escala Nacional (NSVB)
A finales de 2023, el NFI introdujo un nuevo sistema llamado Estimadores de Volumen y Biomasa a Escala Nacional (NSVB) para reemplazar al CRM. Este nuevo método busca proporcionar estimaciones más precisas de la biomasa forestal y el carbono. Datos preliminares sugieren que las estimaciones de NSVB son aproximadamente un 14.6% más altas a nivel nacional que las producidas por el método CRM. Este ajuste puede variar significativamente según la región.
Importancia de Datos Precisos sobre el Carbono en los Bosques
Los datos precisos sobre el carbono en los bosques son cruciales para tomar decisiones informadas sobre la gestión y conservación de los bosques. A medida que los bosques son cada vez más reconocidos por su papel en mitigar el cambio climático, entender cuánto carbono almacenan se vuelve esencial para la gestión de recursos, decisiones políticas y protección ambiental.
Diferencias entre CRM y NSVB
Aunque ambos métodos buscan estimar la biomasa forestal, la forma en que lo hacen difiere significativamente. El CRM a menudo se centra en las partes de los árboles comercializables, mientras que el NSVB intenta proporcionar una visión más completa de la biomasa, incluyendo partes no comercializables. Esto significa que para ciertos tipos de bosques, particularmente aquellos con doseles densos o composiciones de especies específicas, el NSVB puede ofrecer una mejor representación de las reservas de carbono del bosque.
Preocupaciones sobre la Transferibilidad de Datos
A medida que los métodos pasan del CRM al NSVB, hay preocupación sobre cuán bien se compararán las estimaciones anteriores basadas en CRM con los nuevos datos de NSVB. Los mapas y modelos existentes que dependían de CRM pueden no ser directamente compatibles con el nuevo sistema. Esto plantea preguntas sobre cómo ajustar o reinterpretar los datos pasados para que se ajusten al nuevo modelo.
Área de Estudio: Estado de Nueva York
El estado de Nueva York es un ejemplo perfecto de dónde se están probando estos métodos. Cubriendo una amplia gama de tipos de bosques, el estado ofrece un paisaje rico para entender la estimación de biomasa y el almacenamiento de carbono. El uso histórico de la tierra ha cambiado drásticamente el paisaje, y muchos bosques ahora tienen más de 100 años. Esta historia compleja puede afectar cómo ciertas especies crecen y almacenan carbono.
Metodología: Cómo se Recopilaron y Analizaron los Datos
Para comparar los métodos viejo y nuevo, los investigadores llevaron a cabo un estudio detallado de la biomasa aérea en Nueva York. Tomaron medidas de parcelas de Análisis de Inventario Forestal (FIA), que son pequeñas áreas circulares donde se cuentan y miden los árboles. Estas parcelas permiten la recolección de datos detallados sobre el tamaño y tipo de los árboles.
Recolección de Datos
Los investigadores filtraron los datos de FIA para asegurarse de que solo incluyeran parcelas completamente medidas. Este filtrado les permitió tener un conjunto de datos completo para el análisis. Luego utilizaron datos de teledetección, específicamente imágenes de Landsat, para recopilar información adicional sobre la biomasa en toda la región.
Análisis de Datos
Con los métodos de datos antiguos y nuevos, crearon mapas de biomasa aérea para dos años: 2005 y 2019. Esto les permitió evaluar cómo cambió la biomasa forestal con el tiempo. Además de comparar las estimaciones de biomasa, examinaron qué tan bien cada modelo se desempeñó en comparación con las mediciones reales de las parcelas de FIA.
Resultados: Comparando Estimaciones de Biomasa
Los resultados indicaron que el método NSVB generalmente proporcionó estimaciones mayores de biomasa que el método CRM, particularmente en áreas con especies de árboles específicas. Por ejemplo, los árboles que crecen más anchos y densos podrían ver aumentar significativamente sus estimaciones de biomasa al cambiar de CRM a NSVB.
Rendimiento del Modelo
Al comparar el rendimiento de los modelos entrenados con datos de NSVB frente a los que usaron datos de CRM, los resultados mostraron que ambos modelos tenían sus fortalezas y debilidades. Mientras que el modelo NSVB tuvo un mejor rendimiento general en estimar la biomasa, tuvo dificultades en áreas con cobertura de dosel densa.
