Autor: Nicolás Antonio Ávila Puentes
En entregas anteriores de Geo para todos, hemos compartido artículos acerca de varias aplicaciones que se pueden dar a la información generada por los distintos satélites y sensores que monitorean nuestro planeta. Sin embargo, en 2018, las observaciones terrestres experimentaron un avance significativo en la calidad de esta información, gracias al lanzamiento de la misión Global Ecosystem Dynamics Information (GEDI).
Esta misión consistio en la instalación de un laser de alta resolución para el monitoreo de los bosques y de la topografía de la Tierra, el cual fue instalado en la Estación Espacial Internacional (ISS, por sus siglas en inglés) y cuyos datos están a nuestro alcance. De esta manera, por primera vez en la historia, se pueden efectuar mediciones de la altura y estructura vertical del dosel de los bosques, así como calcular la elevación de la superficie terrestre desde el espacio.
Imagen 1. Misión GEDI acoplada en la Estación Espacial Internacional. Fuente: NASA (2024).
Los datos generados por la misión GEDI han mejorado significativamente las estimaciones de biomasa aérea, los análisis del ciclo del agua, los estudios de biodiversidad, el monitoreo de glaciares y el comportamiento de las superficies cubiertas de nieve en diversas regiones del mundo. “La ciencia del dónde» requiere constantemente de flujos de información de calidad para realizar análisis que respalden la toma de decisiones en áreas críticas como la gestión forestal, la prevención de desastres y el seguimiento de las políticas públicas en distintos gobiernos a nivel global.
El funcionamiento de GEDI se basa en dos láseres de alta potencia y un tercer láser que divide su capacidad en dos rayos, generando un total de cuatro rayos. Debido a dinámicas asociadas al difuminado del haz de luz emitido, estos rayos experimentan una ligera desviación, lo que resulta en ocho huellas sobre la superficie terrestre. Imaginen que cada rayo láser actúa como una cinta métrica desde el espacio, midiendo los árboles más altos y densos , lo que nos permite desarrollar productos como la altura máxima del dosel, la elevación del suelo, el índice de área foliar y la diversidad de altura del follaje, entre otros.
Imagen 2. Patrón de muestreo GEDI. Fuente: NASA (2024).
Pero ¿cómo podemos tomar provecho de los datos generados por la misión GEDI? Desde Esri Panamá y de la mano de Geo para Todos exploramos estos datos y sus posibles aplicaciones. Hemos encontrado que, entre los numerosos productos de alto nivel, la estimación de la biomasa aérea nos permite avanzar hacia análisis más profundos, como la capacidad de almacenamiento de carbono y la evaluación del riesgo de incendios debido a la acumulación de material combustible.
En el presente artículo analizaremos la región del Darién panameño sobre la cual efectuaremos la estimación de la biomasa aérea con base en los productos GEDI. La región del Darién es más que un bosque; es un ecosistema singular que actúa como un guardián natural contra la variabilidad y el cambio climático. Saber cuánta biomasa alberga no solo nos ayuda a protegerla, sino también a demostrar su importancia como regulador de la tierra.
Para la estimación de la biomasa aerea se aplica un modelo de regresión de árboles aleatorios, cuyo objetivo es identificar las relaciones entre los valores conocidos de densidad de biomasa (datos GEDI) y las variables explicativas, que incluyen índices espectrales, modelos digitales de elevación, mapa de sombras y bandas espectrales. Durante el proceso de entrenamiento del modelo de regresión, el analista evalúa constantemente su rendimiento utilizando el coeficiente de determinación (R²), una medida estadística que permite determinar qué tan bien se ajustan los datos al modelo o a la línea de regresión ajustada.
Imagen 3. Gráfico de dispersión de datos y su relación con línea de regresión ajustada.
A continuación, procederemos a descargar los datos GEDI que registran los valores de densidad de biomasa aérea, capturados por los potentes láseres disparados desde la Estación Espacial Internacional. Posteriormente, continuaremos con el cálculo de índices espectrales y la construcción del modelo de sombras para el área de estudio.
1. OBTENCIÓN DE INFORMACIÓN
Para la estimación de la biomasa aérea de una zona de estudio se requieren tres insumos esenciales: Datos del nivel de huella de biomasa aérea, imagen multiespectral Landsat 8 o 9 y Modelo Digital de Elevación (DEM).
