Resúmenes y datos de las sesiones para este congreso. Seleccione una fecha o ubicación para mostrar solo las sesiones en ese día o ubicación. Seleccione una sola sesión para obtener una vista detallada (con resúmenes y descargas, si están disponibles).
Estimación conjunta de parámetros biofísicos de LSA SAF mediante regresión de procesos gaussianos multitarea
Manuel Campos Taberner, Adrián Jiménez Guisado, F. Javier García Haro, M. A. Gilabert, Beatriz Martínez, Sergio Sánchez Ruiz
Universitat de Valècia, España
En este trabajo se han estudiado y evaluado diferentes modelos de estimación de parámetros biofísicos de la superficie terrestre, centrándonos en los modelos de regresión basados en procesos gaussianos. La principal ventaja de esta clase de modelos reside en su naturaleza bayesiana, gracias a la cual los resultados de los modelos no son estimaciones puntuales, sino distribuciones predictivas con una media y una desviación estándar. Sin embargo, estos modelos operan generalmente con una única variable de salida, así que en este trabajo se propone también el uso de métodos basados en procesos gaussianos multitarea (multi-task Gaussian processes, MTGPs) que tienen en cuenta la correlación entre las variables. Para evaluar los métodos propuestos, se han considerado dos conjuntos diferentes de gran interés en el proyecto LSA SAF (Satellite Application Facility on Land Surface Analysis): (1) un conjunto de parámetros biofísicos y reflectividades correspondientes al satélite MetOp, simuladas mediante el modelo PROSAIL, y (2) productos MSG (Meteosat Second Generation) asociados a medidas procedentes de diferentes torres de flujos de carbono. Así pues, tras entrenar y validar distintos modelos observamos que, cuando el número de muestras de entrenamiento es elevado, MTGP no aporta una mejora significativa frente a otros modelos de regresión más simples, pero cuando el número de muestras es reducido o se tienen conjuntos de datos incompletos, la precisión de los modelos MTGP es mucho mayor. En definitiva, vemos que los procesos gaussianos tienen un gran margen de mejora y pueden resultar muy útiles para la estimación de parámetros biofísicos, por lo que serán considerados en futuros estudios.
Estimación de flujos de carbono a nivel global mediante aprendizaje automático: importancia de las variables predictoras
Manuel Campos Taberner, M. A. Gilabert, Sergio Sánchez Ruiz, Beatriz Martínez, Adrián Jiménez Guisado, F. Javier García Haro
Universitat de Valècia, España
La cuantificación de los flujos de carbono vegetación-atmósfera es crucial debido al papel que juegan en el ciclo global del carbono, que tiene un impacto directo en el clima de la Tierra. En los últimos años se han realizado esfuerzos considerables para estimar dichos flujos a escala global a partir de medidas tomadas in situ. En este trabajo, se propone una metodología de aprendizaje automático basada en procesos Gaussianos de salida múltiple para estimar conjuntamente la producción primaria bruta (GPP), la respiración de los ecosistemas terrestres (TER) y el intercambio neto de los ecosistemas (NEE) a escala global a partir de datos in situ y observaciones de teledetección derivadas del sensor MODerate-resolution Imaging Spectroradiometer (MODIS). Además, se realiza una evaluación de los predictores MODIS más importantes identificados por el modelo con el objetivo de analizar su impacto en la estimación final de los flujos de carbono. El modelo que proporciona mejores resultados se ha obtenido eliminando los predictores menos relevantes y redundantes identificados a partir de un análisis de sensibilidad. Esta optimización proporcionó estimaciones más precisas y una mitigación de los valores sobreestimados tanto a nivel de torre como a nivel global.
