La IA Satelital Permite el Monitoreo de Árboles a Escala Nacional

KNOXVILLE, TN, 3 de noviembre de 2026 /24-7PressRelease/ -- Los recuentos precisos de árboles son esenciales para la restauración, pero los métodos convencionales tienen dificultades en paisajes heterogéneos. Los investigadores desarrollaron un marco de aprendizaje profundo que combina imágenes satelitales de múltiples sensores para estimar la abundancia de árboles. Aplicado a Ruanda y Tanzania, contó 5.250 millones de árboles y mostró que más de la mitad se encuentran fuera de las áreas clasificadas como cobertura arbórea.

Los compromisos globales de plantación de árboles han aumentado drásticamente desde el Acuerdo de París, creando una demanda de líneas base confiables que muestren cuántos árboles existen ya y dónde se encuentran. Los inventarios de campo son costosos y espacialmente limitados, mientras que la adquisición repetida de imágenes satelitales o de vehículos aéreos no tripulados (UAV) de resolución submétrica 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. Los enfoques más gruesos basados en índices de vegetación, clima o topografía pueden suavizar la variación local y subrepresentar los árboles en sistemas no forestales. Dados estos desafíos, se necesita investigación en profundidad para desarrollar métodos escalables, asequibles, robustos y basados en observaciones para contar árboles en paisajes naturales heterogéneos.

Un equipo de investigación dirigido por la Universidad de Copenhague publicó (DOI: 10.34133/remotesensing.0970) el estudio el 18 de agosto de 2026 en la Journal of Remote Sensing. El equipo desarrolló un marco de aprendizaje profundo multisensor utilizando imágenes de PlanetScope, Sentinel-1 y Sentinel-2. En lugar de detectar cada copa individualmente, el sistema estima el número de árboles a partir de patrones espaciales, espectrales y de textura dentro de parches de imagen. Este enfoque aborda un desafío de monitoreo de restauración: producir líneas base de recuento de árboles consistentes y espacialmente detalladas en bosques y paisajes no forestales sin depender de imágenes submétricas costosas adquiridas repetidamente.

El marco estimó aproximadamente 5.250 millones de árboles en Ruanda y Tanzania: alrededor de 213 millones en Ruanda y 5.040 millones en Tanzania después de la calibración. Solo el 48,8% cayó dentro de la clase de "cobertura arbórea" de WorldCover; el otro 51,2% ocurrió en matorrales, pastizales, tierras de cultivo, áreas construidas, humedales, vegetación dispersa y manglares. A diferencia de los inventarios centrados en bosques o las extrapolaciones estadísticas gruesas, el enfoque captura árboles en paisajes heterogéneos. Su regresión a nivel de imagen también evita la dependencia de límites explícitos de copas, lo que permite inferir el número de árboles incluso cuando las copas individuales no se resuelven completamente a una resolución de píxel de 3 m. Esto proporciona una línea base más directa y espacialmente explícita para la planificación y el monitoreo de la restauración.

El modelo analizó parches de imagen de 96 × 96 m de un compuesto de 20 bandas que contenía cuatro bandas ópticas de Planet, diez bandas multiespectrales de Sentinel-2 y seis bandas de polarización de radar de Sentinel-1, todas remuestreadas a una cuadrícula común de 3 m. Una arquitectura híbrida UNet-ResNet50 predijo un valor de recuento de árboles por parche. En las comparaciones de arquitectura, 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 un r² de 0,77, comparable con el compuesto de tres sensores con 18,8 y 0,77, respectivamente. El entrenamiento utilizó aproximadamente 12 millones de centros de copas de árboles de diversos paisajes. 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, lo que demuestra la aplicabilidad nacional en ecosistemas contrastantes. El enfoque, por lo tanto, combina escalabilidad con detalle ecológico y espacial.

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". Argumentan además 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.