Diferencias en el Mapeo
Los investigadores observaron de cerca cómo se comparaban estos mapas de biomasa. Encontraron diferencias sistemáticas entre los mapas producidos por los métodos antiguos y nuevos. Específicamente, las áreas con las mayores diferencias en la biomasa estimada tendían a ser aquellas con bosques densos o maduros. Estas discrepancias podrían causar confusión al interpretar el almacenamiento de carbono a través de los paisajes.
Implicaciones para la Gestión Forestal
Los resultados de este estudio tienen implicaciones importantes para cómo se gestionan y evalúan los bosques. A medida que aumenta la necesidad de datos precisos sobre carbono, poder confiar en modelos más precisos ayudará a informar diversas decisiones relacionadas con la conservación y el cuidado. Esto es especialmente cierto mientras buscamos mejorar la resiliencia de los bosques contra el cambio climático.
La Necesidad de Ajustes en Estudios Futuros
A medida que la estimación de carbono en los bosques avanza, es crucial integrar el nuevo sistema NSVB en los esfuerzos de monitoreo y evaluación en curso. Los mapas existentes basados en el método antiguo pueden requerir re-evaluación o ajuste para alinearse con los hallazgos actualizados. Tecnologías de teledetección activas, como LiDAR, también pueden ser necesarias para mejorar la precisión de modelado en futuros estudios.
Conclusión
La transición del Método de Relación de Componentes al Sistema de Estimadores de Volumen y Biomasa a Escala Nacional representa un gran avance en la estimación de la biomasa forestal y las reservas de carbono. A medida que mejora la comprensión de la dinámica del carbono en los bosques, también lo harán las herramientas y métodos utilizados para evaluar y gestionar estos ecosistemas críticos. Asegurar datos precisos y fiables sobre el almacenamiento de carbono en los bosques es esencial para informar la toma de decisiones y promover esfuerzos de conservación efectivos en todo Estados Unidos. A medida que este campo de investigación sigue evolucionando, los estudios en curso serán fundamentales para refinar enfoques y mejorar nuestra comprensión de los ecosistemas forestales y su papel en la lucha contra el cambio climático.
Título: New allometric models for the USA create a step-change in forest carbon estimation, modeling, and mapping
Resumen: The United States national forest inventory (NFI) serves as the foundation for forest aboveground biomass (AGB) and carbon accounting across the nation. These data enable design-based estimates of forest carbon stocks and stock-changes at state and regional levels, but also serve as inputs to model-based approaches for characterizing forest carbon stocks and stock-changes at finer resolutions. Although NFI tree and plot-level data are often treated as truth in these models, they are in fact estimates based on regional species-group models known collectively as the Component Ratio Method (CRM). In late 2023 the Forest Inventory and Analysis (FIA) program introduced a new National Scale Volume and Biomass Estimators (NSVB) system to replace CRM nationwide and offer more precise and accurate representations of forest AGB and carbon. Given the prevalence of model-based AGB studies relying on FIA, there is concern about the transferability of methods from CRM to NSVB models, as well as the comparability of existing CRM AGB products (e.g. maps) to new and forthcoming NSVB AGB products. To begin addressing these concerns we compared previously published CRM AGB maps to new maps produced using identical methods with NSVB AGB reference data. Our results suggest that models relying on passive satellite imagery (e.g. Landsat) provide acceptable estimates of point-in-time NSVB AGB and carbon stocks, but fail to accurately quantify growth in mature closed-canopy forests. We highlight that existing estimates, models, and maps based on FIA reference data are no longer compatible with NSVB, and recommend new methods as well as updated models and maps for accommodating this step-change. Our collective ability to adopt NSVB in our modeling and mapping workflows will help us provide the most accurate spatial forest carbon data possible in order to better inform local management and decision making.
Autores: Lucas K. Johnson, Michael J. Mahoney, Grant Domke, Colin M. Beier
Última actualización: 2024-05-07 00:00:00
Idioma: English
Fuente URL: https://arxiv.org/abs/2405.04507
Fuente PDF: https://arxiv.org/pdf/2405.04507
Licencia: https://creativecommons.org/licenses/by/4.0/
Cambios: Este resumen se ha elaborado con la ayuda de AI y puede contener imprecisiones. Para obtener información precisa, consulte los documentos originales enlazados aquí.
