Estimación de flujos de CO2 a través de diferentes biomas utilizando enfoques de aprendizaje automático

Cuantificar los flujos de CO2 sobre la tierra terrestre es crucial para comprender mejor el ciclo global del carbono y la contribución de los ecosistemas al cambio climático. Además, ecosistemas como tierras de cultivo y bosques tienen el potencial de secuestrar carbono en el suelo y la vegetación. Se necesitan herramientas robustas para simular flujos de CO2 con alta precisión para identificar las mejores prácticas y la gestión del secuestro de carbono. En este estudio, el Intercambio Neto de Ecosistemas (INE) de diferentes redes (ICOS, NEON) se utiliza para desarrollar enfoques de aprendizaje automático (ML) para simular flujos diarios de CO2. Estos enfoques específicos de biomas utilizan como entrada productos de teledetección óptica de alta resolución espacial y temporal combinados con datos meteorológicos. Los biomas considerados son tierras de cultivo, bosques caducifolios, bosques perennes y pastizales. Se probaron diferentes modelos de ML y el modelo ExtraTreesRegression parece ser el más adecuado para todos los biomas excepto los pastizales, donde un modelo SVR fue más apropiado. Las características identificadas como más importantes entre los productos de teledetección son el NDVI y el NDMI, mientras que entre las variables meteorológicas, la radiación global, la temperatura del aire y la fracción de radiación difusa aparecen como más relevantes. Los resultados predichos muestran buena concordancia con las observaciones diarias, con un R2 de 0.82 en tierras de cultivo. El rendimiento del modelo al simular flujos de CO2 sobre bosques es más contrastado con buena precisión sobre bosques caducifolios (R2 de 0.72) pero baja confianza sobre bosques perennes (R2 de 0.29). Finalmente, el modelo también se aplicó a pastizales, pero el pequeño tamaño del conjunto de datos combinado con la alta heterogeneidad de las condiciones de suelo y climáticas de los sitios de pastizales condujo a una baja correlación con las observaciones (R2 de 0.44). Este trabajo demuestra el potencial de un método basado en aprendizaje automático para evaluar flujos de CO2 a través de diferentes biomas, y debe ser explorado más a fondo debido a su facilidad de uso y aplicación.