Fine-scale carbon stocks mapping in the mangrove forests of Tumaco, Colombia using machine learning and remote sensing approaches

[EN] Mangroves play a critical role in mitigating climate change, sequestering up to five times more carbon than other forests. Accurate assessment of their carbon stocks is crucial for effective planning and management in climate change strategies. This study presents an innovative approach that integrates remote sensing with field data, utilizing high-resolution imagery and evaluating two machine learning algorithms: Random Forest and Support Vector Regression. Mangrove area was mapped using supervised classification, and both aboveground and belowground biomass, along with the carbon stored in these compartments, were quantified. The classification achieved an accuracy of 87%, and mean values of 192.50±102.78 Mg/ha for aboveground biomass, 79.95±56.85 Mg/ha for belowground biomass, and 127.43±73.49 CMg/ha for stored carbon. The Random Forest model performed best, with an RMSE of 140.68 and an R² of 0.78, surpassing global models. Additionally, spectral indices significantly enhanced the model s ability to predict aboveground biomass.

[ES] Los manglares desempeñan un papel clave en la mitigación del cambio climático, ya que secuestran hasta cinco veces más carbono que otros bosques. La evaluación precisa de sus reservas de carbono es crucial para planificar y gestionar eficazmente las estrategias de lucha contra el cambio climático. Este estudio presenta un enfoque innovador que integra la teledetección con los datos de campo, utilizando imágenes de alta resolución y evaluando dos algoritmos de aprendizaje automático: Random Forest y Support Vector Regression. Se cartografió el área de manglar mediante clasificación supervisada y se cuantificó la biomasa por encima y por debajo del suelo y el carbono almacenado en estos compartimentos. La clasificación alcanzó una precisión del 87% y valores medios de 192,50±102,78 Mg/ha para la biomasa aérea, 79,95±56,85 Mg/ha para la biomasa subterránea y 127,43±73,49 CMg/ha para las reservas de carbono. El modelo Random Forest obtuvo los mejores resultados, con un RMSE de 140,68 y un R² de 0,78, superando a los modelos globales. Además, los índices espectrales mejoraron la capacidad del modelo para predecir la biomasa aérea.