Predicciones espaciales e incertidumbres de los flujos de carbono forestal para la contabilidad del carbono

Mar 31, 2024

Scientific Reports volumen 13, número de artículo: 12704 (2023) Citar este artículo

1 altmétrica

Detalles de métricas

Los países se han comprometido con diferentes acuerdos ambientales nacionales e internacionales, entre los que destacan los objetivos de mitigación del cambio climático del Acuerdo de París. La contabilidad de las reservas y flujos (flujos) de carbono es esencial para los países que recientemente han adoptado el Sistema de Contabilidad Ambiental y Económica de las Naciones Unidas - marco de contabilidad de ecosistemas (UNSEEA) como estándar estadístico global. En este artículo, analizamos cómo se pueden utilizar los flujos espaciales de carbono en apoyo de las cuentas de carbono de UNSEEA en cinco países con datos in situ disponibles. Utilizando productos de mapas de biomasa globales con múltiples fechas y otros datos de sensores remotos, mapeamos los flujos de carbono de 2010 a 2018 en Brasil, los Países Bajos, las Filipinas, Suecia y los EE. UU. utilizando el Inventario Forestal Nacional (NFI) y mapas de biomasa locales de LiDAR aéreo como dato de referencia. Identificamos áreas que no están respaldadas por datos de referencia dentro del espacio de características ambientales (6–47% del área del país con vegetación); validó de forma cruzada un conjunto de aprendizaje automático (RMSE=9–39 Mg C \(\textrm{ha}^{-1}\) y \(\textrm{R}^{2}\)=0,16–0,71) utilizado para mapear los flujos de carbono con intervalos de predicción; y evaluó los residuos espacialmente correlacionados (<5 km) antes de agregar los flujos de carbono de píxeles de 1 ha a clases de bosques UNSEEA. Las tablas de contabilidad de carbono resultantes revelaron el secuestro neto de carbono en los bosques naturales de hoja ancha. Tanto en las plantaciones como en otros ecosistemas de vegetación leñosa, las emisiones superaron el secuestro. En general, nuestras estimaciones se alinean con la Evaluación de Recursos Forestales de la FAO y los estudios nacionales con las mayores desviaciones en Brasil y Estados Unidos. Estos dos países utilizaron datos de referencia altamente agrupados, donde el agrupamiento causaba incertidumbre dada la necesidad de extrapolar a áreas submuestreadas. Finalmente, brindamos recomendaciones para mitigar el efecto del submuestreo y dar cuenta mejor de las incertidumbres una vez que sea necesario agregar las reservas y los flujos de carbono en países relativamente más pequeños. Estas acciones son oportunas dadas las iniciativas globales que apuntan a mejorar la contabilidad de carbono de UNSEEA.

Bajo la creciente amenaza del cambio climático, los países han reafirmado los compromisos del Acuerdo de París en la COP26 de 2021 y la COP27 de 2022 para reducir las emisiones de \({\textrm{CO}}_{2}\) y aumentar las emisiones de \({\textrm{CO }}_{2}\) eliminaciones mediante la protección forestal y la plantación de árboles1. El “biocarbono” o el carbono combinado de los bosques sobre la superficie, el subsuelo y el suelo ha contribuido entre el 23% y el 30% del total de emisiones antropogénicas de gases de efecto invernadero (GEI) en todo el mundo1,2. Para realizar un seguimiento de los compromisos de los países, la contabilidad periódica del biocarbono (aquí llamado carbono) sirve como fuente primaria de información. Los países reportan sus inventarios de GEI según la Convención Marco de las Naciones Unidas sobre el Cambio Climático (CMNUCC). También se alienta a los países a desarrollar cuentas de carbono bajo el Sistema de Contabilidad Ambiental y Económica de las Naciones Unidas - marco de contabilidad de ecosistemas (UNSEEA), que ahora es un estándar estadístico internacional3. La contabilidad del carbono de la CMNUCC y la UNSEEA siguen métodos de medición complementarios de las reservas y flujos de carbono forestal. Su cuantificación de flujos implica tanto emisiones de carbono (reducción de existencias) como secuestro (adición de existencias). Los dos sistemas difieren en la forma en que UNSEEA contabiliza todas las reservas y flujos de carbono3, mientras que la CMNUCC se centra en informar sobre las emisiones influenciadas por el hombre. En particular, UNSEEA incluye reducciones de existencias causadas por emisiones debidas a cambios en el uso y la cobertura del suelo (LULC) o perturbaciones naturales, mientras que las adiciones a las existencias de carbono se deben principalmente a incrementos de árboles debido al crecimiento. Además, UNSEEA es un sistema espacialmente explícito que analiza ecosistemas, donde se compilan mapas nacionales o subnacionales del tipo, condición y servicios de los ecosistemas. Las existencias y flujos de carbono de la UNSEEA comúnmente se agregan y reportan por tipo de ecosistema según el Sistema de Clasificación de la Cobertura Terrestre de las Naciones Unidas en períodos contables generalmente de 1 año3.

La contabilidad del carbono forestal se beneficia de los datos de sensores remotos3,4. Los datos de teledetección se integran con datos in situ de los países, como los inventarios forestales nacionales (NFI, por sus siglas en inglés), para elaborar mapas de biomasa aérea y, por ende, de reservas de carbono5,6. Alternativamente, las reservas de carbono se pueden obtener utilizando mapas LULC y promedios de biomasa asociados2. Los flujos de carbono del período contable de carbono también se pueden estimar utilizando datos de teledetección. Los países dependen de los cambios LULC y los cambios asociados de biomasa y carbono para obtener las reducciones brutas de las existencias7. Para las adiciones brutas de existencias, los países suelen utilizar indicadores indirectos como los mapas de productividad primaria neta8. Las adiciones brutas se restan de las reducciones brutas para derivar las existencias finales y el balance neto de carbono del ecosistema en términos de UNSEEA, que también son flujos netos de carbono. Hay alrededor de 24 países que han utilizado estos enfoques para la presentación de informes a la UNSEEA9.

Los flujos netos de carbono dentro de un período contable (flujos) se pueden mapear si los países cuentan con datos in situ repetidos10. Estos son datos de NFI repetidos e incluso de estudios LiDAR aéreos en los que el período entre el primer estudio y la nueva medición es el período contable. Esto proporciona estimaciones de carbono en dos períodos y, por tanto, un flujo neto de carbono de los datos in situ. Para dichos países, los flujos netos de carbono (en adelante llamados flujos de carbono) se pueden obtener mediante mapeo directo, donde el flujo de carbono es el resultado de un modelo de mapeo, o mediante mapeo indirecto, donde se producen y restan mapas separados de las existencias iniciales y finales. La mayoría de los estudios anteriores favorecieron el mapeo directo para evitar la propagación de errores de mapeo de dos modelos11. El mapeo directo a menudo utiliza modelos predictivos de aprendizaje automático que relacionan el cambio de biomasa in situ con variables auxiliares de detección remota.

La contabilidad del carbono basada en productos de teledetección se ve afectada por una gran incertidumbre en los datos de entrada utilizados12,13. El principal insumo de las cuentas de carbono es el mapa de flujo de carbono, que tiende a subestimar las pérdidas de carbono debido a la saturación de las señales de teledetección en bosques densos14. Además, las señales de teledetección procedentes de cambios graduales de carbono, como la degradación y el recrecimiento de los bosques, son más vulnerables al ruido de las señales15. Las actividades de gestión forestal que dan lugar a la tala de árboles, como el raleo y la tala de rescate, también pueden ser difíciles de detectar. Además, los mapas de flujo de carbono que se obtienen utilizando datos in situ pueden ser inexactos dependiendo de cómo se estima la biomasa y cómo se muestrean las parcelas. Por ejemplo, una muestra agrupada puede dar como resultado un muestreo preferencial de la variabilidad espacial tanto en el espacio geográfico como en el de características; este último se refiere a un conjunto de regiones ambientales definidas por los datos de teledetección en relación con el flujo de carbono. Una muestra agrupada conduce a estimaciones de precisión demasiado optimistas evaluadas mediante validación cruzada16. Varios estudios analizaron la representatividad de muestras en el espacio de características ambientales17. Dicho análisis puede respaldar decisiones sobre si integrar muestras adicionales para minimizar la incertidumbre del muestreo18 o limitar el mapeo en áreas donde las predicciones están respaldadas por la muestra, lo que da como resultado un mapa incompleto19.

La contabilidad de carbono de UNSEEA requiere entradas de mapas con una alta resolución espacial para dar cuenta de todo tipo de flujos (flujos), incluso aquellos provenientes de pequeños cambios en la cobertura del suelo7,20. Además, se requieren mapas de alta resolución para evaluar políticas e implementaciones relacionadas con la retención de carbono en los ecosistemas. La necesidad de mapas de alta resolución puede favorecer el uso de mapas globales recientes, como los flujos de carbono de 2000-2019 del World Resource Institute (WRI) a 30 m21 y los mapas de biomasa de múltiples fechas de 100 m (2010, 2017 y 2018) de Europa. Iniciativa de Cambio Climático de la Agencia Espacial (CCI)22. Si bien es práctico utilizar uno o crear un conjunto de sus flujos de carbono, mostraron un acuerdo de bajo a moderado con los datos in situ en términos de cambio de biomasa14. Los flujos de carbono basados ​​en mapas se obtienen utilizando cualquiera de dos métodos diferentes. Al restar los mapas del CCI de 2018 y 2010 se obtiene una diferencia de existencias, mientras que el WRI sigue un método de ganancia-pérdida que incorpora emisiones y absorciones espaciales de carbono basadas en datos de actividad. Aparte de los mapas de biomasa global, otros datos de teledetección como la altura, la cubierta arbórea y los índices de vegetación también pueden estar relacionados con el cambio de biomasa, es decir, como covariables.

