Modelo predictivo geoespacial para a cuantificar el secuestro de carbono en estos ecosistemas, integrando mediciones de campo, sensores remotos, análisis de laboratorio y algoritmos de aprendizaje automático. El modelo propuesto permitirá cuantificar y cartografiar con precisión el carbono almacenado en suelos profundos (hasta 1 metro de profundidad), biomasa aérea y subterránea, y hojarasca, para ecosistemas forestales de bosque nativo (Lenga, Roble-Raulí-Coihue y Roble-Hualo) y plantaciones de Pinus radiata en las regiones del Maule, Ñuble y Biobío. La información generada contribuirá a fortalecer las plataformas de monitoreo forestal del país, proporcionando bases de datos actualizadas, algoritmos y modelos geoespaciales predictivos que permitirán a instituciones como la Corporación Nacional Forestal (CONAF) y el Instituto Forestal (INFOR) mejorar sus sistemas de monitoreo forestal. Los principales componentes tecnológicos del modelo predictivo geoespacial incluyen: * · Algoritmo de aprendizaje automático que permite el procesamiento de datos geoespaciales y de campo, basado en múltiples variables ambientales, incluyendo factores climáticos (precipitación, temperatura, humedad del suelo), topográficos (pendiente, altitud, exposición), edáficos (tipo de suelo, contenido de materia orgánica, textura), cobertura de ecosistemas (bosques nativos, plantaciones forestales, uso de suelo). * · Modelo de análisis exploratorio de carbono forestal, que permite la integración de datos de diferentes fuentes (mediciones de campo, sensores remotos, datos de inventarios forestales y bases de datos existentes), con el fin de identificar patrones espaciales y temporales en la acumulación de carbono en bosques nativos y plantaciones forestales. * · Modelo validado a través de métricas de precisión que garantiza la confiabilidad de las estimaciones de carbono mediante la comparación con datos de referencia obtenidos en terreno. Se emplearán métricas como el coeficiente de determinación (R2), error cuadrático medio (RMSE) y validación cruzada para evaluar el desempeño del modelo. * · Algoritmo de modelación espacial de alta resolución que incorpora técnicas de interpolación espacial y machine learning, utilizando modelos de regresión no lineal como Random Forest, Support Vector Machines (SVM) o redes neuronales para estimar y cartografiar el carbono almacenado en diferentes tipos de ecosistemas forestales. * · Un sistema integrado de visualización y análisis, que genera mapas georreferenciados, bases de datos estructuradas, gráficos y tablas dinámicas, permitiendo a los usuarios interactuar con la información de manera intuitiva. · Plataforma de acceso abierto que integrará los resultados en los sistemas nacionales de monitoreo forestal, como SIMEF y el SEIL, garantizando la transparencia y disponibilidad de la información para distintos actores del sector forestal, investigadores y formuladores de políticas públicas.

Qué problema resuelve esta capacidad

EL problema que aborda el proyecto "Modelo para cuantificar el secuestro de carbono en bosque nativo y plantaciones forestales" es la falta de modelos predictivos geoespaciales, capaces de generar información más precisa sobre las estimaciones de stock de carbono en distintas unidades espaciales de plantaciones forestales y bosque nativo. A través del desarrollo de estos modelos predictivos, podremos contribuir en la toma de decisiones informadas, desarrollo de investigaciones, la participación en mercados de carbono y el cumplimiento de estándares ambientales. La herramienta a desarrollar en el proyecto constituye un aliado para diversos actores de la sociedad, ligados a la actividad académica, medioambiental, gubernamental, investigación y empresarial, quienes utilizan datos de secuestro de carbono para realizar informes académicos, educar a la población, sustentar hipótesis de investigación, realizar estudios de compensación de emisiones de gases de efecto invernadero, establecer políticas y acciones de carbono neutralidad, entre otras iniciativas. También existen empresas que utilizan información relativa al secuestro de carbono para conocer el aporte que realizan a las metas de carbono neutralidad y certificar diversas prácticas de sustentabilidad. Esta diversidad de usuarios permite que el alcance de este proyecto y su ámbito de acción alcance a actores del mundo público y privado (la descripción de actores se aborda en profundidad en el punto 1.5). Finalmente, los modelos predictivos geoespaciales, se integrarán a las plataformas gubernamentales existentes de monitoreo forestal, permitiendo un escalamiento de dichas plataformas a la entrega de nuevas herramientas para el sector público y privado. El proyecto representa una oportunidad para avanzar hacia la sostenibilidad ambiental y cumplir con los compromisos internacionales de mitigación del cambio climático, en particular, la Ley Marco de Cambio Climático de Chile (Ley Número 21.455), que establece el objetivo de carbono neutralidad para el año 2050.

Cuáles son las ventajas competitivas de esta capacidad

Accesibilidad: mejora en la accesibilidad de los datos y la información generada òr el sistema, asegurando que se comprensible y utilizable por una amplia gama de usuarios. Fiabilidad: Garantía de que el sistema proporciona resultados confiables y precisos, lo que aumenta la confianza de los usuarios en su utilidad para la toma de decisiones.

Qué más deberías saber sobre esta capacidad

TRL 4