Estimating Biomass in Trans-Himalayan Rangelands Using Sentinel-2 Data and Machine Learning Approaches

El Gran Detective de la Hierba: Una historia de montañas, satélites y computadoras inteligentes

Imagina que la piel de la Tierra está cubierta por vastas y salvajes alfombras de hierba y arbustos llamadas pastizales. Estos no son solo paisajes bonitos; son las gigantescas mesas de comedor para millones de vacas, ovejas y cabras, y ayudan a mantener el agua del planeta limpia y el aire fresco. Pero aquí está el problema: estas alfombras de hierba se están desgastando. Demasiados animales comiendo a la vez, cambios en el clima y la presión humana están convirtiendo prados exuberantes en parches polvorientos. Para solucionar esto, necesitamos saber exactamente cuánta hierba queda, pero contándola de la forma antigua es una pesadilla. Implica subir montañas empinadas y rocosas, cortar pequeños cuadrados de hierba con tijeras, secarlos al sol y pesarlos. Es lento, costoso y no se puede hacer en todas partes al mismo tiempo.

Aquí es donde entra la magia de la "teledetección" y el "aprendizaje automático". Piensa en la teledetección como una cámara gigante y de alta tecnología en el cielo (un satélite) que puede ver colores que nuestros ojos no pueden, como el "borde rojo" invisible de la luz con la que brillan las plantas cuando están sanas. El aprendizaje automático es como un estudiante de computadora súper inteligente que puede mirar millones de estas fotos satelitales y aprender a adivinar cuánta hierba hay en el suelo sin haber pisado nunca el terreno. Los científicos han intentado enseñar a estas computadoras a ser precisas, pero las zonas montañosas son complicadas porque las sombras y las pendientes pronunciadas confunden a las cámaras. La gran pregunta es: ¿Podemos construir un sistema inteligente que pueda "pesar" la hierba con precisión en estas difíciles montañas de gran altitud simplemente mirando desde el cielo?

---

La misión del artículo: Enseñando a las computadoras a contar la hierba entre las nubes

Este artículo de investigación es como una guía de campo para un nuevo tipo de trabajo detectivesco. Los autores, un equipo de científicos de Pakistán y Canadá, se propusyeron resolver el misterio de cuánta hierba (biomasa) crece en los pastizales transhimalayos de Upper Dir y Swat. Estas son zonas montañosas escarpadas, de gran altitud, donde el terreno es tan empinado y el clima tan salvaje que los métodos tradicionales de conteo son casi imposibles. En lugar de enviar equipos de excursionistas a cortar la hierba, el equipo decidió utilizar datos del satélite Sentinel-2, que toma imágenes increíblemente detalladas de la Tierra cada pocos días.

Trataron las imágenes satelitales como un rompecabezas gigante. Primero, fueron al campo durante los veranos de 2022 y 2023 para recolectar la "verdad de terreno". Caminaron hasta puntos aleatorios, midieron el peso seco real de la hierba en pequeños cuadrados y registraron las coordenadas GPS. Esta fue su clave de respuestas. Luego, observaron las fotos satelitales de esos mismos puntos exactos para ver qué "veía" el satélite. Probaron 50 fórmulas matemáticas diferentes (llamadas índices de vegetación) que intentan convertir la luz en números. Fue como probar 50 recetas diferentes para ver cuál hacía el mejor pastel.

El descubrimiento: El "Borde Rojo" gana la carrera

El equipo descubrió que no todas las recetas eran iguales. Algunas de las fórmulas antiguas y estándar, como la famosa NDVI (que mide qué tan verde se ven las plantas), estaban bien, pero perdían los detalles más finos. La verdadera estrella del espectáculo resultó ser una fórmula llamada REDVI1. Esta fórmula utiliza una parte especial del espectro de luz llamada el "Borde Rojo", que es como un saludo secreto entre el satélite y la clorofila de la planta.