Gracias a arxiv por el uso de su interoperabilidad de acceso abierto.
Enlaces de referencia
- https://doi.org/10.3390/rs13245113
- https://CRAN.R-project.org/package=exactextractr
- https://doi.org/10.2737/SRS-GTR-80
- https://doi.org/10.1080/02626667909491834
- https://doi.org/10.1023/a:1010933404324
- https://doi.org/10.1016/j.rse.2019.111356
- https://doi.org/10.1007/s11842-010-9135-x
- https://doi.org/10.1080/07038992.1996.10855178
- https://doi.org/10.1071/WF04010
- https://doi.org/10.1007/bf00994018
- https://doi.org/10.1080/07038992.2017.1259556
- https://doi.org/10.1002/ecm.1309
- https://doi.org/10.1016/s0167-9473
- https://doi.org/10.1016/j.srs.2020.100002
- https://doi.org/10.5589/m10-037
- https://doi.org/10.1641/0006-3568
- https://doi.org/10.1038/climate.2007.58
- https://doi.org/10.7809/b-e.00079
- https://doi.org/10.1016/j.foreco.2006.01.014
- https://rspatial.org/
- https://doi.org/10.1088/1748-9326/ab2917
- https://doi.org/10.1088/1748-9326/ab93f9
- https://doi.org/10.14358/pers.72.7.823
- https://doi.org/10.1016/j.jag.2022.103059
- https://doi.org/10.1016/j.foreco.2023.121348
- https://doi.org/10.2307/1936256
- https://doi.org/10.1002/2688-8319.12090
- https://doi.org/10.18637/jss.v011.i09
- https://proceedings.neurips.cc/paper/2017/file/6449f44a102fde848669bdd9eb6b76fa-Paper.pdf
- https://doi.org/10.1088/1748-9326/aa9d9e
- https://doi.org/10.1016/j.rse.2010.07.008
- https://doi.org/10.3390/rs10050691
- https://www.jstor.org/stable/3784167
- https://doi.org/10.1080/01431160500142145
- https://doi.org/10.1080/01431160500486732
- https://doi.org/10.48550/arXiv.2303.11312
- https://doi.org/10.21105/joss.04060
- https://doi.org/10.1080/01431161.2022.2155086
- https://doi.org/10.2307/2280095
- https://doi.org/10.1016/j.rse.2010.10.013
- https://doi.org/10.5194/isprs-archives-xlviii-4-w1-2022-301-2022
- https://www.ncdc.noaa.gov/cag/
- https://doi.org/10.1007/s00267-014-0364-1
- https://doi.org/10.1016/j.rse.2011.09.025
- https://doi.org/10.1016/j.rse.2009.12.018
- https://prism.oregonstate.edu
- https://www.fia.fs.usda.gov/library/database-documentation/current/ver80/FIADB
- https://doi.org/10.1016/j.rse.2019.03.032
- https://www.R-project.org/
- https://doi.org/10.2737/nrs-rmap-5
- https://doi.org/10.1016/j.rse.2010.05.010
- https://doi.org/10.1016/j.rse.2015.12.024
- https://github.com/Microsoft/LightGBM
- https://doi.org/10.1029/2011jg001708
- https://doi.org/10.1016/j.rse.2019.05.018
- https://www.usgs.gov/the-national-map-data-delivery
- https://www.census.gov/geographies/mapping-files/time-series/geo/tiger-line-file.html
- https://doi.org/10.3133/fs20183049
- https://charcoal2.cnre.vt.edu/nsvb_factsheets/Reports/State/Indiana.html
- https://charcoal2.cnre.vt.edu/nsvb_factsheets/Reports/State/New
- https://charcoal2.cnre.vt.edu/nsvb_factsheets/Reports/State/Washington.html
- https://CRAN.R-project.org/package=tigris
- https://doi.org/10.2737/wo-gtr-104
- https://doi.org/10.1002/joc.2419
- https://doi.org/10.1016/j.foreco.2012.02.002
- https://doi.org/10.2737/rds-2013-0013
- https://doi.org/10.1016/s0893-6080
- https://doi.org/10.1093/forestry/cpr065
- https://doi.org/10.2737/nrs-gtr-88
- https://doi.org/10.18637/jss.v077.i01
- https://doi.org/10.1093/forestry/cpm015
- https://doi.org/10.1016/j.rse.2014.01.011