Novedades
Predecir el futuro de los bosques con IA: del conteo de pérdidas a la predicción de riesgos
Presentamos el primer punto de referencia impulsado por aprendizaje profundo para la previsión proactiva del riesgo de deforestación.
La naturaleza sustenta nuestro clima, nuestras economías y nuestras propias vidas. Y dentro de ella, los bosques constituyen uno de sus pilares más poderosos : almacenan carbono, regulan las precipitaciones, mitigan las inundaciones y albergan la mayor parte de la biodiversidad terrestre del planeta.
Sin embargo, a pesar de su importancia crucial, el mundo continúa perdiendo bosques a un ritmo alarmante. Solo el año pasado, perdimos el equivalente a 18 campos de fútbol de bosque tropical cada minuto, lo que suma un total de 6,7 millones de hectáreas, una cifra récord y el doble de la cantidad perdida el año anterior . Hoy en día, la conversión del hábitat es la mayor amenaza para la biodiversidad terrestre.
Durante años, los datos satelitales han sido nuestra herramienta esencial para medir esta pérdida. Más recientemente, en colaboración con el Instituto de Recursos Mundiales , ayudamos a mapear las causas subyacentes de dicha pérdida —desde la agricultura y la tala hasta la minería y los incendios— para el período 2000-2024. Estos mapas, con una resolución sin precedentes de 1 km² , sirven de base para una amplia gama de medidas de protección forestal. Sin embargo, estos datos, por cruciales que sean, solo miran hacia atrás. Ahora es el momento de mirar hacia adelante.
Nos complace anunciar el lanzamiento de » ForestCast: Pronóstico del riesgo de deforestación a escala con aprendizaje profundo «, junto con el primer conjunto de datos de referencia disponible públicamente dedicado a entrenar modelos de aprendizaje profundo para predecir el riesgo de deforestación. Este cambio de simplemente monitorear lo que ya se ha ido a pronosticar lo que está en riesgo en el futuro cambia las reglas del juego. Los enfoques anteriores para el riesgo han dependido del ensamblaje de mapas de entrada disponibles de forma irregular, como carreteras y densidad de población, que pueden quedar obsoletos rápidamente. Por el contrario, hemos desarrollado un enfoque eficiente basado en datos satelitales puros que se puede aplicar de manera consistente, en cualquier región, y se puede actualizar fácilmente en el futuro cuando haya más datos disponibles. Descubrimos que este enfoque podría igualar o superar la precisión de los enfoques anteriores. Para garantizar que la comunidad pueda reproducir y desarrollar nuestro trabajo, estamos publicando todos los datos de entrada, entrenamiento y evaluación como un conjunto de datos de referencia público.
¿Por qué es tan difícil predecir la deforestación?
La deforestación es fundamentalmente un proceso humano impulsado por una compleja red de factores económicos, políticos y ambientales. Se ve impulsada por la expansión de productos básicos como el ganado, el aceite de palma y la soja, pero también por los incendios forestales, la tala de árboles, la expansión de asentamientos e infraestructuras, y la extracción de minerales y energía. Por lo tanto, predecir la ubicación y el momento de las pérdidas futuras es extremadamente difícil.
El enfoque de vanguardia actual intenta resolver esto mediante la recopilación de información geoespacial especializada sobre la mayor cantidad posible de estos factores: mapas de carreteras, indicadores económicos, datos de aplicación de políticas, etc. Este enfoque ha proporcionado predicciones precisas para algunas regiones en determinados momentos. Sin embargo, no suele ser escalable, ya que los mapas de entrada suelen ser irregulares, inconsistentes y deben recopilarse por separado para cada región. Este enfoque tampoco es a prueba de futuro, ya que los mapas de entrada tienden a desactualizarse rápidamente y no hay garantía de que se actualicen, si es que alguna vez lo hacen.
Un enfoque satelital escalable
Para superar estos desafíos, adoptamos un modelo «satelital puro», donde las únicas entradas provienen de satélites. Probamos las entradas satelitales sin procesar de los satélites Landsat y Sentinel 2. También incluimos una entrada derivada del satélite, denominada «historial de cambios», que identifica cada píxel ya deforestado y proporciona un año de deforestación. Entrenamos y evaluamos el modelo utilizando etiquetas de deforestación derivadas de satélites.