El principal objetivo de este artículo es analizar cómo se pueden utilizar los flujos espaciales de carbono en apoyo de la contabilidad de carbono de la UNSEEA del depósito de carbono sobre el suelo en cinco países con datos in situ disponibles. En particular, utilizamos la biomasa global y otros datos ambientales como covariables, junto con datos in situ de NFI y mapas locales de biomasa sobre el suelo de LiDAR aéreo como referencia para un marco de aprendizaje automático conjunto. Primero, mapeamos directamente el cambio neto de biomasa aérea (biomasa viva) de 2010 a 2018 y, por lo tanto, derivamos mapas de flujo de carbono. Las unidades del mapa de flujo de carbono (píxeles) deben agregarse para cada tipo de bosque recomendado por UNSEEA. Aquí informamos las incertidumbres asociadas con el paso de agregación espacial (por ejemplo, de existencias y flujos residuales), ya que este componente está fuera del marco de los modelos de aprendizaje automático23. Este marco de incertidumbre también es adecuado para los flujos netos de carbono en lugar de contabilizar por separado dos fuentes de incertidumbre (adiciones y reducciones de existencias brutas) que probablemente sean codependientes. Por último, incluimos la vegetación leñosa no forestal en la contabilidad de carbono. Nuestros objetivos específicos son:

Evaluar en qué medida los datos del país respaldan las predicciones espaciales de los flujos de carbono.

Llevar a cabo aprendizaje automático conjunto para mapear los flujos de carbono a escala nacional utilizando la biomasa global y otros datos de detección remota como covariables.

Utilice el mapa de flujo de carbono resultante para compilar las cuentas de carbono de UNSEEA con incertidumbres reportadas, limitaciones identificadas y recomendaciones para ampliarlas a otros países.

La descripción general de la metodología se muestra en la Fig. 1, donde los pasos principales incluyen: (1) mapear el flujo de carbono utilizando un aprendizaje automático conjunto con validación cruzada con datos de detección remota como covariables y datos in situ (NFI o LiDAR) como referencia y (2) compilación de las cuentas de carbono, incluida la agregación del mapa de flujo de carbono para cada clase de UNSEEA. Las cuentas de carbono representan un stock inicial en 2010 derivado del mapa ICC de 2010 y un stock final en 2018 como la diferencia entre el stock inicial y los flujos de carbono. La metodología general también incluye pasos intermedios, como la estimación de las incertidumbres de los datos de referencia, la investigación de la multicolinealidad entre covariables, el ajuste de hiperparámetros de modelos espaciales y el análisis de variogramas. Un paso independiente es el análisis del espacio de características para identificar áreas que no están respaldadas por los datos del país en relación con el conjunto de covariables utilizadas para el mapeo del flujo de carbono. Todos los pasos se implementaron utilizando el lenguaje de programación R. El análisis del espacio de características y las predicciones espaciales se implementaron utilizando la informática de alto rendimiento Slurm, un administrador de cargas de trabajo de código abierto.

Diagrama de flujo de los pasos realizados para derivar las tablas de contabilidad de carbono como resultado final.

La contabilidad nacional del carbono de los ecosistemas se demuestra utilizando casos de cinco países: Brasil (BRA), Países Bajos (NLD), Filipinas (PHL), Suecia (SWE) y Estados Unidos de América (EE.UU.). La selección de países se basó principalmente en la disponibilidad de datos de referencia (nuevas mediciones) y la representación de las principales zonas climáticas. Consulte la Fig. 1 para ver mapas del estudio y las ubicaciones de muestreo de datos de referencia. Los datos de los Países Bajos y Suecia son NFI, a los que se accede desde la base de datos europea de NFI con tamaños de parcela de 0,03 a 0,04 ha24. Los datos de Filipinas también provienen de un NFI (0,5 ha) y se accedió directamente desde la oficina ambiental de Filipinas. Los datos del NFI se adquirieron mediante muestreo probabilístico: los NFI de Suecia y Filipinas utilizan muestras sistemáticas, mientras que el NFI de los Países Bajos aplica un muestreo aleatorio estratificado. El siguiente conjunto de datos de referencia son mapas locales de biomasa aérea de alta calidad provenientes de campañas LiDAR aéreas en Brasil25 y Estados Unidos26, ambos preprocesados ​​siguiendo el estudio de Labriere et al. Metodología 201827. Los datos LiDAR de EE. UU. también siguen un muestreo sistemático, pero no todos los sitios han repetido estudios LiDAR26, mientras que los conjuntos de datos LiDAR de Brasil se muestrean principalmente en bosques secundarios. Cada píxel LiDAR (1 ha) se consideró datos de parcela equivalentes a una muestra sistemática sobre áreas de huella (Fig. S1). Todos los conjuntos de datos de referencia se sometieron a un filtrado de calidad como se explica en nuestro estudio reciente14. Solo conservamos parcelas sin cambios en el área forestal después de la última medición y hasta la época del mapa de 2018. También excluimos los datos de los bordes de las huellas LiDAR que se superponen parcialmente con los píxeles del mapa. El número de observaciones es el siguiente: BRA=28.607, NLD=1562, PHL=587, SWE=12.887 y USA=110.939. Los datos de referencia LiDAR tienen capas de incertidumbre asociadas, mientras que las incertidumbres de medición de la gráfica NFI se estimaron utilizando el método de propagación de errores como se describe en nuestro trabajo anterior28. En particular, estimamos el mayor contribuyente a la incertidumbre de la parcela que se origina en los errores de medición de los árboles y el uso de modelos alométricos en la estimación de la biomasa. Finalmente, convertimos el cambio de biomasa de todos los datos de referencia en flujo de carbono (Mg C \(\textrm{ha}^{-1}\)) usando un multiplicador de 0,49. Consulte la Tabla S1 y la Fig. S1 para conocer los detalles técnicos de los conjuntos de datos de referencia.

Casos de países y muestreo de datos de referencia dentro del bosque y otra vegetación leñosa descritos en la Tabla 2 y la Fig. S2. Tenga en cuenta que los países se representan en diferentes escalas. Tenga en cuenta también que EE.UU. y Brasil son huellas LiDAR donde las observaciones son BRA=28.607 y EE.UU.=110.939; ver la figura S1. Usamos QGIS 3.4.329 para diseñar este mapa.

La lista de covariables espacialmente exhaustivas utilizadas y su descripción se muestran en la Tabla 1. El primer conjunto de covariables incluye mapas de biomasa global derivados de las fuentes de la ESA y WRI aquí llamados mapas CCI y WRI Flux, respectivamente. El mapa CCI se produjo utilizando sensores remotos por radar donde la biomasa se recuperó de los valores de retrodispersión utilizando un modelo semimecanicista que no se basa en datos de calibración de parcelas30. El mapa del WRI fue un resultado del modelo de flujo de carbono modificado del WRI que utilizó CCI 2010 como biomasa de referencia14. También se consideró la variabilidad local de los cambios de biomasa debido a estos aportes de alta resolución. Calculamos sus variables texturales utilizando la Matriz de Co-Ocurrencia de Nivel de Grises (GLCM31), particularmente la media, varianza, homogeneidad y contraste de los cambios de biomasa en una ventana de 300 x 300 m. También utilizamos una serie temporal aproximada de biomasa (JPL32) y un conjunto de datos de biomasa periódica (CONUS33, solo EE. UU.). Todos los mapas de biomasa se producen sin el uso de nuestros datos de referencia. La siguiente covariable fue la dinámica de la altura del bosque, que se obtuvo a partir de datos de altura mediante la integración de datos de Landsat con datos de la Investigación sobre la dinámica de los ecosistemas globales (GEDI)34. También utilizamos la dinámica de la cobertura arbórea a partir de conjuntos de datos de cobertura arbórea de múltiples fechas derivados de datos satelitales ópticos35,36. También se incluyeron conjuntos de datos que representan la gestión forestal37,38 y los cambios en la cobertura del suelo35. Para los países europeos, incluimos compuestos trimestrales completos del Índice de Diferencia de Vegetación Normalizada (NDVI39), que están fácilmente disponibles y están libres de nubes, es decir, nunca se han reproducido para países grandes y tropicales. Las covariables restantes fueron variables estáticas como tipo de bosque, elevación, pendiente y biomas. En total, comenzamos con 28 covariables para países europeos, 25 para EE. UU. y 24 para Brasil y Filipinas, todas ellas a partir de datos de acceso abierto. Finalmente restringimos todas las covariables dentro de las clases recomendadas por UNSEEA como se describe en la Tabla 2 y la Figura S2.

