Análisis del secuestro de carbono orgánico del suelo en masas de Pinus halepensis Mill. empleando tecnología LiDAR y métodos de inventario clásicos

Abstract

La estimación precisa del carbono orgánico del suelo (COS) en ecosistemas forestales es esencial para cuantificar su contribución como sumideros de carbono y mejorar las estrategias de gestión frente al cambio climático. El objetivo de este estudio fue modelizar el COS en masas de Pinus halepensis Mill. mediante métricas estructurales derivadas de datos LiDAR procedentes del Plan Nacional de Ortofotografía Aérea (PNOA). El área de estudio comprendió una superficie de 46,8 hectáreas ubicada en el término municipal de Ampudia, Palencia (España). Para el desarrollo del trabajo se llevó a cabo un muestreo sistemático de suelos y un inventario forestal. Asimismo, se aplicó tecnología LiDAR y se obtuvieron 87 métricas estructurales. Estas métricas se integraron con variables edáficas y datos de biomasa aérea para construir modelos predictivos del stock de carbono mediante técnicas de regresión multivariante. Entre los modelos evaluados, el algoritmo Random Forest mostró el mejor rendimiento en validación cruzada (R² = 0,81; RMSE = 7,73 Mg/ha), evidenciando una adecuada capacidad predictiva frente a otros modelos. El enfoque propuesto permitió evaluar el potencial de los datos LiDAR procedentes de escaneo láser aerotransportado (ALS), adquiridos en el marco de programas cartográficos de carácter general, como herramienta eficaz para la estimación espacial del COS. Este procedimiento, validado sobre una base empírica, ofrece una base metodológica útil para avanzar en la estimación del COS mediante teledetección, contribuyendo a mejorar la cuantificación de los servicios ecosistémicos relacionados con el suelo

Accurate estimation of soil organic carbon (SOC) in forest ecosystems is essential for quantifying their contribution as carbon sinks and improving management strategies in the face of climate change. The objective of this study was to model SOC in Pinus halepensis Mill. stands using structural metrics derived from LiDAR data from the National Aerial Orthophotography Plan (PNOA). The study area covered 46.8 hectares located in the municipality of Ampudia, Palencia (Spain). To carry out the work, systematic soil sampling and a forest inventory were conducted. LiDAR technology was also applied and 87 structural metrics were obtained. These metrics were integrated with edaphic variables and above-ground biomass data to build predictive models of carbon stock using multivariate regression techniques. Among the models evaluated, the Random Forest algorithm showed the best performance in cross-validation (R² = 0.81; RMSE = 7.73 Mg/ha), demonstrating adequate predictive capacity compared to other models. The proposed approach made it possible to evaluate the potential of LiDAR data from airborne laser scanning (ALS), acquired within the framework of general mapping programmes, as an effective tool for the spatial estimation of SOC. This procedure, validated on an empirical basis, provides a useful methodological basis for advancing in the estimation of SOC through remote sensing, contributing to improve the quantification of soil-related ecosystem services