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

• Autores: Daniel García Díaz, Fernando Aguilar Gómez , Santiago A. Schauman, Aleixandre Verger
• Localización: Teledetección multidisciplinar: Miradas diversas, soluciones comunes. XXI Congreso de la Asociación Española de Teledetección (AET) / Elia María Quirós Rosado (ed. lit.), Laura Fragoso Campón (ed. lit.) , María Alicia Antolín Salazar (ed. lit.), 2026, ISBN 978-84-9127-367-7, págs. 321-325
• Idioma: español
• Títulos paralelos:
  • Modelling and Attribution of Global Vegetation-Climate Dynamics Using Explainable Artificial Intelligence
• Enlaces
  • Texto Completo Libro
• Resumen
  • español

    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 lavegetación; sin embargo, atribuir sus variaciones a forzamientos climáticos específicos siguesiendo complejo debido a la no linealidad de las interacciones, la heterogeneidad espacial y lamulticolinealidad entre variables ambientales. En este estudio se desarrolla un marcometodológico escalable a nivel global para analizar las relaciones vegetación-clima a partir de laevolución del producto GEOV2-AVHRR LAI durante el periodo 1982–2022 y su relación convariables climáticas derivadas del reanálisis ERA5. Como caso ilustrativo, se presentan resultadospara el dominio de América, donde se analiza la sensibilidad del LAI frente a indicadores dedisponibilidad hídrica, incluyendo la humedad del suelo. Las relaciones vegetación-clima semodelizan mediante algoritmos no lineales basados en árboles, como Random Forest y GradientBoosting, e incorporando técnicas de inteligencia artificial explicable (XAI), como SHAP y análisisde dependencia parcial, para cuantificar la contribución de los predictores climáticos y estimarsensibilidades comparables entre modelos y regiones. Los resultados muestran una altaconsistencia espacial entre algoritmos, lo que refuerza la robustez de las sensibilidades estimadasy su interpretación física. El enfoque propuesto proporciona un marco reproducible y extensiblepara el análisis de las interacciones vegetación-clima a gran escala.

  • English

    Understanding vegetation responses to climate variability and climate change isessential for assessing ecosystem dynamics at the global scale. The Leaf Area Index (LAI), derivedfrom long-term satellite time series, constitutes a key indicator of vegetation; however, attributingits variations to specific climatic forcings remains challenging due to the nonlinearity ofinteractions, spatial heterogeneity, and multicollinearity among environmental variables. In thisstudy, a globally scalable methodological framework is developed to analyse vegetation–climaterelationships based on the evolution of the GEOV2-AVHRR LAI product over the period 1982–2022 and its relationship with climatic variables derived from the ERA5 reanalysis. As an illustrativecase, results are presented for the domain of the Americas, where LAI sensitivity to indicators ofwater availability, including soil moisture, is analysed. Vegetation–climate relationships aremodelled using nonlinear tree-based algorithms, such as Random Forest and Gradient Boosting,incorporating explainable artificial intelligence (XAI) techniques, including SHAP and partialdependence analysis, to quantify the contribution of climatic predictors and estimate sensitivitiescomparable across models and regions. The results show high spatial consistency amongalgorithms, reinforcing the robustness of the estimated sensitivities and their physicalinterpretation. The proposed approach provides a reproducible and extensible framework foranalysing vegetation–climate interactions at large spatial scales.