Los ecosistemas terrestres pueden funcionar gracias fundamentalmente al aporte energético de la luz que llega a la biosfera. Sin esa energía, sin esa luz, no hay nada que hacer. ¿Pero cómo podemos conocer el estado actual de los ecosistemas en cualquier punto del planeta y cualquier momento? Para ello se recurre al concepto de flujo de energía, que resume el trasvase de la energía lumínica a los ecosistemas, que se emplea para su funcionamiento, y éstos a su vez la transfieren a la atmósfera en forma de calor. Estimar con precisión el nivel de evapotranspiración de un punto en la superficie terrestre (calor latente); el calor sensible que produce aumentos de temperatura sin cambios de estado, o los flujos netos de radiación sobre la Tierra, entre otros factores, supone todavía un reto para la ciencia. Avanzar en su análisis y modelado, a escala global, permitirá avanzar en el desarrollo de modelos climáticos complejos que mejorarán la evaluación del sistema Tierra y, con ello, las predicciones de futuro respecto a cuestiones como la disponibilidad de agua en zonas determinadas o la sensibilidad a las sequías, por poner algunos ejemplos.
La Inteligencia Artificial y el Big Data aportan ahora nuevas herramientas a este campo de la ciencia. Investigadores del Image Processing Lab (IPL) de la Universitat de València, en el Parc Científic de la institución, junto a un equipo internacional liderado por el Instituto Max Planck de Biogeoquímica (Jena, Alemania), han utilizado datos de 224 torres de flujo de la red FLUXNET, además de sensores en satélites de observación de la tierra y mediciones meteorológicas, para generar mediante el uso de técnicas de teledetección y machine learning (aprendizaje automático) un gran conjunto de productos orientados al análisis del flujo de energía entre el planeta y la atmósfera. Los productos generados proporcionan mapas de estimaciones de distintos tipos de flujos de energía y carbono, además de sus incertidumbres asociadas.
FLUXCOM, como se denomina el proyecto, abarca gran cantidad de datos complementarios de mediciones locales, observación por satélite y meteorología, que proporcionan estimaciones de flujos de energía variables en el tiempo y en cualquier punto de la Tierra durante las últimas décadas. “Nuestro equipo ha aportado principalmente algoritmos de machine learning y experiencia en análisis de datos –métodos núcleo y procesos gaussianos–, mientras que otros socios en el consorcio entrenaban redes neuronales, árboles de decisión y splines multivariados, por ejemplo”, comenta Gustau Camps-Valls, profesor del Departament d’Enginyeria Electrònica y responsable del grupo de Procesado de Imágenes y Señales (ISP) del IPL. “Se trata de métodos complementarios que, en su conjunto, mejoran el análisis de resultados y aportan firmeza y entidad a la herramienta cuando son combinados”, concluye.
Los datos de FLUXCOM están disponibles gratuitamente (CC4.0.BY licencia) en el portal de datos del MPI-BGC. “Esperamos que esta base de datos proporcione un excelente punto de referencia para los Modelos de Sistemas Terrestres globales”, señala Gianluca Tramontana, investigador en el IPL que ha participado muy activamente en el desarrollo de redes neuronales y árboles de decisión.
Publicaciones relacionadas
«The FLUXCOM ensemble of global land-atmosphere energy fluxes»
Martin Jung, Sujan Koirala, Ulrich Weber, Kazuhito Ichii, Fabian Gans, Gustau Camps-Valls, Dario Papale, Christopher Schwalm, Gianluca Tramontana & Markus Reichstein, Nature Scientific Data 6:74(2019), doi: 10.1038/s41597-019-0076-8
«Compensatory water effects link yearly global land CO2 sink changes to temperature.» Martin Jung, Markus Reichstein, Christopher R. Schwalm, Chris Huntingford, Stephen Sitch, Anders Ahlström, Almut Arneth, Gustau Camps-Valls, Philippe Ciais, Pierre Friedlingstein, Fabian Gans, Kazuhito Ichii, Atul K. Jain, Etsushi Kato, Dario Papale , Ben Poulter, Botond Raduly, Christian Rodenbeck, Gianluca Tramuntana, Nicolas Viovy, Ying-Tennis Wang, Ulrich Weber, Sönke Zaehle, Ning Zeng. Nature 2017; DOI: 10.1038/nature20780.