Todas las covariables se correlacionaron cruzadamente para evaluar la multicolinealidad entre ellas como precaución para evitar el sobreajuste del modelo y la interpretación errónea de la importancia del modelo de covariables (ver Fig. S3). Tomamos muestras aleatorias de 5000 píxeles para cada país para la correlación cruzada. Encontramos solo unos pocos pares de covariables que exhiben una fuerte correlación (> 0,8 r), particularmente pares que incluyen mapas de biomasa global y una propiedad textural asociada (texMean y texVar). Excluimos estos últimos ya que también se correlacionan altamente con otras propiedades texturales del mapa. Una excepción a este paso son las capas de cobertura terrestre de 2010 y 2018 para retener una entrada dinámica similar a las variables de biomasa de 2010 y 2018.

Este paso es necesario para evaluar cómo los datos de referencia representan la variabilidad espacial del espacio de características, lo que se está convirtiendo en un requisito previo para los modelos de predicción espacial. Este análisis identifica áreas potencialmente submuestreadas o aquellas áreas que exhiben una alta disimilitud en función de las distancias de los datos de referencia en el espacio de características multidimensional19. Este último está abarcado por las covariables enumeradas en la Tabla 1 que se utilizan en un modelo con validación cruzada espacial para calcular la disimilitud. Las áreas no cubiertas son propensas a la extrapolación de los modelos de aprendizaje automático donde se esperan predicciones espaciales menos creíbles. La conciencia de la extensión de estas áreas no cubiertas es crucial no sólo para nuestra demostración de contabilidad de carbono sino también como apoyo a la toma de decisiones para mejorar las cuentas corrientes, es decir, la necesidad de muestras adicionales y enmascaramiento de bosques. Aquí identificamos áreas submuestreadas en todo el país y para cada clase de contabilidad de carbono de UNSEEA en la Tabla 2 y la Figura S2.

Se desarrolló un modelo conjunto de tres modelos de aprendizaje automático bajo un marco de generalización de modelos42. La idea principal del marco es que un modelo genérico (metaaprendiz) ajustado a partir de predicciones de modelos individuales (aprendices base) tiene un rendimiento predictivo superior que las predicciones individuales. Los modelos de bosque aleatorio (RFM), aumento de gradiente extremo y máquina de vectores de soporte sirvieron como aprendices básicos donde cada modelo dio como resultado sus propias predicciones del flujo de carbono. Luego, estas predicciones se utilizaron como covariables para un metaaprendiz (RFM). Cualquier implementación de RFM comienza arrancando los datos de referencia y estos remuestreos se utilizan para crear árboles de regresión. Al agrupar los datos y submuestrear las covariables candidatas en cada división, se pretende que los árboles no estén correlacionados entre sí. El algoritmo de bosque aleatorio promedia las predicciones de todos los árboles para producir una predicción final. Para estimar la incertidumbre del flujo de carbono predicho por el metaaprendizaje RFM, utilizamos un bosque de regresión cuantil donde los árboles de decisión se entrenan en diferentes niveles cuantiles del flujo de carbono y derivan una distribución completa de predicciones de flujo de carbono43. En particular, utilizamos los cuantiles \(5\mathrm{{th}}\) y \(95\mathrm{{th}}\) como intervalos de predicción y observamos sus patrones espaciales y su magnitud entre países. Empleamos ponderaciones de casos utilizando ponderación de varianza inversa para dar preferencia a datos de referencia menos inciertos en el procedimiento de arranque forestal aleatorio. Las descripciones de otros modelos ML individuales se proporcionan en los materiales complementarios.

Todos los alumnos básicos se sometieron a un ajuste del modelo, mientras que los modelos que utilizan combinaciones únicas de hiperparámetros se iteraron utilizando un enfoque de búsqueda en cuadrícula. Las combinaciones se obtienen a partir de un rango de valores definido por el usuario para cada hiperparámetro y sus combinaciones únicas definen el número de iteraciones. Predefinimos este rango de valores para RFM y apoyamos a los estudiantes de vectores, mientras que seguimos principalmente a Li et al.44 para el estudiante de impulso de gradiente extremo dado que dicho estudiante generalmente es difícil de sintonizar. La combinación óptima de hiperparámetros se determinó para la iteración que representa la función objetivo más baja, es decir, el error cuadrático medio (RMSE). Consulte la Tabla S2 para conocer los hiperparámetros finales para cada caso de país.

Se aplicó una validación cruzada aleatoria cinco veces utilizando todos los datos de referencia para evaluar el rendimiento del modelo. Los alumnos base y el metaaprendiz utilizaron pliegues independientes para evitar sobreajustar a este último. Al denotar el flujo de carbono como z en la ubicación \(s_i\), se utilizaron tres métricas para evaluar los modelos: RMSE, que es la diferencia al cuadrado entre las medias poblacionales de los datos de referencia \(z(s_i)\) y las predicciones \({\hat {z}}(s_i)\); Error medio (ME) o la diferencia media entre \(z(s_i)\) y \({\hat{z}}(s_i)\); y el coeficiente de determinación (\(\textrm{R}^{2}\)) como medida de bondad de ajuste.

Los valores de importancia basados ​​en la permutación de datos de covariables se cuantificaron para cada alumno base. Se calcula el RMSE antes y después de la permutación y el aumento del RMSE indica la importancia de la covariable. Esta comparación se realizó para cada pliegue de la validación cruzada y luego se promedió entre los pliegues. Los valores de importancia finales que utilizamos fueron promedios ponderados basados ​​en la puntuación de importancia de los alumnos base para el metaaprendiz. Las puntuaciones de importancia resultantes se presentaron primero individualmente para cada covariable por país. En segundo lugar, los valores de importancia se clasificaron y promediaron con respecto a sus categorías de datos (Tabla 1). El segundo conjunto de resultados es útil para resaltar la influencia de los datos de biomasa global en el mapeo de los flujos de carbono. Todos los valores de importancia de las covariables oscilan entre 0 y 100%.

Primero derivamos la desviación estándar del flujo de carbono \(SD_{flux}\) del intervalo de predicción, particularmente el cuantil \(95\mathrm{{th}}\) (Q) y \(5\mathrm{{th}} \) Límites de Q para un intervalo de predicción del 90%:

Luego, los mapas de flujo de carbono de 100 m necesitaban agregación para cada clase UNSEEA en la Tabla 2. Aparte del flujo de carbono, las incertidumbres asociadas también deben agregarse teniendo en cuenta la covarianza de los errores del mapa. Además, la varianza de los errores del mapa puede variar en el espacio, es decir, debido a la heterocedasticidad. Por lo tanto, modelamos la correlación espacial de los residuos estandarizados del mapa de flujo de carbono en ubicaciones de datos de referencia utilizando variogramas. También hicimos el mismo procedimiento para las acciones de apertura intercambiando \(SD_{flux}\) con la capa SD de CCI 2010 \(SD_{open}\). Los detalles completos de este paso, incluida la estandarización de los residuos del flujo de carbono, se muestran en los materiales complementarios.

Derivamos las covarianzas del componente de error del mapa \(\sigma _{{i,j}}\) de los pares de píxeles i y j (1...n), ecuación. 5. Las covarianzas se agregaron para cada clase UNSEEA para derivar la varianza y, por tanto, la DE de cada clase \(SD_{fc}\) (Ec. 5). Esto se aplica tanto a \(SD_{open}\) como a \(SD_{flux}\). La varianza agregada resultante del stock inicial y los flujos se sumaron para obtener la varianza del stock final suponiendo independencia de error entre las dos variables aleatorias. Finalmente tomamos la raíz cuadrada de las varianzas agregadas de las existencias iniciales, los flujos y las existencias finales, y las reportamos en las cuentas de carbono.

El requisito mínimo para definir las clases de contabilidad de carbono de la UNSEEA son los insumos de cobertura terrestre que distinguen los bosques latifoliados, coníferos, mixtos y manglares (clases de Nivel 2). Las áreas con pastizales, matorrales y matorrales leñosos dominantes y parciales se incluyeron y agregaron en una clase UNSEEA "Otra vegetación leñosa", consulte la Tabla S3 para conocer los detalles de la reclasificación. Existen múltiples datos de cobertura terrestre continental a global y preferimos el conjunto de datos con mayor resolución y precisión. Se integró un conjunto de datos de plantaciones forestales38 en los mapas de cobertura terrestre para distinguir entre bosques naturales y plantaciones, ya que la UNSEEA exige estas últimas. Las entradas de cobertura terrestre se volvieron a muestrear a 100 m utilizando la interpolación del vecino más cercano. Luego, la cobertura terrestre y las entradas de reservas y flujos de carbono se proyectaron en una proyección de área igual para evitar la distorsión del área geográfica, especialmente en lugares alejados del ecuador. La Tabla 2 muestra más detalles sobre las entradas de datos de contabilidad de carbono.

Luego derivamos los flujos netos de carbono totales del país y los comparamos con estimaciones similares de otras fuentes utilizando el área forestal en 2010. También informamos las emisiones netas y las absorciones netas por separado como resultados complementarios en la Tabla S4. Los términos que utilizamos fueron emisiones y absorciones “netas”, ya que utilizamos el flujo neto de carbono como insumo. Las emisiones netas y el secuestro neto se calcularon como la suma de todos los píxeles de flujo de carbono negativos y positivos para cada clase UNSEEA, respectivamente. La tabla ampliada también incluyó las emisiones netas impulsadas por cambios en el uso de la tierra (conversiones de bosques) y las emisiones dentro de los bosques (degradación forestal) según el conjunto de datos periódicos de cobertura del suelo en la Tabla 2. Emisiones netas en áreas clasificadas como bosques tanto en 2010 como en 2018. Los datos de cobertura terrestre se atribuyeron a la degradación forestal, mientras que las emisiones netas en áreas que eran bosques en 2010 pero que no eran bosques en 2018 se atribuyeron a la conversión de bosques.

