Stock di Carbonio

Stock di Carbonio — Downscaling con Random Forest

Panoramica

Il layer Stock di Carbonio stima la densità di carbonio terrestre in tonnellate di carbonio per ettaro (tC/ha) combinando una mappa baseline globale di carbonio con variabili di telerilevamento ad alta risoluzione attraverso il downscaling tramite Random Forest.

Il dataset baseline deriva da Walker et al. (2022), che fornisce una mappa globale della densità di carbonio per l'anno 2016 a ~300 m di risoluzione. Questa baseline cattura biomassa aerea, biomassa sotterranea, carbonio organico del suolo e materia organica morta. Per ottenere una risoluzione spaziale più elevata, la baseline viene raffinata utilizzando variabili satellitari attuali:

• NDVI da Sentinel-2 (10 m) — proxy per densità e salute della vegetazione
• Copertura del suolo da Dynamic World (10 m) — classificazione categoriale dell'uso del suolo
• Elevazione da SRTM (30 m) — influenza topografica sullo stoccaggio di carbonio

---

Metodologia di Calcolo

Pipeline di downscaling Random Forest:

1. Estrazione baseline — Il raster di densità di carbonio Walker et al. 2022 viene caricato da S3 e ritagliato sull'area di interesse
2. Feature engineering — Per ogni pixel: valore NDVI, classe di copertura del suolo, elevazione
3. Training — Un regressore Random Forest viene addestrato sulla relazione tra valori di carbonio baseline e le variabili ausiliarie
4. Predizione — Il modello predice la densità di carbonio alla risoluzione più alta
5. Validazione — Metriche di cross-validazione (R², RMSE)

Pool di carbonio inclusi:

Unità di output: tC/ha

---

Fonti dei Dati

---

Note Tecniche

• La baseline (Walker 2022) rappresenta condizioni circa 2016; cambiamenti significativi di uso del suolo successivi potrebbero non essere catturati
• La saturazione dell'NDVI nelle foreste molto dense può limitare la discriminazione di stock elevati
• Le stime del carbonio organico del suolo presentano incertezza maggiore rispetto alla biomassa aerea

---

Riferimenti

1. Walker, W.S. et al. (2022). "The global potential for increased storage of carbon on land". PNAS, 119(23), e2111312119.
2. Spawn, S.A. et al. (2020). "Harmonized global maps of above and belowground biomass carbon density in the year 2010". Scientific Data, 7, Article 112.
3. Breiman, L. (2001). "Random Forests". Machine Learning, 45(1), pp. 5–32.

Responsible: Axel Dolcemascolo