Introducción: Los ecosistemas semiáridos están bajo presión por ganadería extensiva y transforman estos ecosistemas a matorral secundario. Su capacidad para almacenar carbono no es reconocida, por eso la importancia de conocer las dinámicas de flujo. Los sensores remotos son útiles para la estimación de carbono, pero necesitan mayor estudio. 

Objetivo: Por regresión de minimos cuadrados ordinarios (OLS) y algoritmos de aprendizaje automático (ML) comparamos la Productividad Primaria Bruta (GPP) estimada por una torre de Covarianza de Vórtices (EC) y la GPP de sensores remotos en un ecosistema semiárido.

Hipótesis: Los modelos de aprendizaje automático predicen mejor la GPP, comparados con un modelo tradicional como el OLS o productos satelitales.

Métodos: En Bernal, Querétaro, se instaló un sistema de EC que registró datos en 2016 y 2017. El sitio es árido con lluvias en verano y es un predio con pastoreo extensivo en relictos de matorral crasicaule. Las variables predictivas fueron las bandas espectrales e índices y productos de vegetación del Satélite MODIS (Moderate Resolution Imaging Spectroradiometer) y una malla de variables ambientales. La variable de respuesta fue la GPP de la torre de EC. Se usaron un sitio de la red Ameriflux (Arizona) instrumentado con EC para comparar los modelos obtenidos en el sitio de estudio. El resultado de la modelación ML pueden ser modelos independientes o ensambles de modelos, se utilizó el programa R para desarrollar los modelos. Se usaron el 85% de las observaciones para entrenar a los modelos y el 15% restantes para la validación. Se usó el sesgo, el coeficiente de determinación (r2) y la probabilidad de concordancia como medidas de bondad de ajuste entre valores observados y estimados de GPP.

Resultados: Bernal fue un sumidero de carbono a pesar de su condición de sobrepastoreo. El promedio de intercambio neto de carbono fue de -0.78 gCm-2d-1. De acuerdo con el valor promedio de la probabilidad de concordancia, la correspondencia fue mayor para los algoritmos de aprendizaje automático (0.6), seguido del OLS (0.5) y MODIS (0.24). Esta métrica gráfica, fue más informativa que r2 para evaluar los modelos.

Conclusiones: Las mejores aproximaciones fueron los ensambles de modelos de aprendizaje automático. La segunda opción para estimar la GPP fue la regresión múltiple de OLS y la tercera alternativa fueron los estimados de MODIS.