En la Fig. 3 se muestran mapas de áreas submuestreadas según la cobertura del espacio de características. Observe que la gran extensión de estas áreas corresponde a Brasil y Estados Unidos. La muestra actual no cubre la mayor parte del sureste de Brasil y el oeste de Estados Unidos. Por país, la extensión espacial relativa de las áreas no cubiertas es: NLD=6%, PHL=7%, SWE=14% BRA=4 2% y EE.UU.=47% del total de áreas con vegetación de estos países. El desglose de las áreas no cubiertas para cada clase de contabilidad de carbono del UNSEEA se muestra en la Fig. S4. Las clases con la mayor proporción de áreas submuestreadas (>50% del área total de la clase) se encuentran principalmente en Brasil y EE. UU., particularmente en bosques de coníferas, mixtos, otra vegetación leñosa y manglares (solo Brasil), ver Fig. S4. Entre todos los países, la clase con la mayor proporción de áreas no sustentadas por la muestra es otra vegetación leñosa. Esto refleja el hecho de que los datos de referencia del NFI y LiDAR son principalmente muestras forestales.

Mapas que muestran cómo los datos de referencia actuales representan el espacio de características ambientales. Usamos ggplot2 en R46 para diseñar este mapa.

Los resultados de la evaluación del modelo utilizando validación cruzada quíntuple para cada país se muestran en la Tabla 3. En general, el rango de validación cruzada es: RMSE=9–39 Mg C \(\textrm{ha}^{-1}\) , ME=− 0,3–0,2 Mg C \(\textrm{ha}^{-1}\) y \(\textrm{R}^{2}\)=0,16-0,71. Los resultados de la validación cruzada difieren entre países. Los Países Bajos y Filipinas tienen resultados diferentes a los de otros países notables en las desviaciones estándar de las tres métricas de precisión. Brasil y EE.UU. muestran resultados casi similares en todos los pliegues de validación e incluso muestran el mejor ajuste con los datos de referencia. Estos países utilizaron mapas LiDAR como referencia, pero recuerdan también que dichas muestras están agrupadas (huellas LiDAR) y pueden producir resultados de validación cruzada conservadores.

Los valores de importancia ponderados del alumno conjunto se muestran en la Fig. 4. La matriz coloreada muestra la importancia de las covariables individuales donde los modelos de la mayoría de los países están altamente influenciados por el flujo WRI, los mapas CCI y los cambios de altura del dosel. Las variables texturales muestran una influencia moderada en los modelos y el NDVI trimestral en los modelos de los países europeos. Las covariables estáticas e incluso los datos dinámicos de LC muestran la menor influencia en la mayoría de los modelos. Una excepción a esto es la gran influencia de la elevación en los modelos de los países tropicales de Brasil y Filipinas. Utilizando la importancia media de cada covariable, los valores de importancia categórica resaltan aún más la influencia de los mapas globales de biomasa aérea (gráficos de barras de la Fig. 5). Esta influencia representa del 51 al 70% de las puntuaciones de importancia de las covariables.

Valores de importancia basados ​​en permutación (0–100%) de cada covariable para modelos espaciales de países. Consulte la Tabla 1 para conocer los nombres de las covariables.

Proporción de los valores de importancia (0–1) para cada grupo de covariables que se muestran en la Tabla 1. El gráfico de la izquierda muestra la categoría de covariables que distinguen cada producto global de biomasa junto con otros insumos ambientales dinámicos (altura, cobertura arbórea y NDVI), cobertura del suelo , gestión, clima y topografía. El gráfico de la derecha generaliza aún más las covariables en categorías que distinguen los mapas globales de biomasa aérea de otras covariables dinámicas, junto con las covariables estáticas.

Los mapas de flujo de carbono pronosticados y sus intervalos de predicción se muestran en la Fig. 6. Se pueden observar patrones espaciales de la dinámica del carbono de la última década. En todos los países, excepto en los Países Bajos, existen zonas con evidentes pérdidas de carbono. También son evidentes las pérdidas que aparecen como puntos críticos regionales, particularmente en el sur de Filipinas, el centro de Brasil y el suroeste de Estados Unidos. Los puntos críticos son menos pronunciados en los Países Bajos y Suecia. También se observan secuestros de carbono forestal en todos los países. La mayoría son pequeños secuestros de carbono de alrededor de 5 a 25 Mg C \(\textrm{ha}^{-1}\), más evidentes en la cuenca del Amazonas en Brasil. Un secuestro de carbono tan pequeño en 8 años es normal para un bosque intacto antiguo (Amazonas), mientras que los otros casos pueden atribuirse a perturbaciones naturales que obstaculizan el crecimiento de los árboles, como las sequías. Los patrones espaciales de pérdida y secuestro también son pronunciados en los intervalos de predicción. Las mayores incertidumbres de las predicciones se observan en el mapa de Estados Unidos.

La correlación espacial de los residuos del flujo de carbono representados por los variogramas se muestra en la Fig. S6. Los residuos espacialmente correlacionados son evidentes en distancias relativamente cortas de 100 a 5500 m. La variabilidad representada por los alféizares del variograma oscila entre 0,32 y 0,63. Para las reservas de carbono de 2010, se observa una correlación similar de corta distancia de los residuos, pero en un rango ligeramente más amplio y con un umbral más alto que el flujo de carbono. Estos resultados son la base para ignorar los residuos correlacionados espacialmente al agregar errores de mapas para cada clase UNSEEA.

La tabla de contabilidad de carbono resultante se muestra en la Tabla 4, mientras que la tabla donde las emisiones se desglosan aún más se muestra en la Tabla S4. Los flujos netos de emisiones de carbono en 8 años son más evidentes y mayores en número en Brasil y EE.UU., en particular otra vegetación leñosa de al menos 95,23±11,07 Tg y plantaciones de al menos 239,2±7,46 Tg. Todos los demás países representan en su mayoría secuestros netos de carbono en 8 años, en particular las latifoliadas de EE. UU. = 188,01 ± 6,3 Tg, las coníferas de Suecia = 5,59 ± 0,84 Tg y las latifoliadas de Filipinas = 3,87 ± 2,57 Tg. Los bosques naturales que consisten en latifoliadas, coníferas, mixtos y manglares están mostrando más secuestros netos de carbono que las plantaciones, excepto en Brasil, donde todas las clases se encuentran como emisores de carbono debido principalmente a la conversión del uso de la tierra en estos bosques en el período 2010 a 2018. La observación en Brasil también es consistente con los informes de FRA (ver Tabla S5). A excepción de Brasil, los bosques naturales latifoliados muestran un secuestro neto de carbono. El Cuadro S4 muestra que la mayoría de las emisiones están impulsadas por cambios en el uso de la tierra en todos los países (áreas clasificadas como forestales en 2010 y no forestales en 2018), mientras que las emisiones netas dentro de las áreas forestales (áreas clasificadas como bosques en 2010 y datos de cobertura del suelo de 2018) ) son mínimos. Las estimaciones de incertidumbre de los flujos de carbono a lo largo de 8 años son generalmente más altas que las reservas, mientras que las reservas finales son más inciertas que las reservas iniciales.

Mapas de flujo de carbono previstos para 2010-2018 para todos los países y sus intervalos de predicción. Las unidades del mapa son Mg C \(\textrm{ha}^{-1}\). Tenga en cuenta que los colores pueden ser diferentes entre la predicción y los intervalos de predicción. Usamos ggplot2 en R46 para diseñar este mapa.

Los datos de referencia para las predicciones espaciales del flujo de carbono no cubrieron todo el espacio ambiental, donde entre el 6% y el 47% de los bosques y otras áreas de vegetación leñosa combinados parecían estar submuestreados. En tal caso, una recomendación es considerar limitar las predicciones sin las áreas submuestreadas19. Sin embargo, no es aconsejable una contabilidad incompleta del carbono en el contexto de UNSEEA3. Por lo tanto, los resultados en la tabla contable de países con muestras LiDAR, particularmente bosques mixtos y otra vegetación leñosa (Fig. S4), deben tratarse con precaución. En el futuro, elaboramos una serie de recomendaciones en los casos en que la muestra de datos del país obstaculizaría la aplicación del flujo de carbono mapeado para la contabilidad de carbono de UNSEEA:

Muestras adicionales: si no es factible tomar muestras de campo adicionales, se pueden integrar muestras sintéticas en la muestra actual47. Como prueba de concepto de esta recomendación, mostramos las implicaciones de agregar muestras sintéticas dentro de las áreas submuestreadas en la Fig. S7. Las áreas actuales submuestreadas se reducen significativamente después de agregar muestras de pseudopérdida basadas en datos de pérdida forestal48. También es necesario tomar muestras de los cambios graduales en los bosques, como los causados ​​por la degradación y el rebrote. Se pueden explorar muestras proporcionadas por herramientas de monitoreo de la dinámica forestal49. Agregar muestras sintéticas también significa que una muestra agrupada con muchas brechas (Brasil) puede convertirse en datos agrupados con brechas moderadas. En cualquier caso, se debe utilizar una validación cruzada más adecuada en lugar de la validación cruzada convencional de k veces. Por ejemplo, la validación cruzada ponderada por la intensidad del muestreo es adecuada cuando se utilizan muestras moderadamente agrupadas16.

