Investigadores de Cambridge identificaron 18 especies y grupos forestales en los Alpes italianos mediante datos satelitales procesados con modelos geoespaciales accesibles desde equipos informáticos convencionales
Redactor: Valentina Ríos
Editor: Eduardo Schmitz
Un equipo de la Universidad de Cambridge desarrolló un método basado en inteligencia artificial y observaciones satelitales que permite cartografiar la distribución de especies de árboles con mayor precisión y menores exigencias informáticas que varios procedimientos tradicionales.
La investigación fue aplicada en los bosques montañosos de Trentino, en los Alpes italianos, donde los científicos utilizaron Tessera, un modelo geoespacial fundacional capaz de condensar un año de imágenes satelitales y convertirlas en representaciones digitales preparadas para su análisis.
El sistema clasificó 18 especies y grupos de árboles y alcanzó una exactitud cercana al 82%. Los métodos satelitales convencionales evaluados por el equipo obtuvieron resultados situados aproximadamente entre el 73% y el 79%.
El trabajo fue publicado en la revista Science of Remote Sensing y plantea la posibilidad de elaborar mapas forestales detallados a escala regional o continental sin depender necesariamente de supercomputadoras ni de grandes presupuestos tecnológicos.
Las montañas dificultan la identificación de los árboles
Reconocer especies forestales desde el espacio constituye una tarea compleja porque muchas copas presentan colores y patrones de reflectancia semejantes. El desafío aumenta en las regiones montañosas, donde las pendientes, las sombras y la presencia frecuente de nubes alteran las imágenes.
Trentino reúne precisamente estas condiciones. Sus bosques se distribuyen en un relieve accidentado y contienen parcelas con mezclas de especies que no siempre pueden distinguirse mediante una sola fotografía satelital.
Los sensores hiperespectrales, capaces de registrar centenares de bandas de luz, habían sido considerados una posible solución. Sin embargo, producen grandes volúmenes de información y requieren recursos computacionales elevados para separar señales muy sutiles entre especies.
La dificultad para obtener información detallada se extiende a otros componentes de los ecosistemas forestales. Estudios anteriores han evaluado el uso de satélites y tecnología lidar para medir la altura y estructura del dosel, variables necesarias para valorar el estado de los bosques y su capacidad de almacenar carbono.
Tessera resume un año completo de observaciones
En lugar de analizar cada imagen de manera aislada, Tessera procesa series satelitales correspondientes a un año y las transforma en representaciones numéricas conocidas como embeddings.
Estas representaciones conservan información sobre el comportamiento estacional de la vegetación. Los modelos pueden reconocer cuándo un árbol desarrolla hojas, florece, produce semillas, pierde follaje o inicia nuevamente su crecimiento.
La combinación de esos cambios forma una especie de firma temporal. Aunque dos especies parezcan similares en una imagen concreta, su evolución a lo largo de las estaciones puede permitir diferenciarlas.
Una vez generado el embedding, los investigadores pueden aplicar modelos relativamente sencillos para clasificar el territorio. Esta reducción de la complejidad permite trabajar con computadoras convencionales y disminuye la necesidad de procesar repetidamente archivos satelitales masivos.
El modelo superó a varios métodos tradicionales
James Ball, investigador posdoctoral del Instituto de Investigación para la Conservación de Cambridge y autor principal del estudio, entrenó el sistema con datos forestales de Trentino y evaluó su capacidad para localizar las 18 categorías analizadas.
Los resultados fueron comparados con técnicas tradicionales de cartografía satelital y con AlphaEarth, otro modelo geoespacial fundacional desarrollado por Google.
Tanto Tessera como AlphaEarth clasificaron correctamente alrededor del 82% de las observaciones. Además de superar el rendimiento de los procedimientos convencionales incluidos en la prueba, Tessera mostró una mayor capacidad para detectar especies poco frecuentes.
El sistema también estimó con mayor precisión la proporción de cada especie dentro de las unidades cartográficas. Esta característica es relevante en bosques mixtos, donde una parcela puede contener varias especies sin que ninguna ocupe toda la superficie.
Otros proyectos han recurrido a series temporales de imágenes para distinguir bosques naturales de plantaciones mediante muestras de entrenamiento generadas automáticamente. El nuevo estudio avanza hacia una clasificación más específica al identificar la composición arbórea dentro de los terrenos forestales.
Las etiquetas probabilísticas aprovechan los bosques mixtos
Una de las novedades metodológicas fue el uso de etiquetas blandas o probabilísticas. Los sistemas convencionales suelen asignar una sola categoría a cada parcela utilizada para entrenar el modelo.
Este enfoque obliga con frecuencia a descartar terrenos donde crecen varias especies, porque no pueden definirse mediante una etiqueta única. En los bosques naturales, estas mezclas son habituales y contienen información ecológica valiosa.
El equipo utilizó como objetivo de entrenamiento la proporción estimada de cada especie dentro de la parcela. De ese modo, un área podía representarse, por ejemplo, como una combinación de varias especies en porcentajes diferentes.
