GAN-Based Sample Augmentation for Improving Above-Ground Biomass Inversion of Salt Marsh Vegetation Using Multi-Source Remote Sensing Data

Los humedales costeros se encuentran entre los sumideros de carbono más eficientes de la Tierra, actuando como potentes motores naturales que extraen gases de efecto invernadero de la atmósfera y los bloquean en el suelo y el tejido vegetal. Estos ecosistemas, a menudo llamados hábitats de "carbono azul", incluyen marismas donde plantas especializadas prosperan en condiciones salinas y de marea. Para entender cuánto carbono almacenan estas áreas, los científicos deben medir la "biomasa aérea", que es simplemente el peso total de todo el material vegetal vivo —tallos, hojas y ramas— que crece sobre el suelo. Tradicionalmente, obtener este número ha sido un proceso lento y laborioso que requiere que los investigadores se adentren en campos lodosos, corten las plantas a mano, las sequen en hornos y las pesen. Aunque es preciso, este método solo puede cubrir diminutas parcelas de tierra, lo que dificulta obtener una imagen completa de humedales vastos y remotos.

Para resolver este problema, los investigadores están recurriendo a satélites que pueden ver todo el paisaje a la vez, pero estas herramientas espaciales necesitan una verdad de terreno para aprender a leer los datos correctamente. Un nuevo estudio en el humedal de Liaohe, en China, aborda el desafío de tener muy pocas mediciones de campo utilizando una ingeniosa técnica de inteligencia artificial para crear muestras "virtuales" realistas. Al combinar imágenes satelitales con un conjunto limitado de datos de campo reales, el equipo desarrolló un método para estimar el peso de las plantas en toda la región con una precisión sorprendente. Su trabajo ofrece una nueva forma de monitorear estos ecosistemas críticos, ayudando a los científicos a rastrear el almacenamiento de carbono sin necesidad de visitar cada metro cuadrado del marisma.

El humedal de Liaohe, ubicado donde el río Liaohe se encuentra con el mar de Bohai, es una vasta extensión de llanuras mareales y vegetación tolerante a la sal. Es el hogar de dos tipos de plantas dominantes: la alta y similar a una caña, Phragmites australis, y la hierba baja y tolerante a la sal, Suaeda glauca. Estas plantas son vitales para el ciclo de carbono de la región, pero su distribución es compleja, cambiando con las mareas y las estaciones. Para mapear su biomasa, el equipo de investigación primero recopiló datos del mundo real durante varios años, visitando puntos específicos en julio, noviembre y septiembre para medir el peso seco de las plantas. Combinaron estas mediciones con imágenes de los satélites Sentinel-2 de la Agencia Espacial Europea, que capturan vistas detalladas de la superficie terrestre en diversas colores de luz, incluyendo aquellos invisibles al ojo humano.

El desafío era que el equipo solo contaba con 53 sitios de medición reales, un número demasiado pequeño para entrenar un modelo informático para que predijera con precisión la biomasa en los 128,000 hectáreas del humedal. Si una computadora aprende de muy pocos ejemplos, a menudo falla cuando se enfrenta a áreas nuevas y no vistas. Para superar esto, los investigadores emplearon una Red Neuronal Generativa Adversaria, un tipo de inteligencia artificial que funciona como un par de programas que compiten entre sí. Un programa, el generador, intenta crear datos falsos que se vean exactamente como las mediciones reales, mientras que el otro, el discriminador, intenta detectar los falsos. A medida que juegan este juego una y otra vez, el generador mejora cada vez más en la producción de muestras sintéticas que son estadísticamente indistinguibles de las reales.

Utilizando este método, el equipo expandió su pequeño conjunto de datos de 53 muestras reales a un conjunto de entrenamiento mucho mayor de 600 muestras, con 300 para cada tipo de planta. Estas nuevas muestras virtuales no eran conjeturas aleatorias; preservaban los patrones estadísticos y las relaciones exactas encontradas en el mundo real, como el hecho de que las cañas más altas generalmente corresponden a señales específicas en las imágenes satelitales. Los investigadores luego entrenaron una red neuronal, un modelo informático similar a un cerebro, con este conjunto de datos expandido para aprender la relación compleja y no lineal entre las señales satelitales y el peso real de las plantas. Probaron este enfoque contra otros métodos comunes de aprendizaje automático, encontrando que su red neuronal, impulsada por los datos aumentados, superó consistentemente a los demás.

Los resultados mostraron una mejora significativa en la precisión. Para las cañas altas, la capacidad del modelo para predecir el peso correcto mejoró sustancialmente, con la tasa de error cayendo casi 100 gramos por metro cuadrado en comparación con los modelos entrenados solo con el conjunto de datos originales. Para las hierbas más pequeñas, la mejora también fue clara, volviéndose el modelo mucho más confiable en la estimación de su biomasa. Cuando el equipo aplicó su modelo de mejor rendimiento a todo el humedal utilizando imágenes satelitales de septiembre de 2024, produjo un mapa detallado del peso de las plantas a través del paisaje. El mapa reveló que las cañas altas, concentradas en las partes altas del estuario, tenían un peso promedio de 514.22 gramos por metro cuadrado, mientras que las hierbas más pequeñas en las llanuras de lodo más abiertas promediaban 230.07 gramos por metro cuadrado.

Este estudio demuestra que la inteligencia artificial puede cerrar eficazmente la brecha entre el limitado trabajo de campo y la necesidad de un monitoreo ambiental a gran escala. Al generar datos virtuales realistas, los científicos pueden construir modelos más robustos que funcionen bien incluso cuando las mediciones de terreno son escasas. Los hallazgos confirman que el humedal de Liaohe es un reservorio significativo de carbono, con las cañas altas almacenando la gran mayoría de la biomasa. Este enfoque proporciona una herramienta confiable y escalable para evaluar la salud y la capacidad de almacenamiento de carbono de los humedales costeros, ofreciendo un apoyo crucial para los esfuerzos globales de comprensión y protección de estos vitales ecosistemas de carbono azul.