"A lo largo de los años hemos invertido mucho en nuestro equipo de datos de campo, centrándonos en la elaboración de calificaciones fiables. Si bien esto garantiza la precisión de nuestras valoraciones, no permite la escala a través de los miles de proyectos que los compradores están considerando."
Para más información sobre las tendencias en la adquisición de créditos de carbono, lea nuestro artículo"Key Takeaways for 2025". Compartimos cinco consejos basados en datos para mejorar su estrategia de adquisición.
Una cosa más: los clientes de Connect to Supply también tienen acceso al resto de herramientas de Sylvera. Esto significa que puede ver fácilmente las calificaciones de los proyectos y evaluar los puntos fuertes de cada uno de ellos, obtener créditos de carbono de calidad e incluso supervisar la actividad del proyecto (sobre todo si ha invertido en la fase previa a la emisión).
Reserve una demostración gratuita de Sylvera para ver en acción las funciones de adquisición y elaboración de informes de nuestra plataforma.
El reto que plantean los datos de teledetección para los proyectos relacionados con el carbono
Si estás desarrollando un proyecto de forestación, reforestación o revegetación (ARR), ahora tendrás que obtener un conjunto de datos geoespaciales. Esto es especialmente cierto en el caso de los proyectos VM0047, en los que varios proveedores de servicios de datos han sido evaluados formalmente por Verra para suministrar datos sobre el índice de densidad de población. Y este requisito se está generalizando mucho más allá del VM0047.
En la práctica, para los desarrolladores esto suele suponer hablar con dos o tres proveedores, solicitar datos de prueba a cada uno de ellos y descubrir que sus cifras no coinciden del todo. En ese momento, lo más lógico es comparar los datos de píxeles de cada proveedor con tus propias parcelas de campo —los árboles que tú o un colaborador habéis medido físicamente y a los que habéis aplicado una ecuación alométrica— y elegir al que mejor se ajuste.
El problema es que ninguno de los dos conjuntos de datos constituye un valor de referencia. No existe una medición independiente de la biomasa en toda la zona del proyecto con la que poder contrastar ninguno de los dos.
Las parcelas de campo son lo más parecido a una referencia, pero abarcan solo una pequeña parte del emplazamiento y presentan una gran incertidumbre. Por lo tanto, una comparación directa entre parcelas y píxeles no permite determinar con total certeza qué proveedor tiene razón.
Los inconvenientes de una simple comparación entre gráficos y píxeles
Hay cuatro razones por las que una comparación directa puede llevarte a conclusiones erróneas, y ninguna de ellas implica que los datos sean erróneos.
La diferencia no radica en «quién se equivoca». En los parcelas de campo, las mediciones con cinta métrica se procesan mediante una ecuación alométrica. Los datos de píxeles proceden de un modelo satelital. Si ambos muestran existencias medias diferentes, esa diferencia por sí sola no indica cuál de los dos se acerca más a la realidad; se trata de dos métodos de medición distintos, no de una respuesta correcta y otra incorrecta.
Una correlación débil no significa que los datos sean deficientes. Si representas gráficamente los valores de campo frente a los valores de píxel, a menudo verás una línea de mejor ajuste más plana que la línea 1:1 que cabría esperar de una coincidencia perfecta. Por lo general, eso no es señal de que los datos sean erróneos: se trata de la dilución de regresión, en la que la incertidumbre tanto en las mediciones de campo como en las de píxel (a menudo superior al 50 % en cada caso) reduce mecánicamente la correlación.
Las muestras pequeñas son como lanzar una moneda al aire. Con 20 parcelas o menos, y con ambos lados con una incertidumbre de aproximadamente el 50 %, predomina el azar. Si se miden otras 20 parcelas diferentes, la clasificación puede dar un giro completo. Se podría clasificar fácilmente a un proveedor más débil por encima de uno más sólido sin darse cuenta.
Una parcela puede quedar situada en el píxel equivocado. El GPS suele localizar una parcela con una precisión de entre 5 y 15 metros, pero los píxeles solo miden entre 10 y 30 metros de ancho. Una parcela puede quedar en un píxel contiguo o abarcar varios. Se trata de una discrepancia entre la escala y la ubicación, no de un error en ninguno de los dos conjuntos de datos.
Si lo comparamos así, el ganador suele depender más del azar que del mérito, lo cual supone un riesgo real si se quiere tomar una decisión de selección de proveedores que se pueda justificar.
Sacar más partido a los datos de campo de los que dispones
Nada de esto significa que no se deban utilizar las parcelas de campo para la comparación. Significa que la comparación punto por punto no es la forma adecuada de utilizarlas. Tres ajustes hacen que la comparación sea mucho más fiable.
Asigna correctamente las parcelas a los píxeles. Utiliza todas las parcelas de las que dispongas y, siempre que sea posible, opta por las de mayor tamaño. Las buenas prácticas del CEOS recomiendan un tamaño mínimo de aproximadamente 0,25 hectáreas, lo que reduce el ruido y los desajustes de escala. Establece un margen de seguridad en torno a cada parcela que cubra un error de geolocalización conservador (aproximadamente entre 10 y 20 metros) y, a continuación, asigna cada parcela al píxel que mejor se ajuste dentro de ese margen, no simplemente al más cercano.
