Científicos del Centro de Vuelo Espacial Goddard de la NASA en Greenbelt, Maryland, y colaboradores internacionales demostraron un nuevo método para mapear la ubicación y el tamaño de los árboles que crecen fuera de los bosques, descubrir miles de millones de árboles en regiones áridas y semiáridas y sentar las bases para una medición global más precisa del almacenamiento de carbono en la tierra.

Utilizando potentes supercomputadoras y algoritmos de aprendizaje automático, el equipo trazó un mapa del diámetro de la copa (el ancho de un árbol visto desde arriba) de más de 1.800 millones de árboles en un área de más de 500, 000 millas cuadradas, o 1, 300, 000 kilómetros cuadrados. El equipo trazó un mapa de cómo el diámetro de la copa del árbol, cobertura, y la densidad varió según las precipitaciones y el uso de la tierra.

El mapeo de árboles no forestales con este nivel de detalle llevaría meses o años con los métodos de análisis tradicionales, el equipo dijo, en comparación con unas pocas semanas para este estudio. El uso de imágenes de muy alta resolución y una poderosa inteligencia artificial representa un avance tecnológico para mapear y medir estos árboles. Este estudio está destinado a ser el primero de una serie de artículos cuyo objetivo no es solo mapear árboles no forestales en un área amplia, sino también para calcular cuánto carbono almacenan, información vital para comprender el ciclo del carbono de la Tierra y cómo está cambiando con el tiempo.

Midiendo el carbono en los árboles

El carbono es uno de los componentes básicos de toda la vida en la Tierra, y este elemento circula por la tierra, atmósfera, y océanos a través del ciclo del carbono. Algunos procesos naturales y actividades humanas liberan carbono a la atmósfera, mientras que otros procesos lo extraen de la atmósfera y lo almacenan en tierra o en el océano. Los árboles y otra vegetación verde son sumideros de carbono, "lo que significa que usan carbono para crecer y lo almacenan fuera de la atmósfera en sus troncos, sucursales, hojas y raíces. Actividades humanas, como quemar árboles y combustibles fósiles o limpiar tierras boscosas, liberar carbono a la atmósfera como dióxido de carbono, y las crecientes concentraciones de dióxido de carbono atmosférico son una de las principales causas del cambio climático.

Los expertos en conservación que trabajan para mitigar el cambio climático y otras amenazas ambientales se han centrado en la deforestación durante años, pero estos esfuerzos no siempre incluyen árboles que crecen fuera de los bosques, dijo Compton Tucker, científico senior de la biosfera en la División de Ciencias de la Tierra en NASA Goddard. Estos árboles no solo podrían ser importantes sumideros de carbono, pero también contribuyen a los ecosistemas y economías de seres humanos cercanos, poblaciones animales y vegetales. Sin embargo, muchos métodos actuales para estudiar el contenido de carbono de los árboles solo incluyen bosques, no árboles que crecen individualmente o en pequeños grupos.

Tucker y sus colegas de la NASA, junto con un equipo internacional, utilizó imágenes de satélite comerciales de DigitalGlobe, que tenían una resolución lo suficientemente alta como para detectar árboles individuales y medir el tamaño de su copa. Las imágenes provienen del comercial QuickBird-2, GeoEye-1, WorldView-2, y satélites WorldView-3. El equipo se centró en las regiones de tierras secas, áreas que reciben menos precipitación de la que se evapora de las plantas cada año, incluido el árido lado sur del desierto del Sahara. que se extiende a través de la zona semiárida del Sahel y hacia los subtrópicos húmedos de África occidental. Al estudiar una variedad de paisajes, desde pocos árboles hasta condiciones casi boscosas, el equipo entrenó sus algoritmos informáticos para reconocer árboles en diversos tipos de terreno, desde los desiertos del norte hasta las sabanas arboladas del sur.