En relación con el primer insumo, a través de la plataforma Earth Explorer de la NASA es posible consultar y descargar los distintos productos e insumos generados mediante los múltiples sensores que monitorean la Tierra, entre ellos la misión GEDI. Al definir un área de estudio y buscar los datos “L4A Footprint Level Aboveground Biomass Density”, se puede proceder a su descarga. En este caso, queremos estimar la biomasa aérea en la región del Darién, por lo que nuestra área de consulta será esta específica región geográfica.
Imagen 4. Captura de pantalla interfaz consulta y descarga datos GEDI. Fuente: Earth Explorer (2024).
Una vez que hemos seleccionado nuestra área de estudio y descargado los datos generados por la misión GEDI, procedemos a efectuar la búsqueda de escenas de la misión Landsat 8 o 9 con el objetivo de generar un mosaico libre de nubes que nos permita avanzar en la estimación de índices espectrales. En cuanto al Modelo Digital de Elevación (DEM), este tiene por objetivo servir de insumo para la construcción de un mapa de sombras que represente la pendiente de cada uno de los píxeles del raster de entrada, es decir, del propio DEM.
Si bien es común buscar estos datos (Landsat y ALOS PALSAR) a través de diversas plataformas web, se puede aprovechar las nuevas facilidades que ofrece ArcGIS Pro mediante el acceso a los petabytes de información almacenados en Microsoft Planetary Computer. Así, al construir una conexión STAC (catálogo de activos espaciotemporales), que es un estándar para la organización y exposición de una gran cantidad de datos, es posible realizar análisis sin ocupar espacio de almacenamiento local, ya que estos datos se consultan y analizan directamente desde la nube.
2. ESTIMACIÓN DE ÍNDICES ESPECTRALES Y MODELO DE SOMBRAS
2.1. ÍNDICES ESPECTRALES
Una vez se ha obtenido el mosaico libre de nubes de nuestra área de estudio, es posible adelantar la estimación de múltiples índices espectrales a través de la aplicación de fórmulas matemáticas entre las distintas bandas que componen el mosaico elaborado.
Imagen 5. Índices espectrales e imagen Landsat multiespectral.
La relevancia de utilizar índices espectrales como variables explicativas en el modelo de regresión radica en su capacidad para identificar el estado de la vegetación, las cicatrices de quema, las variaciones en las masas de agua y resaltar áreas con edificaciones, entre otros aspectos. Esto mediante la combinación y operación de determinadas bandas de una imagen multiespectral.
2.2. MODELO DE SOMBRAS
A través del Modelo Digital de Elevación y el mapa de sombras es posible obtener datos que permitan relacionar la incidencia de la topografía sobre la variable que se desea explicar, en este caso, la densidad de la biomasa aérea en la zona de estudio.
Imagen 6. Modelo digital de elevación y modelo de sombras.
3. EXTRACCIÓN DATOS DE TRAYECTORIA MISIÓN GEDI
Los diferentes tipos de datos generados por la misión GEDI se clasifican como datos de trayectoria. Estos son similares a los conjuntos de datos multidimensionales, pero en este caso, el archivo de dimensión -típico de los raster multidimensionales- corresponde a la huella u órbita del satélite, que en este contexto corresponde a la Estación Espacial Internacional. Por otro lado, las variables o datos producidos son las mediciones realizadas por el sensor a bordo del satélite.
Una vez se han descargado los datos desde la plataforma Earth Explorer, es necesario crear un dataset de trayectoria y sobre el mismo agregar los valores de trayectoria obtenidos de la misión GEDI indicando que la variable que desea visualizarse corresponde a los datos de densidad de biomasa a nivel de suelo o Aboveground Biomass Density.
Imagen 7. En verde claro datos de trayectoria GEDI zona Darién.
4. ENTRENAMIENTO MODELO DE REGRESIÓN
Teniendo en cuenta que ya se han generado la totalidad de las variables explicativas y, a su vez, ya se han extraído los datos de trayectoria de la misión GEDI, se procede a desarrollar el entrenamiento del modelo de regresión con el apoyo de la herramienta “Train Random Trees Regression Model” de la caja de herramientas de ArcGIS pro.
Como información de entrada se requieren las distintas variables con las que se pretende efectuar el análisis, estas corresponden a los índices espectrales, la imagen multiespectral, el modelo digital de elevación y el modelo de sombras. Así mismo, los puntos objetivo o de muestra, serán los valores de densidad de biomasa obtenidos de la misión GEDI.
