El machine learning revoluciona las metodologías para cuantificar la biosfera terrestre

01/03/2021

Investigadores de la Universitat establecen una nueva metodología para mejorar, desde el espacio y mediante machine learning, la observación y análisis de la biosfera terrestre. Este enfoque estadístico supondrá un avance significativo en monitorización de cultivos y sumideros de carbono, así como en predicción de inundaciones y sequías. El trabajo aparece publicado en la revista Science Advances.

La nueva metodología de aprendizaje automático permite mejorar la precisión en la predicción de parámetros clave, como el índice de área foliar, la productividad primaria bruta y la fluorescencia de la clorofila inducida por el sol, entre otros. El campo de aplicaciones es enorme y promete ser de gran utilidad para mejorar la monitorización de cultivos y los sumideros de carbono, detectar cambios y anomalías, sequías e inundaciones. La aplicación de estas técnicas de aprendizaje automático permitirá medidas más precisas de la dinámica de los sumideros de carbono terrestre, que tiene implicaciones en las acciones de mitigación del cambio climático global.

La Tierra está cambiando rápidamente y lo hace de muchas formas. Los sensores a bordo de satélites –también de aviones y drones– obtienen continuamente información valiosa sobre nuestro planeta de forma remota. Cuantificar la cubierta vegetal y estudiar su estructura bioquímica y funcionamiento desde el espacio es clave para comprender el cambio global, la biodiversidad y la agricultura.

Desde la década de los 70, la teledetección se ha basado en gran medida en el uso de índices de vegetación, que son fórmulas paramétricas de la señal espectral que adquieren los satélites. Estos índices, simples de calcular, están diseñados para correlacionarse bien con fenómenos biofísicos particulares de la cobertura terrestre, como el verdor, el contenido de agua o la actividad fotosintética, entre otros. Por ello, estos índices se han utilizado y se siguen utilizando ampliamente para la cuantificación de la biosfera terrestre, su productividad y su dinámica. Sin embargo, la literatura y las múltiples aplicaciones revelan importantes limitaciones, que finalmente se resuelven en este estudio.

En el artículo que publica Science Advances, que tiene como primer autor al físico y catedrático de Ingeniería Electrónica y coordinador del grupo Image and Signal Processing (ISP) de la Universitat de València Gustau Camps-Valls, los científicos presentan un enfoque metodológico de aprendizaje automático (machine learning) cuyo marco teórico permite generalizar todos los índices de vegetación usados en la literatura al respecto. “Hemos comprobado que todos los enfoques anteriores –más heurísticos, intuitivos y basados en principios físicos sencillos– encajan como casos particulares en nuestra metodología. Ahora, desde una perspectiva estadística, ganamos en precisión y salvamos las limitaciones que frenaban el avance en este apartado de los estudios sobre la biosfera terrestre”, explica Camps-Valls. “La nueva metodología mejora los resultados en todas las aplicaciones que hemos abordado: monitoreo de la fenología de la vegetación, cuantificación de la absorción de carbono y actividad fotosintética a escala planetaria. También mostramos que es extremadamente útil para detectar cambios y cobertura vegetal, así como para estimar el rendimiento de los cultivos desde el espacio, por ejemplo”, añade Álvaro Moreno, investigador del ISP (IPL-UV) y miembro del ERC Synergy Grant USMILE que dirige Gustau Camps.

La metodología propuesta, que permite mejorar todos los índices de vegetación, y en particular el índice más empleado en las últimas cuatro décadas –el NDVI–, da las claves para diseñar índices nuevos y más potentes. Además, destaca por su extremada sencillez algorítmica. “Proporcionamos el código fuente en todos los lenguajes de programación, incluyendo el Google Earth Engine, una plataforma que permite escalar resultados a escala planetaria. De este modo, pensamos que el marco será adoptado por muchos científicos, profesionales y desarrolladores”, dice Jordi Muñoz, coautor y miembro del ISP. “El hecho de que el nuevo índice generalice todos los índices anteriores ofrece garantías teóricas de que siempre funcionará igual o mejor”, comenta Manuel Campos, miembro del grupo ESR del Departamento de Física de la Universitat de València, “y es algo muy sencillo de calcular y aplicar en la práctica", añade Javier García, del mismo grupo.

Además de su uso para el monitoreo de la biosfera terrestre, el enfoque estadístico planteado tiene posibles aplicaciones en estudios oceanográficos y de la atmósfera, entre otros. Los indicadores se emplean ampliamente en todas las ramas de la ciencia, y con esta metodología se pueden mejorar fácilmente.

Referencia:

A Unified Vegetation Index for Quantifying the Terrestrial Biosphere. Gustau Camps-Valls, Manuel Campos-Taberner, Álvaro Moreno-Martı́nez, Sophia Walther, Grégory Duveiller, Alessandro Cescatti, Miguel Mahecha, Jordi Muñoz-Marı́, Francisco Javier Garcı́a-Haro, Luis Guanter, John Gamon, Martin Jung, Markus Reichstein, Steven W. Running. Science Advances, 2021; 7: eabc7447. 26 February 2021 

https://advances.sciencemag.org/content/7/9/eabc7447

Video