El enfoque puramente satelital proporciona consistencia, ya que podemos aplicar exactamente el mismo método en cualquier lugar de la Tierra, lo que permite realizar comparaciones significativas entre diferentes regiones. Además, garantiza la viabilidad futura de nuestro modelo: estos flujos de datos satelitales continuarán durante años, lo que nos permite repetir el método para obtener predicciones actualizadas del riesgo y examinar su evolución a lo largo del tiempo.
Para lograr precisión y escalabilidad, desarrollamos un modelo personalizado basado en transformadores de visión . El modelo recibe como entrada un mosaico completo de píxeles satelitales, lo cual es crucial para capturar el contexto espacial del paisaje y la deforestación reciente (como se registra en el historial de cambios). Posteriormente, genera predicciones equivalentes a un mosaico completo en una sola pasada, lo que permite al modelo escalar a grandes regiones.
Descubrimos que nuestro modelo era capaz de reproducir o superar la precisión de los métodos basados en insumos especializados (como carreteras), prediciendo con precisión la variación de mosaico a mosaico en la cantidad de deforestación y, dentro de los mosaicos, prediciendo con precisión qué píxeles tenían más probabilidades de ser deforestados a continuación.
Nuestro modelo de visión de aprendizaje profundo analiza series de tiempo satelitales y pérdidas forestales históricas para pronosticar el riesgo de deforestación.
Sorprendentemente, descubrimos que, con diferencia, la entrada satelital más importante era la más simple: el historial de cambios. Tanto es así que un modelo que solo recibiera esta entrada podría proporcionar predicciones con métricas de precisión indistinguibles de las de los modelos que utilizan los datos satelitales completos y sin procesar. En retrospectiva, podemos ver que el historial de cambios es una entrada del modelo pequeña, pero con una gran densidad de información, que incluye información sobre la variación entre casillas de las tasas de deforestación recientes y su tendencia a lo largo del tiempo, además de capturar los frentes de deforestación móviles dentro de las casillas.
Para promover la transparencia y la repetibilidad, publicamos los datos de entrenamiento y evaluación utilizados en este trabajo como referencia . Esto permite a la comunidad de aprendizaje automático verificar nuestros resultados; comprender mejor por qué el modelo realiza ciertas predicciones; y, en última instancia, construir y comparar modelos mejorados de riesgo de deforestación.
Además, nuestro punto de referencia y documento proporcionan una plantilla clara para ampliar este enfoque a nivel mundial, para modelar la deforestación tropical en América Latina y África y, eventualmente, en latitudes templadas y boreales donde la pérdida de bosques a menudo es impulsada por dinámicas diferentes, como la ganadería y los incendios.
Conclusión
El cambio de uso del suelo, en particular la deforestación tropical y la conversión forestal, es responsable de aproximadamente el 10 % de las emisiones antropogénicas globales de gases de efecto invernadero y amenaza la gran mayoría de la vida terrestre del planeta . Las previsiones del riesgo de deforestación podrían ser una herramienta vital para destinar los recursos a áreas donde puedan tener el mayor impacto en la reducción de dichas emisiones y la protección de la naturaleza.
Esta capacidad de anticipar el riesgo permite a gobiernos, empresas y comunidades actuar con anticipación, cuando aún hay tiempo para prevenir pérdidas, en lugar de reaccionar al daño ya causado. Por ejemplo:
- Una agencia gubernamental puede canalizar apoyo e incentivos de conservación a las comunidades en fronteras de deforestación emergentes.
- Una empresa puede gestionar proactivamente sus cadenas de suministro para reducir y eliminar la deforestación.
- Una comunidad indígena puede destinar recursos escasos a proteger sus tierras corriendo el mayor riesgo.
Por lo tanto, un pronóstico como este no es una predicción de un futuro inevitable. Es, más bien, una herramienta diseñada para cambiar un resultado futuro. El objetivo es compartir esta información con quienes pueden actuar, ayudándolos a canalizar recursos a las zonas más vulnerables antes de que sea demasiado tarde y empoderándolos para garantizar que estos bosques de alto riesgo se mantengan en pie. Al combinar datos abiertos e inteligencia artificial avanzada, estamos forjando una nueva y poderosa herramienta para proteger la naturaleza.
Obtenga más información sobre nuestros esfuerzos de inteligencia artificial y sostenibilidad consultando Google Earth AI , Google Earth Engine y AlphaEarth Foundations .