Aprendiendo en el trabajo

El equipo ejecutó un poderoso algoritmo informático llamado red neuronal totalmente convolucional ("aprendizaje profundo") en Blue Waters de la Universidad de Illinois. una de las supercomputadoras más rápidas del mundo. El equipo entrenó el modelo marcando manualmente casi 90, 000 árboles individuales en una variedad de terrenos, luego permitiéndole "aprender" qué formas y sombras indicaban la presencia de árboles.

El proceso de codificación de los datos de entrenamiento tomó más de un año, dijo Martin Brandt, profesor asistente de geografía en la Universidad de Copenhague y autor principal del estudio. Brandt marcó los 89, 899 árboles por sí mismo y ayudó a supervisar el entrenamiento y la ejecución del modelo. Ankit Kariryaa de la Universidad de Bremen lideró el desarrollo del procesamiento informático de aprendizaje profundo.

"En un kilómetro de terreno, di que es un desierto, muchas veces no hay arboles, pero el programa quiere encontrar un árbol, "Brandt dijo." Encontrará una piedra, y creo que es un árbol. Más al sur, encontrará casas que parecen árboles. Suena facil pensarías que hay un árbol ¿Por qué el modelo no debería saber que es un árbol? Pero los desafíos vienen con este nivel de detalle. Cuanto más detalle haya, más desafíos vienen ".

Establecer un recuento preciso de árboles en esta área proporciona información vital para los investigadores, formuladores de políticas y conservacionistas. Adicionalmente, La medición de cómo el tamaño y la densidad de los árboles varían según la lluvia, con regiones más húmedas y pobladas que soportan más árboles y más grandes, proporciona datos importantes para los esfuerzos de conservación sobre el terreno.

"Hay procesos ecológicos importantes, no solo por dentro, pero fuera de los bosques también, "dijo Jesse Meyer, un programador en NASA Goddard que dirigió el procesamiento en Blue Waters. "Para la conservación, restauracion, cambio climático, y otros fines, datos como estos son muy importantes para establecer una línea de base. En un año o dos o diez el estudio podría repetirse con nuevos datos y compararse con los datos de hoy, para ver si los esfuerzos para revitalizar y reducir la deforestación son efectivos o no. Tiene implicaciones bastante prácticas ".

Después de medir la precisión del programa comparándolo con datos codificados manualmente y datos de campo de la región, el equipo ejecutó el programa en toda el área de estudio. La red neuronal identificó más de 1.800 millones de árboles, cifras sorprendentes para una región que a menudo se supone que tiene poca vegetación. dijeron Meyer y Tucker.

"Los artículos futuros de la serie se basarán en el recuento de árboles, ampliar las áreas estudiadas, y busque formas de calcular su contenido de carbono, ", dijo Tucker. Misiones de la NASA como la misión de Investigación de Dinámica de Ecosistemas Globales, o GEDI, e ICESat-2, o el hielo Nube, y Land Elevation Satellite-2, ya están recopilando datos que se utilizarán para medir la altura y la biomasa de los bosques. En el futuro, La combinación de estas fuentes de datos con el poder de la inteligencia artificial podría abrir nuevas posibilidades de investigación.

"Nuestro objetivo es ver cuánto carbono hay en árboles aislados en las vastas porciones áridas y semiáridas del mundo, "Dijo Tucker." Entonces necesitamos entender el mecanismo que impulsa el almacenamiento de carbono en áreas áridas y semiáridas. Quizás esta información se pueda utilizar para almacenar más carbono en la vegetación al eliminar más dióxido de carbono de la atmósfera ".

"Desde la perspectiva del ciclo del carbono, estas áreas secas no están bien cartografiadas, en términos de la densidad de árboles y carbono que hay, "Brandt dijo." Es un área blanca en los mapas. Estas áreas secas están básicamente enmascaradas. Esto se debe a que los satélites normales simplemente no ven los árboles, ven un bosque, pero si el árbol está aislado, no pueden verlo. Ahora estamos en camino de llenar estos puntos blancos en los mapas. Y eso es bastante emocionante ".