Los investigadores reunieron etiquetas a partir de la interpretación manual de imágenes submétricas y la extracción semiautomática de modelos de altura del dosel LiDAR aerotransportado y UAV. Aproximadamente 12 millones de puntos de centros de copas cubrieron 2.832 áreas de muestra que abarcan aproximadamente 608.483 hectáreas. Las entradas satelitales se armonizaron temporalmente, se corrigieron, normalizaron y remuestrearon a 3 m. La red utilizó una división de entrenamiento-validación de 80/20 y el error absoluto medio como función de pérdida. Las predicciones se evaluaron y calibraron posteriormente contra parcelas independientes del Inventario Forestal Nacional de Ruanda y Tanzania. Se utilizaron árboles grandes para la validación.

El marco podría apoyar los programas de restauración estableciendo líneas base nacionales repetibles, rastreando las ganancias y pérdidas de árboles y guiando la plantación hacia ubicaciones ecológicamente apropiadas. 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 escalas mayores.

Referencias
DOI
10.34133/remotesensing.0970

URL de la fuente original
https://spj.science.org/doi/10.34133/remotesensing.0970

Información de financiación
Este estudio recibió financiación del Consejo Europeo de Investigación (ERC) en el marco del Programa de Investigación e Innovación Horizonte 2020 de la Unión Europea (acuerdo de subvención n.º 101157661 TREEMAP) y de la Fundación Nacional Danesa de Investigación, Centro de Teledetección y Aprendizaje Profundo de Recursos Forestales Globales (TreeSense), DNRF192. Los datos LiDAR de Tanzania fueron proporcionados por el Prof. Terje Gobakken y el Prof. Erik Næsset, Universidad Noruega de Ciencias de la Vida. Los datos se adquirieron como parte del proyecto "Mejorando la medición, notificación y verificación (MRV) de los bosques en Tanzania mediante la aplicación de técnicas avanzadas de teledetección" financiado por la Embajada Real de Noruega en Tanzania como parte de la Iniciativa Internacional de Clima y Bosques de Noruega. G.V.L. agradece a la Misión de la UE Next Generation EU Misión 4, Componente 2 - CUP B53C22002150006 - Proyecto IR0000032 - ITINERIS - Sistema Italiano de Infraestructuras Integradas de Investigación Ambiental. El conjunto de datos de Ghana/Sierra Leona ha sido recopilado y preprocesado por el Laboratorio de Ecología Forestal del Prof. Valentini, DIBAF, Universidad de Tuscia, Viterbo, Italia. También agradecemos al Prof. Andrew Davies por proporcionar datos LiDAR UAV en el Parque Nacional Kruger, Sudáfrica. Los datos LiDAR aerotransportados adicionales de Sudáfrica fueron financiados por el Panel de Investigación Estratégica del Consejo para la Investigación Científica e Industrial (CSIR), la Subvención del Desafío Global del Cambio Climático de la Fundación Nacional de Investigación (Sudáfrica) (número de subvención 110496) y la Universidad de Witwatersrand.

Acerca de Journal of Remote Sensing
La Journal of Remote Sensing, una revista de acceso abierto solo en línea publicada en asociación con AIR-CAS, promueve la teoría, la ciencia y la tecnología de la teledetección, así como la investigación interdisciplinaria dentro de las ciencias de la tierra y la información.

Chuanlink Innovations, donde las ideas revolucionarias encuentran su verdadero potencial. Nuestro nombre, arraigado en la esencia de la transmisión y la conexión, refleja nuestro compromiso de fomentar la innovación y facilitar el viaje de las ideas desde su inicio hasta su realización.

Enlace relacionado:
http://chuanlink-innovations.com

Descargo de responsabilidad: Esta traducción ha sido generada automáticamente por NewsRamp™ para 24-7 Press Release (colectivamente referidos como "LAS EMPRESAS") utilizando plataformas de inteligencia artificial generativas de acceso público. LAS EMPRESAS no garantizan la exactitud ni la integridad de esta traducción y no serán responsables por ningún error, omisión o inexactitud. La confianza en esta traducción es bajo su propio riesgo. LAS EMPRESAS no son responsables por ningún daño o pérdida resultante de tal confianza. La versión oficial y autoritativa de este comunicado de prensa es la versión en inglés.