Sustituir el flujo de carbono mapeado con el flujo de carbono de productos globales: Para las clases UNSEEA que no están respaldadas por datos nacionales, como bosques mixtos y áreas leñosas no forestales en este estudio, el flujo de carbono mapeado se puede sustituir por productos globales (por ejemplo, CCI y la IRG). Los datos de entrada alternativos pueden ser uno o un promedio de los productos globales. Esta es la razón fundamental de una contabilidad del carbono basada en la teledetección. Como requisito previo, se puede iniciar una evaluación del producto global incluso a escala nacional utilizando la Evaluación de Recursos Forestales (FRA) de la FAO como referencia14,32. Un buen acuerdo de los flujos de carbono del país entre el producto global y la FRA justificaría el uso del primero para la contabilidad del carbono.

Advertencias para las clases UNSEEA: Ciertas clases UNSEEA con cuentas de carbono que son muy inciertas, como los bosques mixtos y otra vegetación leñosa en nuestro caso, deberían tener advertencias para su adopción y aplicaciones. Este debería ser el caso tanto para las cuentas físicas de carbono (este estudio) como para cualquier cuenta monetaria posterior. Las advertencias deben quedar claras en los metadatos e incluirse en la descripción de los datos de las plataformas de datos en línea (consulte la sección Perspectivas).

Estimación de la incertidumbre de la variabilidad del muestreo: nuestra última recomendación es la cuantificación de la incertidumbre de la variabilidad del muestreo junto con el mapeo de las áreas submuestreadas. Esta incertidumbre de muestreo puede estimarse mediante métodos de arranque que derivan covarianzas por pares de los flujos de carbono previstos50. Sin embargo, este paso puede ser aplicable sólo para muestras basadas en probabilidad. Además, el procedimiento es exigente desde el punto de vista computacional y solo se demostró a escalas locales en un estudio11. Además de aliviar las demandas computacionales para escalas de países, vale la pena probar la cuantificación de la incertidumbre del muestreo con y sin pseudomuestras.

El rendimiento predictivo de nuestros modelos espaciales arrojó: RMSE=9–39 Mg C \(\textrm{ha}^{-1}\), ME=− 0,3–0,2 Mg C \(\textrm{ha}^{-1 }\) y \(\textrm{R}^{2}\)=0,16–0,71. Estos resultados son relativamente más altos en comparación con nuestra evaluación anterior de los cambios de biomasa a partir de datos globales (\(\textrm{R}^{2}\)=0,09-0,21)14. Sin embargo, mapear los cambios en la biomasa y el carbono mediante sensores remotos es un desafío. Los cambios a nivel de píxeles, excepto las pérdidas abruptas por deforestación, pueden ser muy inciertos. Por ejemplo, los productores de mapas de CCI advirtieron sobre el uso de su producto de cambio de biomasa de 100 m debido a las incertidumbres atribuidas a los cambios graduales en los bosques22. De manera similar, Santoro et al. 202251 encontró al menos un 40% de incertidumbre relativa del cambio de biomasa en Suecia con un tamaño de píxel de 20 m. Esta evaluación de mapas utilizó de manera similar NFI como referencia, pero su mapeo utilizó el método indirecto de derivar el cambio de biomasa al diferenciar dos mapas. Se sabe que los métodos indirectos suman errores de modelo de dos épocas. Además, los insumos dinámicos ambientales útiles para el mapeo directo del flujo de carbono no estuvieron disponibles hasta 2021. Esfuerzos recientes ya estimaron los flujos de carbono con alta precisión utilizando métodos directos. Esteban et al.11, por ejemplo, produjeron un volumen de existencias en crecimiento de pared a pared (convertible en biomasa) a partir de NFI combinado y LiDAR aéreo como datos auxiliares. McRoberts y cols. 202250 utilizó un enfoque similar para estimar las incertidumbres de la variabilidad residual y del muestreo destinadas al mapeo de biomasa a gran escala. Se anticipan más estudios como este considerando el creciente número de sitios LiDAR permanentes como apoyo para próximas misiones satelitales52. Esto fortalecerá nuestra demostración de contabilidad de carbono, donde los aportes se inclinan hacia datos de series temporales de LiDAR53 y NFI54 en el aire. Estos conjuntos de datos disponibles permitirán realizar un mapeo anual del carbono y del flujo de carbono. Los mapas anuales pueden revelar tendencias en los flujos de carbono atribuidas a cambios graduales. Los alumnos básicos adicionales también pueden ayudar a mejorar el modelo de conjunto actual. Esto es importante dado que las predicciones de los estudiantes de base pueden ser muy diferentes dependiendo de cómo se muestreen los datos del país, como se demuestra en la Figura S5. Por último, la incertidumbre de la predicción se puede evaluar, por ejemplo, mediante el intervalo de predicción, por ejemplo, gráficos de precisión55.

A nivel de píxel, LiDAR iguala la resolución espacial (1 ha) de las entradas de sensores remotos (principalmente 1 ha) utilizadas para predecir el flujo de carbono y esto contrasta con el uso de NFI donde las parcelas son de 0,03 a 0,04 ha. La falta de coincidencia espacial cuando se utilizan NFI también puede verse agravada por errores de ubicación geográfica de las parcelas, especialmente en los trópicos.

La contabilidad del carbono requirió la agregación desde el píxel hasta la clase UNSEEA de reservas de carbono (de CCI Biomass 2010) y flujos. A partir de los variogramas en la Fig. S6, encontramos una correlación de corto alcance (<5 km) a escalas de país, que es consistente con estudios previos, particularmente en Brasil56 y EE.UU.57. Esta base nos permitió ignorar la correlación espacial durante el paso de agregación. Esta decisión se basa en cada caso y necesita reconsideración, especialmente cuando el país objetivo es relativamente pequeño, es decir, donde los errores espacialmente correlacionados de alrededor de 5 a 50 km ya no son despreciables. El análisis de variograma también reveló que la magnitud de los residuos escalados autocorrelacionados (0-1) estaban todos por debajo de 1. Esto sugiere que sobreestimamos el error de predicción del mapa. Esta precaución también fue evidente en 3 de 4 mapas de biomasa global en un estudio anterior28. Aquí nos centramos en cuantificar la incertidumbre de la variabilidad residual, pero no logramos cuantificar la incertidumbre de la variabilidad del muestreo (consulte la cuarta recomendación anterior). Otra fuente de incertidumbre es la información sobre la cobertura del suelo. Aquí utilizamos las clases UNSEEA de Nivel 2, pero una vez que los países requieren clases UNSEEA de Nivel 3 donde, por ejemplo, las frondosas se subclasifican en dosel cerrado de frondosas y dosel abierto de frondosas (Tabla S3), es necesario considerar la incertidumbre de los aportes de cobertura del suelo. Mapear más clases de bosques conduce a una mayor tendencia a la clasificación errónea entre las subclases. Para tener en cuenta esto, se necesitan probabilidades de cobertura terrestre y enfoques geoestadísticos para posibles correcciones de área entre unidades de cobertura terrestre58. Esta corrección también afecta a la tabla de contabilidad de carbono donde las emisiones y absorciones se informan por separado y las fuentes de emisión se desglosan (Tabla S4). Si los países requieren una tabla de este tipo, también se debe tener en cuenta la dependencia espacial entre emisiones y absorciones. Finalmente destacamos que cualquier dato de referencia tiene un grado de incertidumbre. Tomamos en cuenta esta incertidumbre cuando aplicamos un arranque ponderado en el modelo de conjunto que prefirió muestras con baja incertidumbre de error de medición. Araza et al.28 y Takoutsing y Heuvelink55 implementaron un enfoque exactamente similar. El último ejemplo no encontró diferencias sorprendentes entre un modelo de bosque aleatorio con y sin arranque ponderado.

Las covariables más influyentes en las predicciones del flujo de carbono fueron los productos de biomasa global, que representaron entre el 51% y el 70% de las puntuaciones de importancia general de las covariables. Los flujos de carbono de CCI y WRI fueron los que más contribuyeron a esta puntuación. Este resultado parece esperado y se explica por sí mismo. Lo que es más sorprendente es que aprendimos que otros conjuntos de datos ambientales dinámicos también eran covariables importantes. En particular, la dinámica de la altura fue importante para los modelos espaciales de los Países Bajos (62%) y EE. UU. (39%), así como para los modelos \(1\mathrm{{st}}\) y \(2\mathrm{{nd}} \) Compuestos trimestrales del NDVI para los países europeos con una puntuación de importancia máxima del 23 %. Los índices de altura y vegetación son variables comúnmente utilizadas para el mapeo de biomasa debido a su correlación con la biomasa5. Hasta donde sabemos, este es el primer intento de utilizar sus variables dinámicas para modelar el cambio de biomasa (el conjunto de datos de altura dinámica es relativamente nuevo). Además, la elevación también tuvo una puntuación de alta importancia para Brasil (40%) y Filipinas (37%). Esto sugiere que el cambio de biomasa puede estar impulsado por la topografía en los trópicos. Los resultados de Brasil deben volver a analizarse una vez que se disponga de datos de referencia más representativos, incluidos los biomas submuestreados (como Cerrado), ubicaciones remotas con bosques primarios y áreas montañosas con grandes elevaciones y pendientes. Encontramos que la muestra actual en Brasil sólo se refiere a tres de los seis estratos topográficos. Las zonas boscosas montañosas también pueden ser propensas a la deforestación causada por deslizamientos de tierra, especialmente en la temporada de tifones6. Estudios recientes revelaron que el cambio de biomasa en los trópicos es estacional59. Además de incluir covariables estacionales, recomendamos explorar otros análisis descriptivos de covariables del cambio de biomasa, como el uso de gráficos de dependencia parcial. Estos mostrarían y visualizarían los efectos marginales de las covariables sobre el cambio de biomasa, por ejemplo, gran pérdida de biomasa y baja elevación.

