Synthetic Aperture Radar, Multi-Source Data Fusion, and Machine Learning for Aboveground Biomass and Carbon Stock Estimation: A Systematic Review and Bibliometric Analysis
Esta revisión sistemática y análisis bibliométrico sintetiza 68 estudios desde 2004 hasta 2026 para demostrar cómo la integración de Radar de Apertura Sintética, teledetección de fuentes múltiples y aprendizaje automático ha avanzado la estimación de la biomasa aérea y las reservas de carbono, al tiempo que destaca una brecha de investigación crítica en la aplicación de estos marcos robustos y escalables a entornos de árboles urbanos heterogéneos.
Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo
Los árboles son los pulmones del planeta, que respiran dióxido de carbono y lo almacenan en forma de madera, hojas y raíces. Este carbono almacenado es un contrapeso vital a los gases de efecto invernadero que calientan nuestra atmósfera. Para entender cuánto carbono albergan los bosques del mundo, o cuánto podrían salvar los árboles de las calles de una ciudad, los científicos deben medir la "biomasa aérea", que es simplemente el peso total de todo el material vegetal vivo por encima del suelo. Durante décadas, la única forma de obtener un recuento preciso era entrar en un bosque, medir cada árbol con una cinta métrica y hacer las cuentas a mano. Si bien este método es preciso, es lento, costoso e imposible de realizar en todas partes al mismo tiempo. Hoy en día, tenemos una forma más rápida: observar la Tierra desde el espacio. Los satélites ahora pueden tomar fotografías de bosques y ciudades, utilizando diferentes tipos de "ojos" para ver lo que el ojo humano no puede. Algunos satélites ven el color, otros ven la forma del dosel, y algunos usan radar, que hace rebotar ondas invisibles en los árboles para revelar su estructura incluso a través de las nubes.
Una nueva revisión de la investigación científica reúne los últimos hallazgos sobre cómo estamos utilizando estas herramientas espaciales para contar árboles y estimar su carbono. Los investigadores detrás de esta revisión, Temitope Emmanuel Paul, Adedayo Adeleke y Abel Ramoelo, no fueron al campo ellos mismos. En su lugar, recopilaron y analizaron 68 estudios diferentes publicados entre 2004 y 2026. Su objetivo era ver cómo los científicos están combinando datos de diferentes satélites y utilizando programas informáticos inteligentes para determinar cuánto carbono se almacena en los árboles, tanto en bosques silvestres como en nuestras ciudades. Descubrieron que los mejores resultados no provienen del uso de un solo tipo de imagen satelital, sino de mezclarlas. Al combinar la información de color de las cámaras ópticas, los detalles estructurales de los escáneres láser y la visión para todo tipo de clima del radar, los científicos pueden construir una imagen mucho más clara de la salud y el tamaño de un bosque.
La historia de esta investigación es una de rápida evolución. En los primeros años del periodo que estudiaron, los científicos intentaban principalmente usar herramientas únicas para resolver el problema. Podían depender de un satélite que ve el color, o uno que usa radar, pero rara vez ambos. La revisión muestra que este enfoque ha cambiado. Hoy en día, los estudios más exitosos mezclan datos de múltiples fuentes. Toman los datos espectrales, que nos informan sobre el verdor y la salud de las hojas, y los combinan con datos estructurales que revelan la altura y la densidad de las ramas. Una de las herramientas más poderosas en esta mezcla es el radar, que envía señales de microondas que pueden penetrar las nubes y ver la forma de los árboles incluso cuando el cielo está cubierto. Otra herramienta clave es el LiDAR, que utiliza pulsos láser para crear un mapa 3D preciso del suelo del bosque y del dosel sobre él. Cuando los investigadores fusionan estos diferentes tipos de información, la precisión de sus estimaciones de carbono mejora significativamente en comparación con el uso de una sola fuente por sí sola.
Para dar sentido a todos estos datos mezclados, los científicos están recurriendo al aprendizaje automático (machine learning). Estos son programas informáticos que aprenden a partir de ejemplos en lugar de seguir un conjunto fijo de reglas. La revisión encontró que los programas más fiables y ampliamente utilizados son los métodos de "ensamble" (ensemble), que funcionan combinando las predicciones de muchos modelos más pequeños para llegar a una respuesta final. Entre estos, un método llamado Bosque Aleatorio (Random Forest) ha sido la opción más popular y robusta. Maneja muy bien los datos desordenados y complejos de los satélites y puede decirnos qué piezas de información fueron más importantes para el cálculo final. Otras herramientas poderosas, como el Aumento de Gradiente Extremo (Extreme Gradient Boosting), también se están utilizando para exprimir aún más la precisión. Más recientemente, el aprendizaje profundo (deep learning), un tipo de inteligencia artificial que imita el cerebro humano, ha comenzado a aparecer en la investigación. Estos sistemas avanzados son particularmente buenos para detectar árboles individuales en calles de ciudades congestionadas, pero requieren grandes cantidades de datos de entrenamiento y computadoras potentes para funcionar con eficacia.
A pesar de estos impresionantes saltos tecnológicos, la revisión destaca una brecha significativa en nuestro conocimiento. Si bien hemos aprendido mucho sobre cómo medir el carbono en vastos y continuos bosques, sabemos mucho menos sobre cómo hacerlo en las ciudades. Los entornos urbanos son increíblemente complejos; los árboles están dispersos entre edificios, carreteras y hormigón, y sus formas suelen estar distorsionadas por las estructuras circundantes. Los investigadores encontraron que muy pocos estudios han aplicado con éxito la poderosa combinación de radar y aprendizaje automático a los árboles urbanos. La mayoría de los estudios centrados en las ciudades todavía dependen en gran medida de imágenes ópticas y escaneos láser, dejando a menudo fuera los datos de radar que podrían ayudar a ver a través de las nubes y comprender la estructura de los árboles en condiciones difíciles. Esta es una oportunidad perdida, porque las ciudades son cada vez más importantes para las soluciones climáticas, y necesitamos formas precisas de contar el carbono en nuestros árboles de las calles para planificar un futuro más fresco.
El camino a seguir, según los autores, implica cerrar esta brecha. Sugieren que la investigación futura debe centrarse en crear modelos que puedan funcionar en diferentes tipos de paisajes, desde densas selvas tropicales hasta concurridos centros urbanos. Esto significa desarrollar mejores formas de manejar los desafíos únicos de las ciudades, donde las señales de radar pueden rebotar en los edificios y crear ecos confusos. También significa construir formas estandarizadas de probar estos modelos para que un método desarrollado en una ciudad pueda ser confiable en otra. La revisión concluye que, si bien hemos progresado enormemente en la combinación de datos satelitales e inteligencia artificial, el verdadero trabajo reside en hacer que estas herramientas sean lo suficientemente robustas como para manejar la realidad desordenada del mundo. Al refinar estos métodos, podemos pasar de estimar el carbono con trazos generales a contarlo con precisión, dándonos los datos claros que necesitamos para gestionar nuestros bosques y ciudades para un clima estable.
¿Ahogado en artículos de tu campo?
Recibe resúmenes diarios de los artículos más novedosos que coincidan con tus palabras clave de investigación — con resúmenes técnicos, en tu idioma.