Modelización y atribución de la dinámica vegetación-clima a escala global mediante inteligencia artificial explicable

Resumen

Comprender la respuesta de la vegetación a la variabilidad y al cambio climático es esencial para evaluar la dinámica de los ecosistemas a escala global. El índice de área foliar (LAI), derivado de series temporales satelitales de larga duración, constituye un indicador clave de la vegetación; sin embargo, atribuir sus variaciones a forzamientos climáticos específicos sigue siendo complejo debido a la no linealidad de las interacciones, la heterogeneidad espacial y la multicolinealidad entre variables ambientales. En este estudio se desarrolla un marco metodológico escalable a nivel global para analizar las relaciones vegetación-clima a partir de la evolución del producto GEOV2-AVHRR LAI durante el periodo 1982–2022 y su relación con variables climáticas derivadas del reanálisis ERA5. Como caso ilustrativo, se presentan resultados para el dominio de América, donde se analiza la sensibilidad del LAI frente a indicadores de disponibilidad hídrica, incluyendo la humedad del suelo. Las relaciones vegetación-clima se modelizan mediante algoritmos no lineales basados en árboles, como Random Forest y Gradient Boosting, e incorporando técnicas de inteligencia artificial explicable (XAI), como SHAP y análisis de dependencia parcial, para cuantificar la contribución de los predictores climáticos y estimar sensibilidades comparables entre modelos y regiones. Los resultados muestran una alta consistencia espacial entre algoritmos, lo que refuerza la robustez de las sensibilidades estimadas y su interpretación física. El enfoque propuesto proporciona un marco reproducible y extensible para el análisis de las interacciones vegetación-clima a gran escala.