En general, las tablas de contabilidad de carbono representaron el secuestro neto de carbono en los bosques naturales, excepto en Brasil, mientras que la emisión neta de carbono se observó principalmente en otras plantaciones y vegetación leñosa (excepto en los Países Bajos). La mayoría de las emisiones netas fueron impulsadas por cambios en el uso de la tierra, mientras que las emisiones mínimas se representaron dentro de los bosques, es decir, la degradación forestal. Esto último parece subestimado principalmente porque utilizamos insumos de cobertura terrestre de 100 a 300 m. Una opción es reemplazarlos con datos de cobertura terrestre global de 10 m, siempre que las clases de bosque sean consistentes con UNSEEA. Las emisiones netas dentro de los bosques pueden atribuirse a actividades de plantación como el raleo, la tala de rescate y la tala selectiva, y a actividades que resultan en degradación forestal, como la caza furtiva de madera. Tanto las emisiones derivadas de la conversión forestal como la degradación forestal pueden ser causadas por peligros ambientales como fuertes vientos, insectos, deslizamientos de tierra e incendios.

Como buena práctica, resumimos los flujos de carbono y las áreas forestales a escala de país y los comparamos con resultados similares en la literatura, ver Tabla S5. En comparación con la FRA y otros estudios similares21,22,33,51, nuestras estimaciones describieron principalmente (de acuerdo con 2 de 3 fuentes) a los Países Bajos, Filipinas y Suecia como sumideros de carbono. En estos países, nuestras estimaciones a menudo se encontraban entre las estimaciones de FRA y estudios similares que sugieren que estimamos de manera conservadora los flujos de carbono. Si bien existe una gran discrepancia en las áreas forestales (ya que incluimos otros bosques no leñosos) y algunos años de diferencia en el período de monitoreo, las comparaciones en los resultados de Brasil y EE. UU. mostraron que sobrestimamos las emisiones de carbono del país en comparación con otras fuentes. Recuerde que las muestras para estos países son insuficientes (ver Fig. 3), lo que puede permitir que los modelos de predicción se sobreajusten, especialmente para una validación cruzada aleatoria (Tabla 3). Nuestros próximos mapas de flujo de carbono de los dos países se beneficiarán de los gráficos anticipados del Análisis del Inventario Forestal de EE. UU. y de datos LiDAR adicionales remedidos tanto para EE. UU. como para Brasil. Sin embargo, nuestras estimaciones incluyeron incertidumbres reportadas a nivel de país entre otras fuentes. También recomendamos otros casos de países basados ​​en la necesidad de diversificar las condiciones ecológicas de los países de los casos.

Se espera que las fuentes de datos de los mapas de flujo de carbono sigan aumentando dadas las próximas misiones de Observación de la Tierra (EO) para el seguimiento forestal. El desarrollo de fuentes de datos basadas en EO se considera una oportunidad para las cuentas de la UNSEEA de próxima generación9. Esto también ocurrió en la última conferencia Advancing Earth Observation for Ecosystem Accounting en diciembre de 2022 https://eo4ea-2022.esa.int/. La teledetección también es fundamental para varios proyectos que apuntan a mejorar la contabilidad de carbono de UNSEEA, como los siguientes:

Aplicaciones pioneras de observación de la Tierra para el medio ambiente (PEOPLE, https://esa-people-ea.org/en)

Inteligencia artificial para el medio ambiente y la sostenibilidad (ARIES, aries.integratedmodelling.org)

Proyecto Open Earth Monitor (OEMP, https://earthmonitor.org/)

Nuestra contabilidad actual de carbono abarca 8 años debido a la disponibilidad de datos para 2010 y 2018, pero las cuentas del ecosistema UNSEEA generalmente se consideran más útiles si se compilan con una resolución temporal más alta, por ejemplo, anualmente o cada 3 años3. También planeamos compilar cuentas de todos los depósitos de carbono, incluidos al menos los componentes subterráneos y del suelo. En el futuro, la creciente disponibilidad de proyectos de biomasa y carbono derivados de satélites debería permitir esta resolución temporal mucho mayor de las cuentas de carbono basadas en EO.

Los mapas de reservas y flujos de carbono siempre están sujetos a evaluaciones cartográficas e integración con datos de referencia, especialmente ahora que los NFI de los países están aumentando incluso en los países en desarrollo de los trópicos54. Teniendo en cuenta estos datos nacionales, además de los próximos sitios LiDAR52, suficientes datos globales permitirían modelar y minimizar los errores cartográficos de los flujos globales de carbono utilizando nuestro enfoque de modelado de sesgos28. Un flujo global de carbono ajustado en función del sesgo acoge con agrado la posibilidad de contabilizar el carbono para todos los países. Esto no sólo beneficiaría la contabilidad de carbono de la UNSEEA, sino también los informes de GEI de la CMNUCC e incluso el Balance Global de la CMNUCC.

Para proporcionar los datos de entrada de flujo y existencias de carbono necesarios para la contabilidad de carbono de UNSEEA, predecimos espacialmente el flujo neto de carbono 2010-2018 utilizando aprendizaje automático conjunto en cinco países con datos de referencia. Descubrimos que mapear los flujos de carbono en alta resolución es un desafío, a juzgar por la variabilidad en los resultados de precisión de los mapas. La teledetección puede detectar la tala rasa de bosques y su pérdida debido a la conversión de tierras, pero detectar cambios forestales graduales es más difícil. Otro desafío al utilizar la teledetección para estimar los flujos de carbono es el efecto de saturación, que puede reducirse con enfoques de corrección del sesgo28,59. Si bien existen claras incertidumbres en las estimaciones a nivel de píxeles de los flujos de carbono derivados de EO, estas incertidumbres se reducen mucho cuando los píxeles se agregan a los tipos de ecosistemas UNSEEA donde las reservas y los flujos de carbono se informan por tipo de extensión, por ejemplo, bosque (Nivel 1) o bosque caducifolio. (Nivel 2). Para la clasificación de Nivel 2, encontramos una correlación de corto alcance de los errores del mapa de flujo de carbono que puede considerarse insignificante cuando agregamos el flujo de carbono del píxel a UNSEEA.

Las tablas de contabilidad de carbono resultantes revelaron el secuestro neto de carbono en los bosques naturales de hoja ancha. Tanto en las plantaciones como en otros ecosistemas de vegetación leñosa, las emisiones superaron el secuestro. En general, nuestras estimaciones se alinean con la Evaluación de Recursos Forestales de la FAO y los estudios nacionales con las mayores desviaciones en Brasil y Estados Unidos. Estos dos países utilizaron datos de referencia altamente agrupados, donde el agrupamiento causaba incertidumbre dada la necesidad de extrapolar a áreas submuestreadas. Anticipamos que, con más datos de EO y datos de referencia disponibles en un futuro cercano, el mapeo anual de carbono será cada vez más factible y puede revelar tendencias relacionadas con cambios graduales en los bosques. Esto permite compilar cuentas de carbono más precisas, oportunas y rentables en línea con UNSEEA.

La persona de contacto para los datos de referencia del NFI es Mart-Jan Schelhaas ([email protected]). Consulte Labriere et al. Documento de 2018 para obtener más información sobre los conjuntos de datos LiDAR. Se puede acceder a los modelos espaciales y la información sobre los conjuntos de datos de teledetección aquí: https://github.com/arnanaraza/SEEA_RS.

Nabuurs, G.-J. et al. La declaración forestal de Glasgow necesita nuevos modos de propiedad de los datos. Nat. Subir. Cambiarhttps://doi.org/10.1038/s41558-022-01343-3 (2022).

Artículo de Google Scholar

Goetz, SJ y cols. Mapeo y seguimiento de las reservas de carbono con observaciones satelitales: una comparación de métodos. Gestión del balance de carbono. https://doi.org/10.1186/1750-0680-4-2 (2009).

Artículo PubMed PubMed Central Google Scholar

NACIONES UNIDAS. Sistema de Contabilidad Ambiental-Económica-Contabilidad de Ecosistemas (SEEA EA) (2021).

Buendía, E. et al. Perfeccionamiento de las Directrices del IPCC de 2006 para los inventarios nacionales de gases de efecto invernadero (IPCC, 2019).

