Este trabajo aborda la detección automática de la pérdida de cobertura forestal utilizando imágenes de satélite (Sentinel-2) y algoritmos de Inteligencia Artificial (IA). El estudio está motivado por las nuevas exigencias de trazabilidad del Reglamento de Deforestación de la Unión Europea (EUDR), una normativa que requiere verificar mediante monitorización por satélite que las parcelas comerciales no han sido deforestadas después de diciembre de 2020. Para automatizar este proceso, el trabajo evalúa y compara tres metodologías tecnológicas distintas aplicadas a imágenes del antes y después del cambio forestal.
La metodología principal del estudio se basa en una red neuronal de aprendizaje profundo (Deep Learning) conocida como arquitectura U-Net. Este modelo está diseñado para realizar una «segmentación semántica», que en términos sencillos significa que analiza las imágenes satelitales píxel a píxel para clasificarlas y delimitar con precisión qué zonas exactas han sufrido deforestación.
Para evaluar este sistema, se seleccionaron cuatro áreas de estudio a nivel mundial con patrones de deforestación muy diferentes: Brasil, Paraguay, Indonesia y la República Democrática del Congo. Los resultados mostraron que el modelo U-Net logró un rendimiento general muy sólido, con una exactitud global del 91,78%. El sistema fue especialmente eficaz en Paraguay (región del Chaco) y Brasil, donde la deforestación para uso agrícola crea grandes parcelas con formas geométricas regulares y un fuerte contraste visual respecto al bosque. Por el contrario, el rendimiento del modelo disminuyó en Indonesia y el Congo. En estas zonas, la tala es mucho más pequeña, fragmentada, está frecuentemente cubierta por nubes o se confunde visualmente con nuevas plantaciones, como la palma aceitera.
Ante estas dificultades en paisajes complejos, el estudio exploró dos estrategias técnicas complementarias. La primera consistió en aplicar técnicas de superresolución (usando el modelo SEN2SR-Lite), un proceso para aumentar artificialmente la nitidez de las imágenes satelitales, pasando de resoluciones de 10 metros a 2,5 metros por píxel.
La segunda fue el uso de un modelo estadístico de clasificación llamado Random Forest, alimentado por embeddings geoespaciales (AlphaEarth Foundations). Estos embeddings son representaciones matemáticas precalculadas que resumen información múltiple del terreno a lo largo del año, lo que resulta muy útil para sortear problemas como la nubosidad persistente y procesar datos de manera muy rápida.
Las conclusiones de la investigación revelaron que aumentar artificialmente el detalle de las imágenes (superresolución) no siempre mejora la detección de la deforestación, e incluso puede empeorar los resultados si el modelo se centra demasiado en los detalles y pierde la «visión general» del paisaje. Por su parte, el uso de embeddings demostró ser una alternativa eficiente y competitiva para analizar zonas difíciles.
En definitiva, el trabajo demuestra que la IA es una herramienta viable para monitorizar los bosques a gran escala, pero subraya que no basta con añadir más nitidez a las imágenes; un buen resultado radica en adaptar siempre la tecnología matemática a las características geográficas de cada país.
Aqui encontrarás el enlace al repositorio riunet para conocer más información acerca de este proyecto