Las tierras forestales gestionadas son contribuyentes clave a la evaluación del balance de carbono necesaria para los inventarios de gases de efecto invernadero a nivel local, regional, nacional y global. Sin embargo, las tierras forestales, debido a su tamaño y complejidad, representan un desafío para el monitoreo detallado espacialmente explícito y, por lo tanto, la evaluación confiable y automática de los cambios espacio-temporales de las existencias de carbono es limitada. Este estudio presenta una metodología efectiva para estimar características clave de la estructura forestal relevantes para el potencial de secuestro combinando datos de inventarios a nivel de manejo con covariables de teledetección. Se centra principalmente en una canalización de aprendizaje automático (ML) que integra una etapa de cuantificación de incertidumbre para apoyar la toma de decisiones confiables y el análisis ambiental. Evaluamos tres algoritmos - Random Forest (RF), Extreme Gradient Boosting (XGBoost) y TabNet – aplicados a mediciones satelitales multiespectrales. Se realizaron predicciones a nivel de parcela de inventario, abordando tareas de clasificación para especies dominantes y grupos etarios, y tareas de regresión para existencias madereras, altura de la parcela y área basal promedio. La existencia de carbono forestal también se derivó como variable objetivo. XGBoost logró el mejor rendimiento general en todas las tareas. Para regresión, alcanzó un error porcentual absoluto medio (MAPE) de 0.18 para altura; 0.24 para área basal; 0.47 para existencias madereras y 0.37 para existencias de carbono. El coeficiente de determinación (R²) fue de 0.68 en todas las tareas de regresión. Para clasificación, XGBoost logró una puntuación F1 promedio de 0.70 para predicción por grupo etario y 0.83 para predicción de especie dominante. Para abordar la naturaleza 'caja negra' de los modelos de aprendizaje automático y mejorar la interpretabilidad, incorporamos un refinamiento de la predicción conformal para cuantificar la incertidumbre predictiva con un nivel nominal de cobertura del 90%. Como resultado, se desarrolló una herramienta de mapeo geoespacial que permite la generación de atributos forestales a nivel de parcela con una resolución espacial de 10 m, junto con estimaciones de incertidumbre correspondientes, apoyando una gestión forestal más informada y la contabilización de carbono.
Tasuev et al. (miércoles,) estudiaron esta cuestión.