Investigadores han desarrollado un modelo avanzado de inteligencia artificial que produce mapas de altura del dosel de alta resolución utilizando únicamente imágenes RGB estándar, logrando una precisión cercana al lidar para el monitoreo preciso de la biomasa forestal y el almacenamiento de carbono en grandes áreas. Esta innovación aborda la necesidad crítica de un monitoreo forestal rentable, ya que los bosques y plantaciones desempeñan un papel vital en la captura de carbono, mientras que los métodos tradicionales siguen siendo costosos y requieren mucha mano de obra.
El equipo de investigación conjunto de la Universidad Forestal de Beijing, la Universidad Metropolitana de Manchester y la Universidad de Tsinghua publicó sus hallazgos en el Journal of Remote Sensing el 20 de octubre de 2025. Su estudio presenta un marco novedoso que combina modelos de visión de gran escala con aprendizaje autosupervisado para ofrecer una precisión submétrica en la estimación de alturas de árboles a partir de imágenes satelitales RGB. La investigación aborda el problema de larga data de equilibrar costo, precisión y escalabilidad en el monitoreo forestal, ofreciendo una herramienta prometedora para gestionar plantaciones y rastrear la captura de carbono bajo iniciativas como el programa de Reducción Certificada de Emisiones de China.
Monitorear la estructura del dosel forestal es esencial para comprender los ciclos globales de carbono, evaluar el crecimiento de los árboles y gestionar los recursos de las plantaciones. Los sistemas lidar tradicionales proporcionan datos de altura precisos, pero están limitados por sus altos costos y complejidad técnica, mientras que la teledetección óptica a menudo carece de la precisión estructural necesaria para plantaciones a pequeña escala. El nuevo modelo de visión impulsado por IA cierra esta brecha al lograr un error absoluto medio de solo 0.09 metros y un R² de 0.78 en comparación con mediciones lidar aéreas, superando los métodos tradicionales basados en CNN y transformadores.
La arquitectura del modelo consta de tres módulos: un extractor de características impulsado por el modelo de visión de gran escala DINOv2, una unidad de mejora de características autosupervisada para retener detalles espaciales finos, y un estimador de altura convolucional ligero. Este enfoque permitió una precisión superior al 90% en la detección de árboles individuales y fuertes correlaciones con la biomasa aérea medida. El modelo demostró una fuerte generalización entre tipos de bosques, haciéndolo adecuado tanto para la contabilidad de carbono a escala regional como nacional.
Las pruebas en el distrito de Fangshan en Beijing, un área con plantaciones fragmentadas compuestas principalmente por Populus tomentosa, Pinus tabulaeformis y Ginkgo biloba, mostraron que el modelo de IA produjo mapas de altura del dosel que coincidían estrechamente con los datos de referencia terrestres. Utilizando imágenes de Google Earth de un metro de resolución y referencias derivadas de lidar, el modelo superó significativamente a los productos globales de modelos de altura del dosel, capturando variaciones sutiles en la estructura de las copas de los árboles que los modelos existentes a menudo pasaban por alto. Los mapas generados respaldaron la segmentación de árboles individuales y la estimación de biomasa a nivel de plantación con valores R² superiores a 0.9 para especies clave.
Cuando se aplicó a un bosque geográficamente distinto en Saihanba, la red mantuvo una precisión robusta, confirmando su adaptabilidad interregional. La capacidad de reconstruir tendencias de crecimiento anual a partir de imágenes satelitales archivadas proporciona una solución escalable para el monitoreo a largo plazo de sumideros de carbono y la gestión forestal de precisión. La metodología de investigación empleó un marco de aprendizaje profundo de extremo a extremo que combina características de modelos de visión de gran escala preentrenados con un proceso de mejora autosupervisada, utilizando imágenes de alta resolución de Google Earth de 2013-2020 como entrada y datos lidar basados en UAV como referencia para entrenamiento y validación.
El Dr. Xin Zhang, autor correspondiente de la Universidad Metropolitana de Manchester, declaró que su modelo demuestra que los modelos de visión de gran escala pueden transformar fundamentalmente el monitoreo forestal. Al combinar el preentrenamiento de imágenes globales con la mejora autosupervisada local, el equipo logró una precisión a nivel lidar utilizando imágenes RGB ordinarias, reduciendo drásticamente los costos y ampliando el acceso a datos forestales precisos para la contabilidad de carbono y la gestión ambiental.
El marco de mapeo basado en IA ofrece un enfoque poderoso y asequible para rastrear el crecimiento forestal, optimizar la gestión de plantaciones y verificar créditos de carbono. Su adaptabilidad entre ecosistemas lo hace adecuado para programas globales de monitoreo de forestación y reforestación. Como se detalla en el estudio publicado en https://spj.science.org/doi/10.34133/remotesensing.0880, esta innovación podría desempeñar un papel central en el logro de una silvicultura sostenible y la mitigación del cambio climático a medida que el mundo avanza hacia los objetivos de cero emisiones netas. La investigación futura extenderá este método a bosques naturales y mixtos, integrará clasificación automática de especies y respaldará plataformas de monitoreo de carbono en tiempo real.
