El mapeo satelital impulsado por IA cuenta 5.250 millones de árboles en Ruanda y Tanzania

El mapeo satelital impulsado por IA cuenta 5.250 millones de árboles en Ruanda y Tanzania

Los investigadores han desarrollado un marco de aprendizaje profundo que combina imágenes satelitales multisensor para estimar la abundancia de árboles en naciones enteras, produciendo una línea base que podría transformar la forma en que los gobiernos planifican y monitorean los esfuerzos de restauración de árboles. Aplicado a Ruanda y Tanzania, el marco contó aproximadamente 5.250 millones de árboles —unos 213 millones en Ruanda y 5.040 millones en Tanzania— y encontró que solo el 48,8% de esos árboles caían dentro de la clase de "cobertura arbórea" de WorldCover. El 51,2% restante se distribuía en matorrales, pastizales, tierras de cultivo, áreas urbanizadas, humedales, vegetación dispersa y manglares.

El estudio, dirigido por la Universidad de Copenhague, fue publicado (DOI: 10.34133/remotesensing.0970) el 18 de agosto de 2026 en la Revista de Teledetección. La investigación aborda una necesidad creciente: los compromisos globales de plantación de árboles han aumentado sharply desde el Acuerdo de París, creando demanda de líneas base confiables que muestren cuántos árboles ya existen y dónde se encuentran. Los inventarios de campo son costosos y espacialmente limitados, mientras que la adquisición repetida de imágenes satelitales o de UAV submétricas es difícil de escalar. Los métodos de detección de objetos también tienen dificultades cuando las copas se superponen, ocupan fracciones de píxeles o carecen de límites claros.

El marco utiliza imágenes de PlanetScope, Sentinel-1 y Sentinel-2, analizando parches de imagen de 96 × 96 metros de un compuesto de 20 bandas remuestreado a una cuadrícula común de 3 metros. Una arquitectura híbrida UNet-ResNet50 predice un valor de conteo de árboles por parche, estimando el número de árboles a partir de patrones espaciales, espectrales y de textura en lugar de detectar cada copa individualmente. En comparaciones, UNet-R50 logró un error absoluto medio de 17,32 y un r² de 0,73, superando a ResNet50, ResNeXt50, SwinT y ViT. Las pruebas de ablación de sensores mostraron que Sentinel-1 más Sentinel-2 alcanzaron un MAE de 18,42 y r² de 0,77, comparable con el compuesto de tres sensores con 18,8 y 0,77, respectivamente.

El entrenamiento utilizó alrededor de 12 millones de centros de copas de árboles de diversos paisajes, con etiquetas ensambladas a partir de interpretación manual de imágenes submétricas y extracción semiautomatizada de modelos de altura del dosel LiDAR aerotransportado y de UAV. Las predicciones nacionales se corrigieron por sesgo utilizando mediciones independientes del Inventario Forestal Nacional con calibración bootstrap específica por país y cobertura terrestre. Las estimaciones finales indicaron densidades medianas de 37 árboles por hectárea en Ruanda y 42 en Tanzania.

Los investigadores enfatizaron el valor práctico del marco, señalando que "puede guiar la planificación y optimización de la asignación de recursos para los esfuerzos de restauración de árboles a escalas nacionales". Sostienen que las líneas base satelitales repetibles podrían ayudar a los gobiernos a rastrear los resultados de la restauración, identificar áreas de plantación apropiadas y contabilizar mejor los árboles que crecen más allá de los límites forestales convencionales. El enfoque también evita la dependencia de límites explícitos de copas, permitiendo inferir el número de árboles incluso cuando las copas individuales no se resuelven completamente a una resolución de píxel de 3 metros.

El trabajo futuro debe mejorar el rendimiento en bosques densos de dosel cerrado, donde la superposición de copas y la saturación de la señal reducen la sensibilidad, e incorporar el sotobosque o plantas leñosas más pequeñas. Los autores proponen integrar inventarios forestales y datos de muy alta resolución mientras exploran la fusión de sensores basada en atención, la adaptación de dominio y el aprendizaje por transferencia para extender el enfoque a nuevas regiones, ecosistemas y sensores satelitales a mayores escalas. El estudio completo está disponible en https://spj.science.org/doi/10.34133/remotesensing.0970.

La rédaction de Burstable.News

La rédaction de Burstable.News

@burstable

Burstable.News proporciona diariamente contenido de noticias seleccionado para publicaciones en línea y sitios web. Póngase en contacto con Burstable.News hoy mismo si le interesa añadir a su sitio web un flujo de contenido fresco que satisfaga las necesidades informativas de sus visitantes.