Google Académico

Rodríguez-Veiga, P., Saatchi, S., Tansey, K. & Balzter, H. Magnitud, distribución espacial e incertidumbre de los stocks de biomasa forestal en México. Sensores remotos. Medio ambiente. 183, 265–281. https://doi.org/10.1016/j.rse.2016.06.004 (2016).

ADS del artículo Google Scholar

Araza, A., Herold, M., Hein, L. & Quinones, M. El primer mapa de biomasa aérea de Filipinas producido mediante teledetección y aprendizaje automático. En 2021 Simposio internacional de geociencia y teledetección del IEEE IGARSS, https://doi.org/10.1109/igarss47720.2021.9553225 (IEEE, 2021).

Hein, L. y col. Contabilidad de ecosistemas en los Países Bajos. Ecosistema. Serv. 44, 101118. https://doi.org/10.1016/j.ecoser.2020.101118 (2020).

Artículo de Google Scholar

Vargas, L., Willemen, L. & Hein, L. Evaluación de la capacidad de los ecosistemas para suministrar servicios ecosistémicos mediante teledetección y un enfoque de contabilidad ecosistémica. Reinar. Gestionar. 63, 1-15. https://doi.org/10.1007/s00267-018-1110-x (2018).

ADS del artículo Google Scholar

Hein, L. y col. Progresos en la contabilización del capital natural de los ecosistemas. Ciencia 367, 514–515. https://doi.org/10.1126/science.aaz8901 (2020).

Artículo ADS CAS PubMed Google Scholar

McRoberts, RE, Næsset, E., Sannier, C., Stehman, SV & Tomppo, EO Soporte de teledetección para el enfoque de pérdidas y ganancias para los inventarios de gases de efecto invernadero. Sensores remotos 12, 1891. https://doi.org/10.3390/rs12111891 (2020).

ADS del artículo Google Scholar

Esteban, J., McRoberts, RE, Fernández-Landa, A., Tomé, JL y Marchamalo, M. Un estimador de volumen basado en modelos que tiene en cuenta tanto la clasificación errónea de la cobertura terrestre como la incertidumbre de la predicción del modelo. Sensores remotos 12, 3360. https://doi.org/10.3390/rs12203360 (2020).

ADS del artículo Google Scholar

Houghton, RA y cols. Emisiones de carbono derivadas del uso de la tierra y el cambio de cobertura terrestre. Biogeociencias 9, 5125–5142. https://doi.org/10.5194/bg-9-5125-2012 (2012).

Artículo ADS CAS Google Scholar

Yanai, R. y col. Mejorar la incertidumbre en la contabilidad del carbono forestal para los esfuerzos de mitigación de REDD. Reinar. Res. Lett.https://doi.org/10.1088/1748-9326/abb96f (2020).

Artículo de Google Scholar

Araza, A. et al. Un marco integral para evaluar la precisión y la incertidumbre de los mapas globales de biomasa aérea. En t. J. Aplica. Observación de la Tierra. Geoinf. 272, 112917. https://doi.org/10.1016/j.rse.2022.112917 (2022).

Artículo de Google Scholar

Ryan, CM y cols. Cuantificación de la deforestación y degradación forestal a pequeña escala en los bosques africanos mediante imágenes de radar. Globo. Cambiar Biol. 18, 243–257. https://doi.org/10.1111/j.1365-2486.2011.02551.x (2011).

ADS del artículo Google Scholar

de Bruin, S., Brus, DJ, Heuvelink, GB, van Ebbenhorst Tengbergen, T. y Wadoux, AM-C. Manejo de muestras agrupadas para evaluar la precisión del mapa mediante validación cruzada. Ecológico. Informar. 69, 101665. https://doi.org/10.1016/j.ecoinf.2022.101665 (2022).

Artículo de Google Scholar

Labrière, N. et al. Hacia un sistema de medición de referencia de biomasa forestal para aplicaciones de teledetección. Globo. Cambio Biol. https://doi.org/10.1111/gcb.16497 (2022).

Artículo de Google Scholar

Shettles, M., Temesgen, H., Gray, AN y Hilker, T. Comparación de la incertidumbre en estimaciones de biomasa aérea por unidad de área para dos conjuntos de modelos seleccionados. Para. Ecológico. Gestionar. 354, 18-25. https://doi.org/10.1016/j.foreco.2015.07.002 (2015).

Artículo de Google Scholar

Meyer, H. y Pebesma, E. ¿Predecir en un espacio desconocido? Estimar el área de aplicabilidad de los modelos de predicción espacial. Métodos Ecología. Evolución. 12, 1620-1633. https://doi.org/10.1111/2041-210x.13650 (2021).

Artículo de Google Scholar

Keith, H., Vardon, M., Stein, J. & Lindenmayer, D. Contribución de los bosques nativos a la mitigación del cambio climático: un enfoque común para la contabilidad del carbono que alinea los resultados de la contabilidad ambiental y económica con las reglas para la reducción de emisiones. Reinar. Ciencia. Política 93, 189–199. https://doi.org/10.1016/j.envsci.2018.11.001 (2019).

Artículo de Google Scholar

Harris, NL et al. Mapas globales de los flujos de carbono forestal del siglo XXI. Nat. Subir. Cambiar https://doi.org/10.1038/s41558-020-00976-6 (2021).

Artículo de Google Scholar

Santoro, M. & Cartus, O. Iniciativa de cambio climático de biomasa de Esa (biomass_cci): Conjuntos de datos globales de biomasa forestal aérea para el año 2017, v1, https://doi.org/10.5285/BEDC59F37C9545C981A839EB552E4084 (2019).

Heuvelink, GB & Webster, R. Estadísticas espaciales y cartografía de suelos: una asociación floreciente bajo presión. Escupió. Estadística. 50, 100639. https://doi.org/10.1016/j.spasta.2022.100639 (2022).

Artículo MathSciNet Google Scholar

Schelhaas, M.-J. et al. Gestión forestal europea real por región, especie de árbol y propietario basada en 714.000 árboles medidos nuevamente en inventarios forestales nacionales. Más uno 13, e0207151. https://doi.org/10.1371/journal.pone.0207151 (2018).

Artículo CAS PubMed PubMed Central Google Scholar

Longo, M. et al. Variabilidad de la biomasa aérea en bosques intactos y degradados en la Amazonia brasileña. Globo. Biogeoquímica. Ciclos 30, 1639-1660. https://doi.org/10.1002/2016gb005465 (2016).

Artículo ADS CAS Google Scholar

Johnson, BR, Kuester, MA, Kampe, TU & Keller, M. Mediciones remotas aéreas de la red nacional de observatorios ecológicos (NEON) de la bioquímica y la estructura del dosel vegetal. En el Simposio Internacional de Geociencia y Teledetección del IEEE de 2010, https://doi.org/10.1109/igarss.2010.5654121 (IEEE, 2010).

Labrière, N. et al. Conjuntos de datos de referencia in situ de las campañas TropiSAR y AfriSAR en apoyo de las próximas misiones espaciales de biomasa. En IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing. 11(10), 3617–3627. https://doi.org/10.1109/JSTARS.2018.2851606 (2018).

Araza, A. et al. Un marco integral para evaluar la precisión y la incertidumbre de los mapas globales de biomasa aérea. Sensores remotos. Medio ambiente. 272, 112917. https://doi.org/10.1016/j.rse.2022.112917 (2022).

ADS del artículo Google Scholar

Equipo de desarrollo de QGIS. Sistema de Información Geográfica QGIS (Asociación QGIS, 2023).

Google Académico

Santoro, M. et al. Reserva mundial de biomasa forestal aérea para 2010 estimada a partir de observaciones satelitales de alta resolución. Sistema Tierra. Ciencia. Datos 13, 3927–3950. https://doi.org/10.5194/essd-13-3927-2021 (2021).

ADS del artículo Google Scholar

Gebejes, A. & Huertas, R. Caracterización de texturas basada en matriz de coocurrencia de niveles de grises. Bases de datos 9, 375–378 (2013).

Google Académico

Xu, L. y col. Cambios en la biomasa viva terrestre global durante el siglo XXI. Ciencia. Adv. 7, eabe9829. https://doi.org/10.1126/sciadv.abe9829 (2021).

Artículo ADS CAS PubMed Google Scholar

Yu, Y. et al. Hacer que el inventario forestal nacional de EE. UU. sea espacialmente contiguo y temporalmente consistente. Reinar. Res. Letón. 17, 065002. https://doi.org/10.1088/1748-9326/ac6b47 (2022).

ADS del artículo Google Scholar

Potapov, P. y otros. Mapeo de la altura del dosel forestal global mediante la integración de datos GEDI y Landsat. Sensores remotos. Medio ambiente. 253, 112165. https://doi.org/10.1016/j.rse.2020.112165 (2021).

ADS del artículo Google Scholar

Defourny, P. y col. CCI de cobertura terrestre. Guía del usuario del producto Versión 2, 325 (2012).

Google Académico

Sexton, JO et al. Campos continuos de cobertura arbórea global con resolución de 30 m: reescalado basado en Landsat de campos continuos de vegetación MODIS con estimaciones de error basadas en LIDAR. En t. J. Dígito. Tierra 6, 427–448. https://doi.org/10.1080/17538947.2013.786146 (2013).

