Modelar con precisión la productividad primaria bruta (PPB) y la evapotranspiración (ET) en los ecosistemas terrestres es esencial para comprender y predecir los ciclos globales del carbono y del agua. Sin embargo, los modelos actuales presentan considerables incertidumbres y limitaciones al estimar estos dos componentes fundamentales.
por Zhang Nannan, Academia China de Ciencias
Científicos del Instituto de Ecología Aplicada de la Academia de Ciencias de China han logrado nuevos avances en la mejora de la precisión de las simulaciones GPP y ET.
Se espera que los hallazgos, publicados en Geoscientific Model Development y Journal of Hydrometeorology , proporcionen apoyo metodológico para evaluar los flujos de carbono y agua en diversos ecosistemas a escala regional.
En su estudio sobre la GPP, el Equipo de Investigación del Clima Ecológico, dirigido por el Dr. Wu Jiabing, desarrolló el modelo de aprendizaje automático automatizado ligero y rápido (FLAML) para la eficiencia del uso de la luz (LUE), basado en el enfoque de la eficiencia del uso de la luz (LUE). Los modelos LUE estiman la productividad de las plantas vinculando la luz absorbida con la producción fotosintética, un proceso clave para la fijación de carbono.
Al integrar datos meteorológicos, observaciones de torres de flujo utilizando el método de covarianza de remolinos (una técnica que mide los intercambios de dióxido de carbono, vapor de agua y energía entre los ecosistemas y la atmósfera) e índices derivados de satélites, los investigadores aplicaron FLAML, un marco de aprendizaje automático automatizado liviano, para optimizar el modelo.
Los resultados mostraron que FLAML-LUE tuvo un desempeño excepcionalmente bueno en la predicción de la dinámica de GPP, con una precisión particularmente fuerte en bosques mixtos y de coníferas.
Si bien su rendimiento fue algo inferior en matorrales alpinos y pastizales típicos, aún así superó a productos ampliamente utilizados como el espectrorradiómetro de imágenes de resolución moderada (MODIS) y PML.
El modelo demostró ligeras disminuciones en la precisión en condiciones extremas de alta temperatura y déficit de presión de vapor, pero se observó un mejor desempeño para las tierras de cultivo y los bosques latifoliados siempreverdes en condiciones de sequía.
El estudio destaca el potencial del aprendizaje automático automatizado para avanzar en el modelado ecológico.
En un estudio paralelo sobre la ET, el equipo dirigido por los Dres. Fei Wenli y Shen Lidu evaluó el modelo de superficie terrestre Noah-MP en múltiples configuraciones de parametrización frente a diversos productos de ET en ocho tipos de cobertura terrestre en Estados Unidos continental. La ET, que representa el proceso combinado de evaporación del suelo y transpiración de las plantas, es un componente central del ciclo hidrológico.
Descubrieron que el modelo Noah-MP, a través de sus múltiples configuraciones de parametrización, tendía a sobreestimar la ET en la mayoría de los tipos de cobertura terrestre, especialmente en bosques siempreverdes, pastizales, tierras de cultivo y tierras estériles.
Además, a lo largo de un año, el modelo capturó con precisión el pico estacional de ET en verano, pero sobreestimó sistemáticamente su intensidad. Al comparar la variabilidad interanual, el rendimiento del modelo fue mayor en regiones áridas y semiáridas que en bosques húmedos y tierras de cultivo.
Los investigadores identificaron los procesos físicos dominantes que impulsan la ET. En bosques y pastizales, la conductancia estomática (la regulación de la pérdida de agua a través de los poros de las hojas) fue el factor clave, mientras que en matorrales, sabanas, cultivos y zonas de suelo desnudo, los procesos de escorrentía desempeñaron un papel más significativo.
Estos hallazgos resaltan la importancia de ajustar la forma en que se optimizan los modelos para diferentes tipos de cobertura terrestre para mejorar la simulación de ET.
Juntos, ambos estudios marcan un importante paso adelante en la mejora del modelado de los ecosistemas terrestres de los ciclos del carbono y del agua, ofreciendo nuevos conocimientos metodológicos que pueden respaldar mejores evaluaciones del clima y de los ecosistemas.
Más información: Jie Lai et al., FLAML versión 2.3.3, evaluación basada en modelos de la productividad primaria bruta en ecosistemas de bosques, pastizales y tierras de cultivo, Desarrollo de Modelos Geocientíficos (2025). DOI: 10.5194/gmd-18-5115-2025
Wenli Fei et al., Evaluación de la evapotranspiración de un conjunto Noah-MP con productos multifuente bajo diferentes tipos de cobertura terrestre en los Estados Unidos contiguos, Journal of Hydrometeorology (2025). DOI: 10.1175/jhm-d-24-0127.1
