Sylvera utiliza el aprendizaje automático para evaluar proyectos de carbono

Al analizar los proyectos de carbono, Sylvera utiliza el aprendizaje automático (ML) y múltiples tipos de datos por satélite para identificar características específicas de los bosques y la cubierta terrestre. Algunos ejemplos de estas características son:

• bosque frente a no bosque
• altura del toldo
• cubierta del tejadillo
• biomasa aérea

Este artículo describe cómo aprovechamos el ML para diferentes análisis de proyectos y cómo nos diferencia de la competencia.

Descargue aquí nuestra hoja informativa sobre aprendizaje automático.

¿Qué es el aprendizaje automático y por qué lo utilizamos?

Utilizar el ML nos permite ver lo que ocurre dentro de las áreas de proyecto (AP) a escala. En lugar de muestrear manualmente pequeñas zonas dentro de un proyecto -lo que lleva mucho tiempo y es menos preciso-, podemos evaluar zonas de proyecto enteras, situadas en cualquier parte del mundo. Para obtener los resultados más precisos de nuestros modelos ML, entrenamos modelos propios en biomas y geografías específicos, que se utilizan para diferentes tipos de proyectos de carbono.

Para cada AP, creamos un archivo shapefile (un esquema de la zona del proyecto). Utilizamos el shapefile para extraer píxeles de las imágenes de satélite que caen dentro de los límites del proyecto (normalmente con resoluciones de 10 a 30 metros). Sylvera examina cada uno de los píxeles de un AP por separado y en el contexto de sus adyacencias (que es una potente característica del aprendizaje profundo).

Por ejemplo, si estamos tratando de evaluar el crecimiento del bosque, utilizaremos nuestros modelos ML para estimar la altura del dosel de todos los píxeles dentro del AP. Para ello, entrenamos un modelo para identificar la altura del dosel forestal alimentándolo con decenas de miles de puntos de datos etiquetados. Esto permite al modelo "aprender" a identificar las características específicas asociadas con la altura del dosel.

A continuación, ejecutamos nuestros modelos en cada área de proyecto de carbono para estimar -en este ejemplo- la altura del dosel. Al ejecutar el modelo en la misma zona durante varios años, podemos observar los cambios en la superficie forestal a lo largo del tiempo.

Combinar varias fuentes de datos

Utilizamos varios tipos de datos para entrenar y ejecutar nuestros modelos. Cada tipo proporciona datos diferentes, lo que nos permite detectar características específicas.

Cómo utilizamos el ML para el análisis de proyectos ARR

Los proyectos ARR (Afforestation, Reforestation, Revegetation) son soluciones basadas en la naturaleza que entran en la categoría de "eliminaciones". Por lo general, su objetivo es reconvertir tierras degradadas y estériles mediante la plantación de árboles.

Para evaluar el rendimiento de los proyectos ARR, es esencial identificar las zonas de nuevo crecimiento forestal, así como la pérdida de bosque. Utilizamos la altura del dosel como indicador para identificar estas zonas.

Las imágenes de la página siguiente ilustran cómo utilizamos nuestros modelos patentados de aprendizaje automático y los datos de satélite para identificar zonas de crecimiento forestal mediante la estimación de la altura del dosel en las zonas del proyecto ARR a lo largo del tiempo.

En este ejemplo, puede ver cómo aumenta la altura del dosel en distintas zonas del proyecto. Esto indica zonas de nueva plantación forestal y crecimiento en distintos momentos.

Comparamos estos resultados con los informes del proyecto para determinar si coinciden o si hay discrepancias. 

• Si identificamos la misma superficie de crecimiento forestal que la declarada y no hay pérdidas no declaradas, la puntuación de carbono será del 100%.
• Si identificamos una superficie de crecimiento forestal inferior a la declarada, o cualquier pérdida forestal no declarada, la puntuación del carbono será inferior al 100%.

‍

La altura del dosel (amarillo y verde) aumenta en distintas zonas del proyecto a lo largo del tiempo. Esto indica zonas de nueva plantación y crecimiento forestal

‍

¿Cómo influye esto en la calificación crediticia de Sylvera?

Los resultados de nuestro enfoque de modelización se someten a un proceso de control de calidad para garantizar que son representativos de lo que ocurre realmente sobre el terreno en la zona del proyecto y asegurar una gran precisión en la puntuación del carbono.

También utilizamos nuestros resultados de ML en el componente de adicionalidad de nuestro marco de calificación para comprobar la inelegibilidad de la zona del proyecto. 