Producto de la ejecución de esta herramienta se generará un archivo .ecd que contiene los valores de clasifición definidos para el modelo y, como salidas adicionales, se recomienda generar los archivos de importancia en formato csv para su visualización, así como el diagrama de dispersión en formato pdf para validar el coeficiente de determinación (R2) y realizar la limpieza de datos que corresponda para mejorar el comportamiento del modelo.
Imagen 8. Salidas a partir del modelo de regresión
Como se puede observar en las imágenes anteriores, los archivos de salida generados mediante la herramienta del modelo de regresión de árboles aleatorios permiten al analista identificar las variables explicativas que tienen mayor impacto en la predicción o extrapolación de los valores de densidad de biomasa en el área de estudio. La topografía, relacionada con el modelo digital de elevación, así como las bandas 3, 4 y 6 y el NDVI, desempeñan un papel fundamental en la predicción de los valores de biomasa.
La relación entre las variables explicativas y el comportamiento de los valores de biomasa varía según la zona de estudio, lo que resalta la importancia de analizar estos valores de manera detallada. Además, el coeficiente de determinación indica que el 86,4 % de los datos se ajustan al modelo de regresión propuesto tras aplicar la herramienta.
Una vez obtenidos valores óptimos de R2, es posible proceder con la extrapolación o predicción de los valores de biomasa para toda el área de estudio. Como se observó anteriormente, los datos de trayectoria de la misión GEDI no cubren completamente la zona a analizar, lo que hace necesaria la extrapolación de los datos.
5. PREDICCIÓN
Después de entrenar el modelo y obtener un coeficiente de determinación que indique que un alto porcentaje de los datos de densidad de biomasa se ajustan a la regresión generada, es posible utilizar la herramienta “Predict Using Regression Model” de la caja de herramientas de ArcGIS Pro para extrapolar y predecir los valores de densidad de biomasa en toda el área de interés. Esto nos permite crear nuestra propia capa rasterizada de densidad de biomasa en la región del Darién panameña.
Imagen 9. Predicción de biomasa por corregimientos región del Darién panameño.
A partir de los resultados obtenidos al ejecutar la herramienta de predicción, es posible extraer los datos por píxel y generar estadísticas aproximadas de densidad de biomasa aérea en toneladas por hectárea para cada uno de los corregimientos que componen el área de estudio.
Como se observa en el siguiente gráfico, los corregimientos de Paya, Yape y Boca de Cupe presentan la mayor densidad en toda el área de estudio. Estos corregimientos se encuentran en la zona limítrofe con el Darién colombiano, una de las regiones de menor accesibilidad y con las mayores condiciones de pluviosidad del planeta.
Imagen 10. Gráfico de promedio de biomasa por corregimiento
El potencial de los datos generados por la misión GEDI presenta numerosas aplicaciones que facilitan el análisis y la obtención de información valiosa para la gestión de bosques, la prevención de riesgos y el desarrollo de políticas enfocadas en la protección de ecosistemas de especial importancia ecológica, como es el caso de la región del Darién.
La obtención de datos sobre la densidad de biomasa aérea es uno de los pasos iniciales para comprender las dinámicas de los ecosistemas boscosos. Aunque estos datos pueden ser refinados mediante trabajos de campo, la información generada desde el espacio, a través de las distintas misiones, entre ellas GEDI, permite cubrir muchos de los vacíos de información existentes en áreas de alta complejidad para el acceso de la comunidad científica, debido a condiciones ambientales y de seguridad.
Recientes investigaciones en diversos ecosistemas del planeta han demostrado que estos están perdiendo su capacidad para almacenar carbono, produciendo un impacto severo sobre la vida en el Planeta pues las metas de reducción de emisiones de carbono y de prevención del aumento de la temperatura media de la Tierra por encima de 1,5°C serán más difíciles de cumplir. Sin embargo, contar con una mejor capacidad para analizar y monitorear áreas como el Darién, el bioma amazónico y los bosques del Congo permitirá a la comunidad científica generar información más precisa para apoyar la toma de decisiones por parte de los gobiernos a nivel global.
En Esri Panamá creemos que la ciencia es el camino y con datos como los GEDI más todo el poder de ArcGIS Pro, tenemos una ventaja única para liderar la conservación de los bosques tropicales en el mundo. Depende de todos aprovechar este conocimiento para asegurar un futuro más verde y sostenible.
#LaCienciaEsElCamino
