Summary: | La estimación precisa de Productividad Primaria Bruta (GPP) es una herramienta valiosa para
simular el ciclo del carbono y, por tanto, desempeña un papel importante para abordar los
retos que plantea el cambio climático. Sin embargo, estimar GPP es un gran reto, debido a la
falta de mediciones directas. En este estudio, GPP se estimó utilizando modelos de
aprendizaje automático (ML), como Bosque Aleatorio (RF) y Vectores de Soporte Regresión
(SVR), en páramo. Complejas relaciones no lineales que dominan GPP son de fundamental
importancia para llevar a cabo un análisis de incertidumbre para futuras proyecciones
climáticas. Este estudio evaluó la relación entre variables biometeorológicas, datos de
teledetección y estimación GPP. La metodología utilizada para estimar la GPP confirmó que
los modelos basados en ML obtuvieron mejores resultados que los modelos tradicionales. El
rendimiento de los modelos ML varió significativamente entre estaciones, con R que osciló
entre 0,24 y 0,86. El modelo RF se comportó mejor al capturar los cambios temporales y la
magnitud de la GPP en la estación menos húmeda, mostrando la R más alta (0,86), el RMSE
más bajo (0,37 g C/m2) y el PBIAS más bajo (-3 %). Además, la importancia de las variables
mostró que la radiación solar fue el predictor más significativo del GPP. Esto sugiere que la
producción en el bioma Páramo no está limitada por el agua, sino por la cantidad de radiación
solar incidente. El estudio proporcionó un enfoque para derivar flujos diarios de GPP durante
un periodo de estudio de 2 años.
|