Estimación de Carbono en Bosques Mediante Teledetección Basada en Algoritmos de Aprendizaje Automático

Mejorar la precisión de la estimación por teledetección e implementar la fusión y análisis de datos de múltiples fuentes son cruciales para estimar con precisión el almacenamiento de carbono en la parte aérea de los bosques. Utilizando la plataforma Google Earth Engine (GEE) junto con datos de inventario de recursos forestales nacionales e imágenes de teledetección multiespectral de Landsat 8, esta investigación aplica cuatro algoritmos de aprendizaje automático disponibles en la plataforma GEE: Random Forest (RF), Árboles de Clasificación y Regresión (CART), Árboles de Aumento de Gradiente (GBT) y Máquina de Vectores de Soporte (SVM). Usando estos algoritmos, toda la provincia de Yunnan se clasifica en siete categorías, incluyendo bosque de hojas anchas, bosque de coníferas, bosque mixto de hojas anchas y coníferas, cuerpos de agua, áreas urbanizadas, tierras cultivadas y otros tipos. Después de una comparación exhaustiva, la investigación revela que el algoritmo RF supera a los demás en términos de precisión y fiabilidad, lo que lo convierte en la opción más adecuada para estimar el almacenamiento de carbono en la parte aérea de los bosques utilizando datos de teledetección. Por lo tanto, el estudio utilizó el algoritmo RF tanto para la clasificación forestal como para la estimación del almacenamiento de carbono. Al extraer factores de teledetección; al utilizar el coeficiente de correlación de Pearson para seleccionar los factores más relevantes; y al utilizar regresión lineal múltiple, regresión RF y regresión de árbol de decisión, se desarrolló un modelo para estimar los stocks de carbono en la parte aérea de los bosques. Los resultados indican que entre los cuatro algoritmos de clasificación, el clasificador RF demuestra un rendimiento superior, con una precisión general del 84.96% y un coeficiente Kappa de 76.46%. En los modelos de regresión RF, los valores R2 para los modelos de bosque de coníferas, bosque de hojas anchas y bosque mixto de agujas y hojas anchas son 0.636, 0.663 y 0.638, respectivamente. En ambos, RF y CART, los valores R2 para los tres modelos de tipo de bosque son superiores a 0.6, indicando un rendimiento de ajuste del modelo satisfactorio. Este estudio tiene como objetivo explorar la posibilidad de mejorar la estimación de los stocks de carbono en los bosques en áreas a gran escala a través de una clasificación detallada del uso de la tierra. Además, las fuentes de datos utilizadas son completamente gratuitas, y la resolución media a baja puede proporcionar un mejor valor de referencia para aplicaciones prácticas, reduciendo así el costo de utilización.