Eficiencia en el uso del carbono de los ecosistemas
DOI:
https://doi.org/10.17398/3101-7177.2.165Palabras clave:
CUE (carbon use efficiency), machine learning, eddy covariance, MODISResumen
La eficiencia en el uso del carbono (CUE) es un importante indicador ecológico que cuantifica la capacidad de los ecosistemas terrestres para actuar como sumideros del carbono transferido desde la atmósfera. En este trabajo se presenta una metodología para obtener imágenes de CUE a escala global, a una resolución de 1 km, mediante la espacialización de las medidas in situ utilizando machine learning y productos MODIS. Como caso de estudio se analiza la CUE de los ecosistemas de la península ibérica, así como su tendencia a lo largo del periodo 2001–2023. La tendencia negativa de la CUE, asociada a la pérdida de la capacidad del ecosistema de almacenar carbono, se detecta en amplias zonas de la mitad oeste, mientras que la mitad este –con una anomalía positiva de la precipitación en las últimas dos décadas– presenta una tendencia positiva.
Descargas
Referencias
Baldocchi, D., Falge, E., Lianhong, G. + 20 autores (2001). FLUXNET: a new tool to study the temporal and spatial variability of ecosystem-scale carbon dioxide, water vapor, and energy flux densities. Bulletin of the American Meteorological Society 82, 2415–2434, https://doi.org/10.1175/1520-0477(2001)082%3C2415:FANTTS%3E2.3.CO;2
Campos-Taberner, M., Gilabert, M. A., Sánchez-Ruiz, S., Martínez, B., Jiménez-Guisado, A., & García-Haro, F. J. (2025). Ecosystem carbon use efficiency at global scale: upscaling eddy-covariance data with machine learning and MODIS products. Scientific Reports 15, 44496. https://doi.org/10.1038/s41598-025-28151-x
Camps-Valls, G., Campos-Taberner, M., Moreno-Martínez, A. + 10 autores (2021). A unified vegetation index for quantifying the terrestrial biosphere. Science Advances 7, eabc7447; https://www.science.org/doi/10.1126/sciadv.abc7447
Hamed, K.H., & Rao, A.R. (1998). A modified Mann–Kendall trend test for autocorrelated data. Journal of Hydrology 204, 182.
https://doi.org/10.1016/S0022-1694(97)00125-X
Hulley, G. C., Hook, S. J., & Hughes, C. (2012). MODIS MOD21 land surface temperature and emissivity algorithm theoretical basis document. Pasadena, CA: Jet Propulsion Laboratory, National Aeronautics and Space Administration.
Liang, S., & Wang, D. (2017). MODIS Downward Shortwave Radiation (MCD18A1) and PAR (MCD18A2) Algorithm Theoretical Basis Document. https://doi.org/10.5067/MODIS/MCD18C2.061
Mu, Q., Zhao, M., & Running, S. W. (2013). MODIS global terrestrial ET product (NASA MOD16A2/A3). Algorithm Theoretical Basis Document, Collection, 5, 600; https://doi.org/10.5067/MODIS/MOD16A2.006
Myneni, R., Knyazikhin, Y., & Park, T. (2021). MODIS/Terra+Aqua Leaf Area Index/FPAR 4-Day L4 Global 500m SIN Grid V061 [Data set]. NASA Land Processes Distributed Active Archive Center. https://doi.org/10.5067/MODIS/MCD15A3H.061
Rasmussen, C. E., & Williams, C. K. I. (2006). Gaussian Processes for Machine Learning. New York: The MIT Press.
Strahler, A. H., Muller, J.-P., & Modis Science Team Members. (1999). MODIS BRDF/albedo product: Algorith Theoretical Basis Document version 5.0 (https://modis.gsfc.nasa.gov/data/atbd/atbd_mod09.pdf).
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2026 Manuel Campos-Taberner, María Amparo Gilabert, Sergio Sánchez-Ruiz, Beatriz Martínez, Adrián Jiménez-Guisado, F. Javier García-Haro (Autor/a)
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Todo el contenido disponible en el Portal de Revistas-UEx se distribuye bajo una licencia Creative Commons: Atribución 4.0 Internacional (CC BY 4.0)
