Monitoring of tree ecosystem dynamics, structure and biomass with Earth Observation and Artificial Intelligence

Abstract

Aquesta tesi millora el seguiment dels ecosistemes arborats per aprofundir en la comprensió del seu paper en els cicles del carboni, la biodiversitat i la resiliència davant el canvi climàtic. Tot i els avenços en l’Observació de la Terra (EO), encara hi ha reptes per obtenir avaluacions forestals fiables i ecològicament significatives. Per abordar-los, la recerca desenvolupa mètodes escalables de teledetecció i intel·ligència artificial per quantificar la biomassa aèria, els estocs de carboni i l’estructura forestal. Primer, presenta un marc innovador basat en imatges d’alta resolució i xarxes neuronals per cartografiar el carboni d’arbres individuals a zones semiàrides africanes. Després, amplia l’anàlisi global amb models profunds UNet que integren dades GEDI LiDAR, millorant els mapes de biomassa existents. També genera indicadors estructurals (alçària i cobertura del dosser) i aplica els mètodes a l’estudi d’incendis i recuperació mediterrània. En conjunt, reforça els sistemes MRV per a la mitigació climàtica i la conservació.

Esta tesis mejora el monitoreo de los ecosistemas arbolados para comprender mejor su papel en los ciclos del carbono, la biodiversidad y la resiliencia frente al cambio climático. A pesar de los avances en la Observación de la Tierra (EO), persisten desafíos para lograr evaluaciones forestales fiables y ecológicamente significativas. Para afrontarlos, la investigación desarrolla métodos escalables de teledetección e inteligencia artificial para cuantificar la biomasa aérea, las reservas de carbono y la estructura forestal. Primero, introduce un marco innovador basado en imágenes de muy alta resolución y redes neuronales para mapear el carbono a nivel de árbol en regiones semiáridas africanas. Luego amplía el análisis a escala global con modelos profundos UNet que integran datos GEDI LiDAR, mejorando los mapas de biomasa existentes. También genera indicadores estructurales (altura y cobertura del dosel) y aplica los métodos al estudio de incendios y recuperación mediterránea. En conjunto, fortalece los sistemas MRV para la mitigación climática y la conservación.

This thesis enhances the monitoring of tree-covered ecosystems to improve understanding of their roles in carbon cycling, biodiversity, and resilience under climate change. Despite advances in Earth Observation (EO), challenges persist in producing reliable, ecologically meaningful forest assessments. To address this, the research develops scalable remote sensing and AI methods for quantifying aboveground biomass, carbon stocks, and forest structure. First, it introduces a novel framework using very high-resolution imagery and neural networks to map individual tree-level carbon in semi-arid African regions. Second, it scales analyses globally through deep learning (UNet) models integrating GEDI LiDAR data, producing biomass maps that outperform existing ESA CCI datasets. Third, it generates structural indicators (canopy height, cover) for improved ecosystem monitoring. Finally, it applies these methods to study wildfire impacts and recovery in Mediterranean ecosystems. Collectively, this work advances operational MRV systems supporting climate mitigation, restoration, and biodiversity goals.