Compara las medias de los estratos, no los puntos individuales. Agrupa las parcelas y los píxeles en estratos —el tipo de bosque es un ejemplo habitual— y compara la media de cada estrato en lugar de comparar parcela por parcela. El ruido aleatorio tiende a compensarse en este nivel, por lo que se hace visible una diferencia real entre proveedores allí donde los puntos individuales no pueden mostrarla. Esto solo funciona si tus parcelas representan cada estrato, en lugar de estar agrupadas donde resultaba más fácil acceder a ellas.
Compara las distribuciones. Traza la distribución de los datos de teledetección en todo el estrato más amplio y superpón tus parcelas de campo sobre ella. La cuestión es si tus parcelas se encuentran dentro de ese rango, no si cada una de ellas coincide exactamente con su píxel. Una vez más, esto depende de que tus parcelas abarquen todos los estratos y el rango de biomasa del emplazamiento, y no solo las partes que te convengan.
Cuando las parcelas de campo no son suficientes: el lidar aéreo
Si se dispone de él, el lidar aéreo (o incluso un dron de bajo coste) ofrece una referencia más sólida que las parcelas de campo por sí solas. Proporciona miles de píxeles de validación en decenas o cientos de hectáreas, en lugar de un puñado de parcelas, lo que supone una cobertura suficiente para que la aleatoriedad que afecta a las muestras pequeñas desaparezca en gran medida.
Dado que el lidar asigna un valor a cada píxel, se comparan elementos similares a la misma escala, por lo que desaparece la discrepancia en la geolocalización que dificulta las comparaciones entre parcelas y píxeles.
Además, permite validar más datos además de la biomasa sobre el suelo. La altura y la cobertura del dosel se obtienen casi directamente del lidar, por lo que esas capas pueden verificarse con claridad; la biomasa, en cambio, sigue requiriendo un modelo de «estructura a biomasa» superpuesto, por lo que el proceso sigue siendo un paso menos directo.
Además, el lidar instalado en drones ha hecho posible este tipo de mediciones de referencia sin necesidad del presupuesto que antes requería una campaña aérea completa.
Tomar buenas decisiones, con o sin datos de campo
Si dispones de datos de campo, utilízalos correctamente. Asigna las parcelas a los píxeles dentro de un buffer de geolocalización, compara las medias de los estratos en lugar de puntos individuales y compara distribuciones en lugar de coincidencias aisladas. Evita la comparación directa de puntos con píxeles, ya que es la versión que más probabilidades tiene de dar más importancia al azar que a la calidad.
Además de los datos de campo, evalúa al proveedor directamente en función de dos aspectos:
Requisitos: ¿se ajustan los datos a lo que necesitas? Resolución, frecuencia de actualización y las capas específicas (biomasa, estructura del dosel, índices) que requiere tu metodología.
Confianza: ¿cómo se validan los datos? ¿Con qué datos se entrenó el modelo subyacente?, ¿se ha validado de forma independiente comparándolo con una referencia? y ¿resulta válido específicamente en tu ámbito de interés?
El objetivo es elegir en función del mérito, en lugar de basarse en una comparación demasiado confusa como para zanjar la cuestión:
Si los datos concuerdan
Si puedes confiar en ello
Si es representativo de la zona de tu proyecto
Así es como se evita descartar datos válidos o acabar con datos menos fiables por casualidad.
Descarga aquí una versión de esta guía para consulta rápida [Descarga aquí la versión en PDF].
¿Qué papel desempeña « Sylvera » en todo esto?
Las recomendaciones anteriores son válidas independientemente del proveedor que estés evaluando. Si estás barajando el «Biomass Atlas» de Sylvera como una de tus opciones, aquí tienes lo que conviene saber en relación con los puntos mencionados anteriormente.
Biomass Atlas ofrece datos sobre la biomasa aérea y la altura del dosel a escala mundial, con una resolución de entre 10 y 30 metros, y una cobertura anual desde el año 2000 hasta la actualidad, a través de una API.
En cuanto a la fiabilidad: está calibrado con más de 250 000 hectáreas de datos LIDAR propios a múltiples escalas, recopilados en diversos ecosistemas, y validado con una precisión de ±3 % respecto a mediciones destructivas realizadas sobre el terreno. Sylvera es también uno de los pocos proveedores de servicios de datos que Verra ha homologado para suministrar datos del índice de densidad de población para VM0047 —lo cual da una idea de cómo se producen los datos, aunque no sustituye a las comprobaciones de representatividad que aborda esta guía, ya que estas siguen dependiendo de la zona específica de su proyecto—.
Cuando los datos se aplican a los requisitos de una metodología específica —como la evaluación de la aplicabilidad, la creación de un conjunto de donantes, las líneas de base dinámicas y la comparación de rendimientos—, entra en juego el «Methodology Toolkit» de Sylvera. Está desarrollado a partir de Biomass Atlas, por lo que los mismos datos subyacentes permiten tanto el acceso autónomo a los datos brutos como un análisis totalmente gestionado, en función de las necesidades de tu equipo.