La técnica permitió conservar datos que anteriormente habrían sido considerados demasiado ambiguos. También ayudó al modelo a reproducir de manera más realista la composición de los bosques montañosos.
El mapa aporta datos sobre terrenos privados
La información utilizada para evaluar el método fue proporcionada por la Fondazione Edmund Mach, una institución italiana especializada en agricultura, ambiente y recursos forestales.
Michele Dalponte, ecólogo forestal de esa entidad y coautor del estudio, explicó que aproximadamente tres cuartas partes de los bosques de Trentino son de propiedad pública y reciben una gestión activa.
El resto corresponde principalmente a terrenos privados que, en muchos casos, cuentan con menos inventarios y registros. La cartografía satelital puede aportar información sobre la composición de estos bosques sin exigir el mismo nivel de trabajo de campo en cada parcela.
En los terrenos públicos, los mapas también agregan detalle espacial a los inventarios existentes. Esto puede facilitar la localización de especies con valor económico, áreas con elevada diversidad y sectores que requieren medidas específicas de conservación.
La utilidad de estos sistemas ya ha sido demostrada por monitores satelitales que detectan daños y cambios estacionales en los bosques a partir de la reflectancia de especies dominantes.
Los mapas forestales respaldan decisiones de conservación
Conocer qué especies crecen en cada lugar ayuda a evaluar la biodiversidad, la vulnerabilidad frente a sequías, incendios y plagas, y la capacidad de recuperación después de una perturbación.
Las especies no responden de la misma forma al aumento de las temperaturas o a la escasez de agua. Un mapa detallado permite identificar zonas dominadas por árboles más sensibles y orientar programas de seguimiento antes de que los daños sean visibles a gran escala.
La composición forestal también influye en servicios ecosistémicos como el almacenamiento de carbono, la regulación del agua y la protección del suelo. Una investigación internacional reciente concluyó que los bosques con mayor variedad de especies pueden almacenar más carbono y regular mejor los recursos hídricos.
Los inventarios detallados pueden servir además para comprobar proyectos de restauración y estimar si una zona recupera diversidad real o simplemente aumenta su cobertura con unas pocas especies.
Una herramienta para instituciones con recursos limitados
Los autores sostienen que una de las principales ventajas de Tessera es su accesibilidad. Los embeddings satelitales ya procesados pueden combinarse con inventarios forestales regionales sin tener que construir desde cero una infraestructura informática de gran capacidad.
Esto abre la posibilidad de que universidades, administraciones y organizaciones ambientales con recursos limitados desarrollen sus propios mapas. La disponibilidad de herramientas reutilizables puede reducir tanto el costo económico como el tiempo necesario para iniciar un programa de monitoreo.
La Unión Europea, organismos de conservación, administraciones forestales y entidades vinculadas con mercados de carbono podrían beneficiarse de información más frecuente y detallada sobre las especies presentes en cada territorio.
En el caso de los créditos de carbono, una cartografía precisa puede contribuir a verificar qué tipo de bosque existe, cómo cambia y si los proyectos mantienen la cobertura y composición declaradas. No obstante, los mapas satelitales deben complementarse con controles de campo y metodologías transparentes.
La aplicación se ampliará a América Latina
Ball trabaja ahora en la aplicación del método a una red de parcelas forestales que abarca más de 11.000 sitios en América Latina.
La ampliación permitirá evaluar el desempeño del modelo en bosques tropicales, donde la diversidad es mucho mayor y numerosas especies comparten rasgos visuales y ciclos estacionales similares.
El salto desde un bosque templado de montaña hacia ecosistemas tropicales representa un desafío considerable. La disponibilidad y calidad de los inventarios de campo también varían entre países y regiones.
Los resultados obtenidos en Trentino no garantizan automáticamente el mismo grado de precisión en todos los bosques del mundo. Cada nueva aplicación deberá validarse con datos locales y considerar posibles errores de clasificación, nubes persistentes, relieve y cambios en la calidad de las imágenes.
La inteligencia artificial no reemplaza los inventarios de campo
El método reduce la cantidad de procesamiento necesario y amplía la cobertura territorial, pero continúa dependiendo de observaciones realizadas sobre el terreno para entrenar y comprobar los modelos.
Los inventarios forestales aportan datos sobre especies, edades, diámetros, salud, regeneración y estructura que no siempre pueden deducirse únicamente desde el espacio.
La principal ventaja de la inteligencia artificial consiste en extender esas observaciones hacia áreas donde no existen mediciones directas, identificar patrones y señalar lugares donde conviene realizar inspecciones adicionales.
La combinación de satélites, modelos geoespaciales y trabajo de campo podría permitir actualizaciones más frecuentes de los mapas forestales y una respuesta más rápida frente a incendios, deforestación, enfermedades y cambios climáticos.
Fuentes referenciales:
Phys.org
Science of Remote Sensing
