Predicción de la riqueza de plantas vasculares y carbono aéreo de turberas antropogénicas: comparación de dos métodos de modelación con tres sensores remotos de uso libre

Abstract

Las turberas son ecosistemas de gran relevancia debido a su capacidad de proveer bienes y servicios a los seres humanos. Las turberas antropogénicas se originan tras la quema o tala de bosque en suelos poco drenados, permitiendo el asentamiento de musgo del género Sphagnum. El carbono (C) aéreo en general no es estimado en estos ecosistemas debido a que el reservorio subterráneo es más relevante, aun cuando en turberas antropogénicas existe un importante crecimiento de especies vasculares sobre el sustrato, cuyo estudio ha sido escasamente abordado con sensores remotos. En el presente estudio se realizó una predicción de la riqueza de plantas vasculares y C aéreo en tres turberas antropogénicas de la Isla de Chiloé, Chile, utilizando datos satelitales de los sensores de uso libre OLI, ASTER y MSI, mediante los métodos de modelación predictiva: no paramétrica random forest (RF) y paramétrica generalized linear model (GLM). Se realizaron 15 mediciones por turbera (n = 45) en intervalos regulares de 60 m, con cuadrantes de muestreo de 2×2 m para medir riqueza y de 0,5×0,5 m para medir C aéreo. Se utilizaron como variables predictoras las bandas espectrales, índices vegetacionales y variables texturales (Grey level Co-ocurrence Matrix). Adicionalmente se probó una variable categórica como diferenciador de las condiciones estructurales de la vegetación predominante entre las turberas. Las variables más importantes fueron identificadas usando el método de selección de atributos recursive feature elimination (RFE). Se obtuvieron buenas predicciones de riqueza con todos los sensores tanto para GLM (R2: 0,53, 0,49, 0,60 para OLI, ASTER y MSI, respectivamente) como para RF (R2: 0,52, 0,54, 0,58 para OLI, ASTER y MSI, respectivamente) con RRMSE menores a 20%. Por su parte, en las predicciones de C aéreo los ajustes fueron bastante más bajos tanto con GLM (R2: 0,17, 0,13, 0,08 para OLI, ASTER y MSI respectivamente) como con RF (R2: 0,2, 0,10, 0,34 para OLI, ASTER y MSI respectivamente) con RRMSE mayores a 66%. La comparación entre los métodos de modelación en general no presentó diferencias significativas, salvo en ASTER al modelar riqueza y MSI en C aéreo, donde RF fue más preciso. La variable categórica mejoró los resultados en los modelos de riqueza, mientras que en los de C aéreo no apareció dentro del ranking de RFE, quedando fuera de la modelación. El sensor MSI resultó ser el más preciso con ambos métodos de predicción, mostrando que la resolución espectral de la zona del infrarrojo cercano es fundamental para estudiar la vegetación en ecosistemas altamente variables, como las turberas antropogénicas.