Mapping forest carbon stocks by integrating Landsat and L-band SAR in the Ecuadorian Amazon
No Thumbnail Available
Date
2025-11-21
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
Universidad de Cuenca, Facultad de Ciencias Químicas
Abstract
Accurate estimation of forest carbon stocks is fundamental for climate change mitigation and sustainable forest management, particularly in tropical ecosystems threatened by deforestation such as the Ecuadorian Amazon basin. In this study, we evaluated the performance of Random Forest and XGboost regression algorithms integrating optical, SAR and spatial data to predict carbon stocks. Carbon georeferenced in-situ data was obtained from Ecuador’s first National Forest Inventory data from 2009–2014. Model evaluation included statistical indicators such as R², Root Mean Square Error (RMSE), and Mean Absolute Error (MAE). The XGBoost model with variable selection yielded the highest performance (R² = 0.59), minimizing RMSE and MAE across validation datasets. Among the predictors, longitude, the Green Chlorophyll Vegetation Index (GCVI), and Landsat green reflectance were the most influential variables. The estimated carbon stock for the Ecuadorian Amazon reached 1.06 GtC (≈3.88 Gt CO₂e), revealing spatial patterns strongly associated with altitudinal gradients.
Resumen
La estimación precisa de las reservas de carbono forestal es fundamental para la mitigación del cambio climático y la gestión sostenible de los bosques, en particular en ecosistemas tropicales amenazados por la deforestación, como la cuenca amazónica ecuatoriana. En este estudio se evaluó el desempeño de los algoritmos de regresión Random Forest y XGBoost integrando datos ópticos, SAR y espaciales para predecir las reservas de carbono. Los datos de carbono georreferenciados in situ se obtuvieron del Primer Inventario Forestal Nacional del Ecuador (2009–2014). La evaluación de los modelos incluyó indicadores estadísticos como R², el Error Cuadrático Medio (RMSE) y el Error Absoluto Medio (MAE). El modelo XGBoost con selección de variables presentó el mejor desempeño (R² = 0.59), minimizando el RMSE y el MAE en los conjuntos de validación. Entre los predictores, la longitud, el Índice de Vegetación de Clorofila Verde (GCVI) y la reflectancia verde de Landsat fueron las variables más influyentes. La reserva de carbono estimada para la Amazonía ecuatoriana alcanzó 1.06 GtC (≈3.88 Gt CO₂e), revelando patrones espaciales fuertemente asociados con gradientes altitudinales.
Keywords
Ciencias Ambientales, Stock de carbono, Sensores remotos, Cambio climático, Aprendizaje automático
Citation
Código de tesis
TM4; 2716
Código de tesis
Grado Académico
Magíster en Ciencias Ambientales