Un nuevo estudio publicado en el Journal of Remote Sensing demuestra un avance significativo en el monitoreo de ecosistemas de humedales mediante un marco de aprendizaje conjunto adaptativo que combina datos hiperespectrales y LiDAR recopilados por vehículos aéreos no tripulados (UAV). La investigación, realizada en el Humedal Kárstico de Huixian en China, logró hasta un 92,77% de precisión en la clasificación de especies vegetales, superando sustancialmente los enfoques tradicionales de teledetección y ofreciendo nuevas capacidades para la conservación de la biodiversidad y el monitoreo del ciclo del carbono.
Los humedales kársticos representan ecosistemas globalmente significativos que regulan los recursos hídricos, almacenan carbono y albergan una rica biodiversidad. Sin embargo, el mapeo preciso de la vegetación en estos entornos ha sido un desafío debido a la intrincada composición de especies y los espectros de dosel similares entre diferentes plantas. Los estudios de campo tradicionales son costosos y espacialmente limitados, mientras que los métodos convencionales de teledetección carecen de la resolución necesaria para la clasificación a nivel de especie. La integración de datos ópticos y estructurales complementarios ha surgido como un enfoque necesario para el mapeo preciso de la vegetación en estos entornos complejos.
Investigadores de la Universidad Tecnológica de Guilin y colaboradores desarrollaron un marco de aprendizaje conjunto adaptativo (AEL-Stacking) que fusiona imágenes hiperespectrales con datos de nube de puntos LiDAR. El estudio, publicado con DOI 10.34133/remotesensing.0452, demuestra cómo este enfoque integrado logra una precisión de clasificación superior mientras proporciona interpretabilidad mediante explicaciones locales interpretables independientes del modelo (LIME). El marco combina clasificadores Random Forest, LightGBM y CatBoost dentro de un sistema adaptativo optimizado por búsqueda en cuadrícula que utiliza el 70% de los datos para entrenamiento y el 30% para pruebas, respaldado por validación cruzada de 10 pliegues.
El equipo de investigación realizó estudios de campo en el Humedal Kárstico de Huixian, donde vuelos de UAV equipados con sensores Headwall Nano-Hyperspec y DJI Zenmuse L1 LiDAR recopilaron más de 4.500 imágenes hiperespectrales y densas nubes de puntos a 208 puntos por metro cuadrado. El conjunto de datos integrado cubrió 13 tipos de vegetación, incluyendo loto, miscanto y árboles de alcanfor. Mediante eliminación recursiva de características y análisis de correlación, los investigadores seleccionaron 40 características óptimas de más de 600 variables, demostrando que las variables del modelo digital de superficie (DSM) derivadas de LiDAR fueron particularmente valiosas para distinguir especies con estructuras verticales distintas.
Los resultados mostraron que la combinación de datos hiperespectrales y LiDAR logró una precisión general entre el 87,91% y el 92,77%, superando los enfoques de datos únicos hasta en un 9,5%. El modelo AEL-Stacking superó tanto a los métodos de conjunto convencionales como a los algoritmos de aprendizaje profundo entre un 0,96% y un 7,58%. Los índices de vegetación hiperespectral como NDVI y parámetros del borde azul mejoraron el reconocimiento de especies herbáceas, mientras que el análisis LIME reveló que las bandas espectrales azules y el DSM fueron las características más influyentes. El loto y el miscanto alcanzaron puntuaciones F1 de clasificación superiores a 0,9, con el modelo reduciendo significativamente la clasificación errónea entre especies morfológicamente similares.
"Nuestro enfoque cierra la brecha entre la detección espectral y estructural", dijo el Dr. Bolin Fu, autor correspondiente del estudio. "Al combinar datos hiperespectrales y LiDAR de UAV mediante aprendizaje conjunto adaptativo, logramos tanto precisión como interpretabilidad en el mapeo de vegetación. El marco no solo mejora el reconocimiento de especies en entornos kársticos complejos, sino que también proporciona una herramienta generalizable para el monitoreo ecológico y la restauración de hábitats en todo el mundo".
La investigación demuestra un enfoque escalable y explicable para el mapeo de alta resolución de humedales que podría aplicarse potencialmente a ecosistemas forestales, de pastizales y costeros. El trabajo futuro se centrará en integrar observaciones UAV multitemporales y fusión de datos satelitales para monitorear la dinámica estacional de la vegetación y los cambios impulsados por el clima en la salud de los humedales. Al mejorar la transparencia y precisión de los modelos ecológicos impulsados por IA, esta investigación respalda los esfuerzos globales de conservación de la biodiversidad y las iniciativas de neutralidad de carbono, proporcionando mapas de vegetación detallados esenciales para el monitoreo de ecosistemas y la planificación de restauración.