ADS del artículo Google Scholar

Grantham, HS y cols. La modificación antropogénica de los bosques significa que sólo el 40% de los bosques restantes tienen una alta integridad ecosistémica. Nat. Comunitario.https://doi.org/10.1038/s41467-021-20999-7 (2021).

Artículo PubMed PubMed Central Google Scholar

Lesiv, M. y col. Datos de gestión forestal mundial para 2015 a una resolución de 100 m. Ciencia. Datos https://doi.org/10.1038/s41597-022-01332-3 (2022).

Artículo PubMed PubMed Central Google Scholar

Witjes, M. et al. Un marco de aprendizaje automático de conjuntos espaciotemporales para generar mapas de series temporales de uso y cobertura del suelo para Europa (2000-2019) basados ​​en LUCAS, CORINE y GLAD landsat. PeerJ 10, e13573. https://doi.org/10.7717/peerj.13573 (2022).

Artículo PubMed PubMed Central Google Scholar

Jarvis, A., Reuters, HI, Nelson, A., Guevara, E. et al. Srtm lleno de agujeros para el globo versión 4. Base de datos CGIAR-CSI SRTM 90m (http://srtm.csi.cgiar.org) 15, 25–54 (2008).

Dinerstein, E. y col. Un enfoque basado en ecorregiones para proteger la mitad del reino terrestre. Biociencia 67, 534–545. https://doi.org/10.1093/biosci/bix014 (2017).

Artículo PubMed PubMed Central Google Scholar

Wolpert, DH Generalización apilada. Red neuronal. 5, 241–259. https://doi.org/10.1016/s0893-6080(05)80023-1 (1992).

Artículo de Google Scholar

Meinshausen, N. & Ridgeway, G. Bosques de regresión cuantil. J. Mach. Aprender. Res. 7, 983–999 (2006).

MathSciNet MATEMÁTICAS Google Scholar

Li, Y., Li, M., Li, C. y Liu, Z. Estimación de la biomasa aérea forestal utilizando datos landsat 8 y sentinel-1a con algoritmos de aprendizaje automático. Ciencia. Rep. https://doi.org/10.1038/s41598-020-67024-3 (2020).

Artículo PubMed PubMed Central Google Scholar

Büttner, G. CORINE cobertura del suelo y productos de cambio de cobertura del suelo. En Land Use and Land Cover Mapping in Europe (ed. Büttner, G.) 55–74 (Springer Países Bajos, 2014). https://doi.org/10.1007/978-94-007-7969-3_5.

Capítulo Google Scholar

Wickham, H. ggplot2: Gráficos elegantes para análisis de datos (Springer-Verlag, 2016).

Libro MATEMÁTICAS Google Scholar

Taghizadeh-Mehrjardi, R. et al. Estrategias de remuestreo sintético y aprendizaje automático para el mapeo digital de suelos en Irán. EUR. J. Ciencia del suelo. 71, 352–368. https://doi.org/10.1111/ejss.12893 (2020).

Artículo de Google Scholar

Hansen, MC y cols. Mapas globales de alta resolución del cambio de la cubierta forestal del siglo XXI. Ciencia 342, 850–853. https://doi.org/10.1126/science.1244693 (2013).

Artículo ADS CAS PubMed Google Scholar

Decuyper, M. y col. Monitoreo continuo de la dinámica del cambio forestal con series temporales satelitales. Sensores remotos. Medio ambiente. 269, 112829. https://doi.org/10.1016/j.rse.2021.112829 (2022).

ADS del artículo Google Scholar

McRoberts, RE, Næsset, E., Saatchi, S. & Quegan, S. Inferencias basadas en modelos estadísticamente rigurosas a partir de mapas. Sensores remotos. Medio ambiente. 279, 113028. https://doi.org/10.1016/j.rse.2022.113028 (2022).

ADS del artículo Google Scholar

Santoro, M., Cartus, O. & Fransson, JE Dinámica de la reserva de carbono forestal sueca entre 2010 y 2015 estimada a partir de observaciones SAR satelitales de banda L. Sensores remotos. Medio ambiente. 270, 112846. https://doi.org/10.1016/j.rse.2021.112846 (2022).

ADS del artículo Google Scholar

Chave, J. et al. Los datos terrestres son esenciales para las misiones de teledetección de biomasa. Sobrevivir. Geofís. 40, 863–880 (2019).

ADS del artículo Google Scholar

Zhao, K. y col. Utilidad del lidar multitemporal para el monitoreo de bosques y carbono: crecimiento de árboles, dinámica de biomasa y flujo de carbono. Sensores remotos. Medio ambiente. 204, 883–897. https://doi.org/10.1016/j.rse.2017.09.007 (2018).

ADS del artículo Google Scholar

Nesha, K. y col. Explorar las características de los inventarios forestales nacionales para su integración con datos globales de biomasa forestal obtenidos desde el espacio. Ciencia. Medio ambiente total. 850, 157788. https://doi.org/10.1016/j.scitotenv.2022.157788 (2022).

Artículo ADS CAS PubMed Google Scholar

Takoutsing, B. & Heuvelink, GB Comparación del rendimiento de predicción, cuantificación de la incertidumbre y potencial de extrapolación del kriging de regresión y bosque aleatorio teniendo en cuenta los errores de medición del suelo. Geoderma 428, 116192. https://doi.org/10.1016/j.geoderma.2022.116192 (2022).

ADS del artículo Google Scholar

Mauro, F. et al. Estimación de cambios en los atributos estructurales del bosque en tres niveles de agregación espacial diferentes en el norte de California utilizando LiDAR multitemporal. Sensores remotos 11, 923 (2019).

ADS del artículo Google Scholar

Popescu, SC, Wynne, RH & Scrivani, JA Fusión de datos lidar y multiespectrales de huella pequeña para estimar el volumen y la biomasa a nivel de parcela en bosques de pinos y caducifolios en Virginia, EE. UU. Para. Ciencia. 50, 551–565 (2004).

Google Académico

de Bruin, S. Predecir la extensión del área de los tipos de cobertura terrestre utilizando imágenes clasificadas y geoestadísticas. Sensores remotos. Medio ambiente. 74, 387–396. https://doi.org/10.1016/s0034-4257(00)00132-2 (2000).

ADS del artículo Google Scholar

Csillik, O., Reiche, J., Sy, VD, Araza, A. y Herold, M. El monitoreo remoto rápido revela puntos críticos espaciales y temporales de pérdida de carbono en las selvas tropicales de África. Comunitario. Medio ambiente terrestre. https://doi.org/10.1038/s43247-022-00383-z (2022).

Artículo de Google Scholar

Descargar referencias

Este estudio fue financiado en parte por los proyectos (1) IFBN/FOS (4000114425/15/NL/FF/gp), SEN4LDN (4000138770/22/I-DT) y CCI Biomass (4000123662/18/I-NB) financiados por la Agencia Espacial Europea; (2) Proyecto Open Earth Monitor financiado por la Unión Europea (acuerdo de subvención n.º 101059548). Los autores agradecen a Mart-Jan Schelhaas y Jonas Fridman por los conjuntos de datos de referencia europeos, y a Nicolas Labriere por los conjuntos de datos de referencia de Brasil y EE. UU.

Laboratorio de Geoinformación y Teledetección, Universidad e Investigación de Wageningen, Wageningen, Países Bajos

Arnán Araza, Sytze de Bruin y Martín Herold

Análisis de sistemas ambientales, Universidad e Investigación de Wageningen, Wageningen, Países Bajos

Arnán Araza y Lars Hein

Sección de Teledetección y Geoinformática, Centro Alemán de Investigación en Geociencias Helmholtz GFZ, Telegrafenberg Potsdam, Alemania

Martín Herold

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

AA conceptualizó el estudio, analizó los resultados y redactó el manuscrito; SdB analizó los resultados, revisó y editó el manuscrito; LH conceptualizó el estudio, revisó y editó el manuscrito y proporcionó recursos; MH revisó y editó el manuscrito y proporcionó recursos.

Correspondencia a Arnán Araza.

Los autores declaran no tener conflictos de intereses.

Springer Nature se mantiene neutral con respecto a reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Acceso Abierto Este artículo está bajo una Licencia Internacional Creative Commons Attribution 4.0, que permite el uso, compartir, adaptación, distribución y reproducción en cualquier medio o formato, siempre y cuando se dé el crédito apropiado al autor(es) original(es) y a la fuente. proporcione un enlace a la licencia Creative Commons e indique si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la normativa legal o excede el uso permitido, deberá obtener permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

Araza, A., de Bruin, S., Hein, L. et al. Predicciones espaciales e incertidumbres de los flujos de carbono forestal para la contabilidad del carbono. Representante científico 13, 12704 (2023). https://doi.org/10.1038/s41598-023-38935-8

Descargar cita

Recibido: 06 de febrero de 2023

Aceptado: 17 de julio de 2023

Publicado: 05 de agosto de 2023

DOI: https://doi.org/10.1038/s41598-023-38935-8

Cualquier persona con la que compartas el siguiente enlace podrá leer este contenido:

Lo sentimos, actualmente no hay un enlace para compartir disponible para este artículo.

Proporcionado por la iniciativa de intercambio de contenidos Springer Nature SharedIt

Al enviar un comentario, acepta cumplir con nuestros Términos y pautas de la comunidad. Si encuentra algo abusivo o que no cumple con nuestros términos o pautas, márquelo como inapropiado.