Cuando probaron sus teorías, REDVI1 fue el claro ganador en cuanto a la precisión de la predicción en el cribado inicial. En 2023, predijo la cantidad de hierba con una puntuación de precisión (R²) de 0.86, lo cual es una coincidencia muy sólida. La fórmula estándar de medición de color verde, NDVI, solo obtuvo un 0.7376. Es como si REDVI1 pudiera ver la salud de la hierba desde una milla de distancia, mientras que NDVI estaba entrecerrando los ojos y adivinando.

Pero saber la mejor fórmula no era suficiente; también necesitaban el cerebro de computadora más inteligente para hacer las matemáticas. Probaron tres "estudiantes" de aprendizaje automático diferentes:

1. PLSR (un pensador lineal).
2. SVR (una máquina de vectores de soporte).
3. RFR (Regresión de Bosques Aleatorios).

El modelo de Bosque Aleatorio (RFR) fue el campeón. No solo adivinaba; construyó un bosque de árboles de decisión que podía manejar la realidad desordenada y complicada de las montañas. Fue mucho más estable y preciso que los otros, con una puntuación de rendimiento (NSE) de 0.92 en 2023. El artículo señala explícitamente que los métodos lineales más antiguos y simples, así como los otros modelos de aprendizaje automático, tuvieron más dificultades con las extrañas sombras y las pendientes pronunciadas de las montañas. El modelo RFR fue el único que pudo ignorar consistentemente el ruido y encontrar la señal.

El mapa: Dónde la hierba es abundante y dónde es escasa

Utilizando su modelo de aprendizaje automático ganador (RFR) para validar los datos, el equipo creó luego un mapa detallado de toda la región. Sin embargo, para el mapa final real, no utilizaron directamente el complejo modelo de computadora. En su lugar, aplicaron una ecuación de regresión lineal más simple basada en REDVI2. Aunque REDVI1 fue el mejor predictor de precisión en el cribado inicial, el equipo encontró que REDVI2 tenía la correlación más alta para la fase de mapeo específica (con un R² de 0.7204 en 2023), por lo que utilizaron esa fórmula para calcular el peso de la hierba para cada píxel del mapa.

Los resultados revelaron una historia fascinante sobre la tierra:

• El promedio: En toda el área de estudio, la cantidad promedio de hierba seca era de 5,896.78 kg/ha.
• Los extremos: La hierba no estaba distribuida uniformemente. Algunos lugares tenían casi nada de hierba (cerca de pueblos y ríos donde los animales pastan todo el año), mientras que otros puntos eran increíblemente exuberantes. Los parches más altos llegaron hasta los 11,516.7 kg/ha de hierba.
• El patrón: El artículo encontró que la hierba cerca de los pueblos y fuentes de agua estaba a menudo degradada, con una biomasa baja (menos de 3,500 kg/ha). Esto se debe a que los animales han estado comiendo allí durante demasiado tiempo sin un descanso. Sin embargo, las altas montañas, que están cubiertas de nieve la mayor parte del año, tenían una hierba espesa y saludable (más de 7,000 kg/ha) porque la nieve mantenía alejados a los animales, dándole a las plantas la oportunidad de volver a crecer.

Lo que esto significa para el futuro

Los autores tienen cuidado de no afirmar que han "resuelto" el problema de la gestión de los pastizales para siempre. En su lugar, sugieren que este método ofrece una nueva y poderosa herramienta. Demostraron que no es necesario cortar la hierba para saber cuánta hay; se puede usar un satélite y una computadora inteligente para obtener una imagen muy precisa.

Esto es algo muy importante para la gente que vive allí. Si los líderes locales pueden ver un mapa que diga: "Oye, este valle se está quedando sin hierba", pueden mover a los animales a una zona diferente antes de que la tierra se destruya. Convierte las conjeturas en ciencia. El artículo concluye que este enfoque es preciso, escalable y no invasivo, ofreciendo una forma de proteger estos frágiles ecosistemas montañosos y los medios de vida de las personas que dependen de ellos. Es un recordatorio de que, a veces, la mejor manera de entender el suelo es mirarlo desde el cielo.