Un nuevo modelo para la estimación de la biomasa viva y el carbono almacenado en los bosques de manglar usando sensoramiento remoto y aprendizaje de máquina: caso de estudio Tumaco-Nariño
Archivos
Autores
Lozano Arias, Laura
Director
Selvaraj, John Josephraj
Gallego Pérez, Bryan Ernesto
Tipo de contenido
Trabajo de grado - Maestría
Idioma del documento
EspañolFecha de publicación
2023-12-01
Título de la revista
ISSN de la revista
Título del volumen
Documentos PDF
Resumen
Los manglares desempeñan un papel crucial en la mitigación del cambio climático al
absorber y retener hasta cinco veces más carbono que otros bosques. Es importante
determinar la biomasa viva y el carbono almacenado en estos ecosistemas para
proporcionar una base sólida en la planificación y gestión gubernamental. Este estudio
presenta un enfoque innovador ya que utiliza herramientas de teledetección junto con
datos recolectados en campo, imágenes Worldview 2 y evalúa dos algoritmos de
aprendizaje automático, Random Forest y Support Vector Regression. El caso de estudio
en el manglar de Tumaco, Nariño, incluyó el cálculo de la superficie del bosque por medio
de una clasificación supervisada, la estimación de la biomasa viva (aboveground y
belowground) y el carbono almacenado, y la evaluación de los modelos. Los resultados
revelaron una precisión global del 87% en la clasificación de coberturas, con valores
promedio de 192.50 ± 102.78 para la biomasa aérea, 79.95 ± 56.85 para la biomasa
subterránea y 127.43 ± 73.49 para el carbono almacenado. El modelo basado en Random
Forest destacó con un rendimiento sobresaliente, mostrando un RMSE de 140.68 ± 98.76
y un R2 de 0.78 ± 0.28, superando a modelos globales. Adicionalmente, se evidenció que
los índices espectrales fortalecen la capacidad del modelo para explicar y predecir la
biomasa aérea. Se sugiere explorar el uso de imágenes Lidar y datos SAR para mejorar
la precisión en estudios locales con mayor resolución espacial. (Texto tomado de la fuente)
Abstract
Mangroves play a crucial role in climate change mitigation by absorbing and sequestering
up to five times more carbon than other forests. It is important to determine the living
biomass and carbon stored in these ecosystems to provide a sound basis for government
planning and management. This study presents an innovative approach using remote
sensing tools together with field collected data, using Worldview 2 imagery and evaluating
two machine learning algorithms, Random Forest and Support Vector Regression. The
case study in the mangrove forest of Tumaco, Nariño, included the calculation of forest
area by supervised classification, estimation of live biomass (aboveground and
belowground) and carbon stock, and evaluation of the models. The results revealed an
overall accuracy of 87% in cover classification, with average values of 192.50 ± 102.78 for
aboveground biomass, 79.95 ± 56.85 for belowground biomass and 127.43 ± 73.49 for
carbon stock. The Random Forest based model stood out with an outstanding
performance, showing an RMSE of 140.68 ± 98.76 and an R2 of 0.78 ± 0.28, outperforming
global models. Additionally, it was evidenced that the spectral indices strengthen the
model's ability to explain and predict aerial biomass. It is suggested to explore the use of
Lidar images and SAR data to improve accuracy in local studies with higher spatial
resolution.
Palabras clave
Descripción Física/Lógica/Digital
ilustraciones, mapas, tablas