Programa del congreso

El Centro de Investigación de la Baja Atmósfera de la Universidad de Valladolid (CIBA-UVa) se ha integrado en las redes internacionales de medida de gases de efecto invernadero ICOS (Integrated Carbon Observation System) y COCCON (COllaborative Carbon Column Observing Network); dotada de instrumentación adicional para medida de aerosoles y nubes, fusiona los dos factores más importantes señalados por el IPCC para el estudio del cambio climático: gases de efecto invernadero y aerosoles. El objetivo del CIBA-UVa es presentar un punto de validación de productos de satélite, relacionados con CO2, CH4, CO, aerosoles y nubes.

La eficiencia en el uso del carbono (CUE) es un importante indicador ecológico que cuantifica la capacidad de los ecosistemas terrestres para actuar como sumideros del carbono transferido desde la atmósfera. En este trabajo se presenta una metodología para obtener imágenes de CUE a escala global, a una resolución de 1 km, mediante la espacialización de las medidas in situ utilizando machine learning y productos MODIS. Como caso de estudio se analiza la CUE de los ecosistemas de la península ibérica, así como su tendencia a lo largo del periodo 2001–2023. La tendencia negativa de la CUE, asociada a la pérdida de la capacidad del ecosistema de almacenar carbono, se detecta en amplias zonas de la mitad oeste, mientras que la mitad este –con una anomalía positiva de la precipitación en las últimas dos décadas– presenta una tendencia positiva.

Los sensores actuales de Infrarrojo Térmico (TIR) a bordo de satélites proporcionan datos diarios de TST con una resolución espacial baja, generalmente superior a 1 km, que es adecuada para la gestión de grandes campos agrícolas. Sin embargo, esta resolución espacial no es apropiada para Europa, donde el tamaño de las parcelas suele ser inferior a 100 m y existe una elevada heterogeneidad espacial. Hasta el lanzamiento de las futuras misiones de alta resolución, los productos de TST a mayor resolución espacial solo pueden obtenerse mediante la aplicación de técnicas de downscaling. En este trabajo se propone el procedimiento Nearest Neighbour Temperature Sharpening (NNTS) para mejorar la resolución espacial. El método se basa en una relación estadística sencilla entre la LST, el NDVI y el Índice Normalizado de Diferencia de Agua (NDWI), haciendo especial énfasis en los píxeles que presentan valores máximos y mínimos de NDVI para la mejora del contraste de la TST. Dado que el NNTS se fundamenta en el algoritmo original de Thermal Image Sharpening (TsHARP), este modelo también fue evaluado en el estudio para su comparación. Ambos modelos se aplicaron a datos de Sentinel-3 con el objetivo de generar imágenes de TST a la misma resolución de pixle que Sentinel-2 (10 m). Los productos obtenidos se validaron frente a imágenes aerotransportadas adquiridas durante la campaña intensiva realizada por la ESA en Italia.

Comprender la respuesta de la vegetación a la variabilidad y al cambio climático es esencial para evaluar la dinámica de los ecosistemas a escala global. El índice de área foliar (LAI), derivado de series temporales satelitales de larga duración, constituye un indicador clave del estado estructural y funcional de la vegetación; sin embargo, atribuir sus tendencias a forzamientos climáticos específicos sigue siendo complejo debido a la no linealidad de las interacciones, la heterogeneidad espacial y la multicolinealidad entre variables ambientales. En este estudio se desarrolla un marco metodológico escalable a nivel global para analizar las relaciones vegetación-clima a partir de la evolución del producto GEOV2-AVHRR LAI durante el periodo 1982-2022 y su relación con variables climáticas derivadas del reanálisis ERA5. Como caso ilustrativo, se presentan resultados para el dominio de América, donde se analiza la sensibilidad del LAI frente a indicadores de disponibilidad hídrica, incluyendo la humedad del suelo. Las relaciones vegetación-clima se modelizan mediante algoritmos no lineales basados en árboles, como bosques aleatorios (Random Forest) y métodos de potenciación del gradiente (Gradient Boosting), con el objetivo de capturar respuestas complejas bajo distintos regímenes climáticos y contrastar la robustez de los resultados entre modelos. La interpretabilidad constituye un eje central del estudio: se aplican técnicas de inteligencia artificial explicable (XAI), como SHAP y análisis de dependencia parcial, para cuantificar la contribución relativa de los predictores climáticos a las anomalías y tendencias del LAI y estimar sensibilidades comparables entre modelos y regiones. Los resultados muestran una alta consistencia espacial entre algoritmos, lo que refuerza la interpretación física de los patrones detectados. El enfoque propuesto sienta las bases para su extensión a otras regiones, predictores climáticos y algoritmos adicionales, proporcionando un marco reproducible, transparente y alineado con los principios FAIR para el análisis de las interacciones vegetación-clima a gran escala.