Spatiotemporal Estimation of Daily Peatland Gross Primary Production with Landsat Remote Sensing Data in Germany, Estonia and Finland

Resumen Técnico: Estimación Espaciotemporal de la Producción Primaria Bruta Diaria de Turberas con Datos de Teledetección Landsat

Planteamiento del Problema
Las turberas son reservorios críticos de carbono (C) terrestre, almacenando aproximadamente un tercio del carbono del suelo mundial a pesar de cubrir solo el 3% de la superficie terrestre global. Sin embargo, su función como sumideros de carbono se ve cada vez más comprometida por el calentamiento climático y las perturbaciones antropogénicas, particularmente debido al drenaje y las prácticas de gestión forestal en regiones boreales y hemiboreales. Aunque las torres de flujo de covarianza de eddy (EC) proporcionan mediciones de alta frecuencia y continuas del intercambio neto de carbono y la Producción Primaria Bruta (GPP) derivada, su huella espacial es limitada (típicamente 100–500 m), lo que dificulta capturar la heterogeneidad de los paisajes de turberas influenciados por la microtopografía, la composición de la vegetación y los gradientes hidrológicos. Por el contrario, los productos de GPP existentes basados en satélites, como MODIS (resolución de 1 km), a menudo no logran representar con precisión la variabilidad a escala fina en ecosistemas complejos de turberas debido a la heterogeneidad del píxel y la resolución gruesa. Existe una brecha observacional significativa en la cuantificación de la dinámica espaciotemporal de la GPP a través de contrastantes regímenes de gestión de turberas (naturales, drenadas, restauradas, de tala rasa y de tala parcial) a escalas de paisaje.

Metodología
Para abordar estas limitaciones, los autores desarrollaron un marco de aprendizaje automático que integra datos de teledetección Landsat con observaciones in situ de flujo EC.

• Sitios de Estudio: El estudio utilizó cuatro sitios de caso de estudio en tres países que representan diversos regímenes de gestión: Lettosuo (Finlandia, gestión forestal drenada con tratamientos de tala rasa y tala parcial), Agali-II (Estonia, gestión forestal drenada) y Anklam y Zarnekow (Alemania, que representan la conversión agrícola y condiciones de turbera (fen) rehumedecida/restaurada).
• Fuentes de Datos:
  • Datos In-situ: La GPP total diaria (GPPFLUX) se derivó de datos de flujo EC particionados y con brechas completadas, agregados a valores acumulados anuales para periodos de análisis que van desde 2009 hasta 2024, dependiendo del sitio.
  • Datos de Teledetección: Los productos de reflectancia de superficie de nivel 2 de Landsat-5, -7, -8 y -9 (Azul, Verde, Rojo, NIR, SWIR1, SWIR2) y la Temperatura de la Superficie Terrestre (LST) fueron procesados mediante Google Earth Engine (GEE).
• Enfoque de Modelado: Se empleó un modelo de regresión de Bosques Aleatorios (Random Forest, RF) para predecir la GPP diaria.
  • Predictores: Bandas espectrales (Azul, Verde, Rojo, NIR, SWIR1, SWIR2) y LST.
  • Entrenamiento: El modelo fue entrenado con el 70% de los datos coincidentes Landsat-EC y validado con el 30% restante. Se realizó una validación cruzada entre sitios (dejar un sitio fuera) para probar la transferibilidad del modelo.
  • Importancia de las Variables: Se utilizaron métricas de importancia de Gini para evaluar la contribución de cada banda espectral y térmica a la predicción de la GPP.

Resultados Clave

• Desempeño del Modelo: El modelo RF basado en Landsat demostró un buen acuerdo con las observaciones de GPP derivadas de EC en todos los sitios. El modelo general logró un $R^2 \approx 0.57$ y un RMSE de aproximadamente 3.0 g C m⁻² d⁻¹.
  • El desempeño varió según el sitio, con la mayor precisión en el sitio de tala rasa de Finlandia ($R^2 = 0.72$) y la menor en el sitio Agali-II de Estonia ($R^2 = 0.29$).
  • La validación cruzada entre sitios confirmó la robustez y transferibilidad del modelo, con valores de $R^2$ que oscilaron entre 0.38 y 0.69 para sitios independientes.
• Importancia de las Variables: El reflectancia del infrarrojo cercano (NIR) y la Temperatura de la Superficie Terrestre (LST) fueron consistentemente los predictores más importantes en todos los sitios, resaltando los roles de la estructura del dosel y la regulación térmica en la GPP. La importancia relativa de las bandas del visible (Rojo) y el infrarrojo de onda corta (SWIR) varió según el sitio y el régimen de gestión, reflejando diferencias en la exposición del suelo, la humedad de la turba y la composición de la vegetación.
• Dinámicas de los Regímenes de Gestión:
  • Tala Rasa vs. Tala Parcial: Las áreas de tala rasa exhibieron picos estacionales más fuertes y patrones espaciales más homogéneos, probablemente debido a una estructura de dosel simplificada y un mayor aumento de la luz hacia el sotobosque en regeneración. Las áreas de tala parcial mostraron una amplitud estacional reducida y una mayor heterogeneidad espacial, atribuido a la cubierta de dosel retenida que amortigua los extremos microclimáticos.
  • Restauración: El modelo capturó con éxito los patrones de productividad en los sitios rehumedecidos (DE-Zrk), distinguiéndolos de los estados drenados o naturales.
• Mapeo Espacial: El estudio generó con éxito mapas de GPP espacialmente explícitos a una resolución de 30 m, distinguiendo visualmente las zonas vegetadas productivas de las áreas menos activas, lo cual es particularmente evidente en los mapas del sitio de Lettosuo.

Significancia y Reivindicaciones
El artículo afirma que este estudio proporciona un marco escalable y consistente para monitorear la productividad de las turberas a través de diversos estados de gestión utilizando datos Landsat disponibles gratuitamente. Al integrar observaciones multiespectrales y térmicas con datos de flujo EC, el enfoque supera las limitaciones de resolución espacial de MODIS y las limitaciones de huella de las torres de flujo. Los hallazgos respaldan el uso de enfoques basados en satélites para el monitoreo a gran escala de la captura de carbono en las turberas, ofreciendo una herramienta para evaluar los impactos de la gestión forestal (tala rasa, tala parcial) y la restauración (rehumedecimiento) en la absorción de carbono. El estudio enfatiza que, si bien el NIR y la LST son predictores robustos y transferibles, la inclusión de las bandas del visible y SWIR es necesaria para capturar la variabilidad ecológica local y los cambios espectrales inducidos por la gestión. Este trabajo llena una brecha observacional crítica en las turberas gestionadas, mejorando la capacidad de evaluar las respuestas del flujo de carbono a los cambios ambientales a escalas de paisaje y regionales.