Sobre los datos:
Este dataset global, desarrollado por la Agencia Espacial Europea (ESA) como parte de su programa Climate Change Initiative (CCI), proporciona estimaciones de biomasa forestal aérea (AGB) para el año 2022 (versión 6.0, publicada en abril de 2025). Disponible para los años 2007, 2010 y 2015-2022. Aspectos clave:
1. Contenido y metodología
- Variables principales:
- Biomasa aérea (AGB): Masa seca (en toneladas/hectárea, Mg/ha) de partes leñosas vivas (troncos, ramas, corteza) excluyendo raíces y tocones.
- Incertidumbre: Desviación estándar por píxel (Mg/ha).
- Datos de cambio: Mapas de diferencias interanuales (ej. 2020-2019) y decenales (2020-2010), con capas de calidad asociadas.
- Resoluciones: Disponible en resoluciones desde 100 m hasta 50 km (productos agregados).
2. Fuentes y tecnología
- Datos satelitales: Combina observaciones de:
- Sentinel-1 (Copernicus), Envisat ASAR (ESA), y satélites ALOS-1/2 (JAXA)12.
- Mediciones LiDAR de ICESat-2 (NASA) para calibración.
- Innovaciones en la versión 6:
- Mayor consistencia temporal y corrección de subestimaciones en regiones de alta biomasa (ej. bosques tropicales).
- Inclusión de nuevos años (2007 y 2022) y mejora de algoritmos para capturar dinámicas de cambio.
3. Aplicaciones
- Clima y políticas: Diseñado para apoyar el Acuerdo de París, reportes de gases de efecto invernadero y modelización climática.
- Gestión forestal: Identificación de sumideros de carbono, áreas prioritarias para conservación o reforestación.
- Limitaciones:
- Precisión disminuye en biomasas >400 Mg/ha (dificultad de penetración de radar en bosques densos).
- Futuras mejoras con datos de la misión Biomass (ESA), que usará radar en banda P para mediciones en bosques tropicales.
Fuente: Santoro, M.; Cartus, O. (2025): ESA Biomass Climate Change Initiative (Biomass_cci): Global datasets of forest above-ground biomass for the years 2007, 2010, 2015, 2016, 2017, 2018, 2019, 2020, 2021 and 2022, v6.0. NERC EDS Centre for Environmental Data Analysis, 17 April 2025. doi:10.5285/95913ffb6467447ca72c4e9d8cf30501. https://dx.doi.org/10.5285/95913ffb6467447ca72c4e9d8cf30501
No hay comentarios:
Publicar un comentario
Gracias por tu comentario. En breve tu comentario aparecerá en la entrada.