• Si para desarrollar un proyecto de compensación de carbono, un promotor de proyecto ha talado cualquier bosque primario que existiera antes del inicio del proyecto, entonces el área de bosque talado se considera no elegible y representa un riesgo de sobreacreditación. Para ayudarnos a comprender este riesgo, utilizamos los resultados de nuestro ML para rastrear la existencia de cualquier bosque primario histórico, además de los momentos en los que se produjo la deforestación.

Cómo utilizamos el ML para el análisis de proyectos REDD

Los proyectos REDD+ (Reducción de Emisiones por Deforestación y Degradación de los Bosques) son un tipo común de solución basada en la naturaleza que entra dentro de la categoría de "evitación". Su objetivo es preservar los bosques existentes asignando un valor financiero al carbono almacenado en ellos y añadiendo un incentivo para reducir el impacto humano que provocaría emisiones de gases de efecto invernadero. 

Para evaluar el rendimiento de los proyectos REDD+, es necesario identificar la pérdida de bosque frente al bosque mantenido a lo largo de un periodo de tiempo.

Las imágenes de la página siguiente muestran cómo utilizamos nuestros modelos patentados de aprendizaje automático y datos de satélite para identificar zonas de pérdida forestal detectando si una zona cambia de bosque a no forestal dentro de las zonas de proyectos REDD+ a lo largo del tiempo.

Los resultados de nuestro enfoque de modelización se someten a un proceso de control de calidad para garantizar que son representativos de lo que ocurre realmente sobre el terreno en la zona del proyecto y asegurar una elevada precisión en la puntuación del carbono.

En este caso, se puede ver que hay algunas zonas que cambian de bosque a no bosque, lo que indica que se ha producido una pérdida de bosque en la zona del proyecto a lo largo del tiempo.

A continuación comparamos estos resultados con los informes del proyecto para determinar si coinciden o si hay discrepancias. 

• Si descubrimos que hay más pérdida forestal de la que se declara, la puntuación del carbono será inferior al 100%. Cuanta más pérdida forestal no se comunique, menor será la puntuación.

Cómo utilizamos el ML para el análisis de proyectos IFM

La Gestión Forestal Mejorada (GFI) es una categoría de proyectos agrícolas, forestales y de uso de la tierra. Estas actividades de gestión forestal dan lugar a un aumento de las reservas de carbono en los bosques y/o reducen las emisiones de gases de efecto invernadero de las actividades forestales en comparación con las prácticas forestales habituales.

Para evaluar el rendimiento de los proyectos de GIC, identificamos las actividades que han tenido lugar y que dan lugar a un cambio en las reservas de carbono. Utilizamos la cubierta de copas como indicador de estas actividades y una combinación de modelos de aprendizaje profundo y regresión para identificar el tamaño de la zona en la que se han llevado a cabo estas actividades.

En la imagen inferior, puede ver un mapa que indica el cambio relativo de la cubierta forestal en distintas zonas de un proyecto. Estos cambios en la cubierta forestal tendrán un impacto relativo en las reservas de carbono. 

‍

¿En qué se diferencia el ML de Sylvera del de nuestros competidores? 

La experiencia y las capacidades de aprendizaje automático de Sylvera nos permiten obtener información precisa sobre proyectos de carbono que otros no pueden. También invertimos en futuras líneas de investigación para estar siempre a la vanguardia del sector.

Además del aprendizaje automático clásico, que evalúa cada punto de datos (es decir, píxel) de forma aislada, Sylvera también aplica algoritmos de aprendizaje profundo, capaces de comprender mejor el contexto de la imagen. Esto permite una mayor precisión en la estimación y el análisis, y para la predicción generalizada a través de diferentes geografías y períodos de tiempo. 

Sylvera no se basa únicamente en datos ópticos, sino que hace uso de toda la gama de datos EO disponibles: ópticos, SAR/Radar, LiDAR. Pronto incorporaremos datos hiperespectrales a nuestra metodología.

Campaña Ground Truthing

Sylvera está escaneando bosques con LiDAR para crear el mayor conjunto de datos del mundo sobre el carbono almacenado en los árboles y la biomasa aérea. 

La cantidad y calidad de estos datos LiDAR de referencia no tiene parangón. Gracias a la recopilación de grandes cantidades de estos datos en todo el mundo y en diferentes biomas, Sylvera puede estimar tanto la biomasa como las reservas de carbono de los bosques con una precisión sin precedentes utilizando datos satelitales.

Sylvera es la única plataforma de clasificación del mundo que ha recopilado suficientes datos forestales tridimensionales mediante LiDAR para poder utilizarlos como datos de referencia. En la actualidad, utilizamos estos datos para entrenar y calibrar los modelos de aprendizaje automático basados en EO con el fin de mejorar su precisión. Esta es una de nuestras principales líneas de investigación y desarrollo y se utilizará en nuestras calificaciones en el futuro.

‍