Un modelo de IA mide cuánto creció cada bosque del planeta, año por año, sin repetir un vuelo de LiDAR

Medir cuánto creció un bosque en un año, en cualquier punto del planeta, normalmente exige algo caro y raro: volar el mismo terreno con LiDAR aéreo dos veces, años aparte, y comparar las dos nubes de puntos. Un grupo de investigadores europeos y de la NASA acaba de publicar un modelo que promete el mismo tipo de medición (altura del dosel, año por año) a partir de satélites que ya orbitan la Tierra todos los días.

Por qué esto importa ahora

Los bosques absorben 3,5 petagramos de carbono al año, casi la mitad de las emisiones globales de combustibles fósiles, según la cifra que cita el propio paper de ECHOSAT (arXiv, marzo de 2026) a partir de Pan et al. (2024). El problema es que casi todos los mapas de altura de bosque que existen hoy son una fotografía fija: dicen cuánto mide el dosel en un momento dado, pero no si ese bosque está creciendo, perdiendo densidad por una tala selectiva, o recuperándose después de un incendio.

Sin esa dimensión temporal, un programa de restauración o de compensación forestal que promete capturar carbono "con el tiempo" casi siempre tiene que asumir una tasa genérica de crecimiento en vez de medir el cambio real en el sitio real, exactamente la limitación que un estudio publicado en agosto de 2026 resolvió en Brasil volando el mismo bosque con LiDAR aéreo en 2012 y otra vez en 2018 (puedes leer ese caso en el artículo sobre cartografía 4D de bosques de este mismo diario). Ese método funciona, pero solo donde alguien puede pagar dos vuelos de avión sobre el mismo terreno, años aparte. ECHOSAT ataca el mismo problema desde otro ángulo: en vez de repetir un vuelo, entrena un modelo para leer el crecimiento del bosque directamente desde el archivo satelital que ya existe.

Qué combina el modelo para "ver" el crecimiento de un bosque

ECHOSAT, desarrollado por un equipo de la Universidad de Münster, el Laboratorio de Ciencias del Clima y el Entorno (LSCE) de Francia, el Instituto Zuse de Berlín y el Laboratorio de Propulsión a Chorro de la NASA (JPL), combina tres fuentes de datos satelitales:

• Sentinel-2 (óptico, 12 bandas espectrales, resolución de 10 m, imágenes mensuales): la fuente principal de la imagen.
• Sentinel-1 (radar de apertura sintética en banda C, resolución de 10 m, composiciones trimestrales) y ALOS PALSAR-2 (radar, composiciones anuales): ven a través de nubes, algo que el óptico no puede.
• GEDI, el instrumento LiDAR de la NASA montado en la Estación Espacial Internacional, que sirve como "verdad de terreno": mide la altura real del dosel en huellas de unos 25 metros de diámetro, usadas entre 2019 y 2024 para entrenar y calibrar el modelo.

Con esa mezcla, un transformador de visión entrenado específicamente para regresión temporal a nivel de píxel produce un mapa global y "temporalmente coherente" (que no salta de forma irreal de un año a otro) de altura de dosel a 10 metros de resolución, para siete años seguidos, de 2018 a 2024, según describe el propio paper. Un mecanismo adicional, al que los autores llaman "pérdida de crecimiento autosupervisada", obliga a las predicciones a seguir curvas de desarrollo realistas: el dosel puede subir poco a poco año a año, pero solo puede caer de golpe si hay una señal de perturbación real, como un incendio o una tala.

Qué tan preciso es, y dónde falla

El equipo comparó sus predicciones de 2020 contra tres métodos ya publicados: el mapa de Potapov et al. (2021, Landsat a 30 m con un modelo de bosque aleatorio), el de Lang et al. (2023, red convolucional con Sentinel-2 a 10 m) y el de Pauls et al. (2024, UNet con Sentinel-2 a 10 m). Según el propio paper, "nuestro modelo mejora las precisiones del estado del arte en el contexto de predicciones de un solo año" (traducción propia).

En cifras concretas, el error medio absoluto (MAE) del modelo se mantiene entre 5,36 y 6,27 metros para 2019-2022, con variaciones más notables en 2023 y 2024 que el propio estudio atribuye a cambios operativos de GEDI en esos años; el error cuadrático medio (RMSE) va de 8,59 a 11,21 metros, lo que indica que, aunque la mayoría de las predicciones son razonables, todavía hay errores grandes puntuales. El propio paper reconoce una limitación de fondo: GEDI no mide bien la vegetación baja (menos de un metro) y su cobertura espacial es dispersa (huellas de 25 m separadas cada 60 m), así que el "terreno de verdad" contra el que se entrena y valida todo el modelo hereda esas mismas limitaciones.

Método	Fuente de datos	Resolución	Cobertura temporal
Potapov et al. (2021)	Landsat + bosque aleatorio	30 m	Instantánea (un año)
Lang et al. (2023)	Sentinel-2 + red convolucional	10 m	Instantánea (un año)
Pauls et al. (2024)	Sentinel-2 + UNet	10 m	Instantánea (un año)
ECHOSAT (2026)	Sentinel-1, Sentinel-2, ALOS PALSAR-2, GEDI + transformador	10 m	7 años seguidos (2018-2024)

Qué podría significar para el monitoreo de bosques tropicales

El propio equipo publicó el código y los mapas en github.com/ai4forest/echosat, lo que en principio permite consultar la altura estimada de dosel, año por año, para cualquier punto del planeta entre 2018 y 2024, incluidos los bosques tropicales de Colombia. Esto es una hipótesis propia de este artículo, no un caso ya documentado: el paper no incluye ningún ejemplo de validación en Suramérica ni menciona a Colombia. Pero el principio de fondo (aproximar con satélite y aprendizaje automático lo que antes exigía repetir un vuelo de LiDAR sobre el mismo sitio) es justo el tipo de atajo que le haría falta a un programa de restauración o de compensación forestal que no puede costear dos campañas de LiDAR aéreo años aparte: en vez de una tasa genérica de captura de carbono, tendría una estimación real, aunque con un margen de error de varios metros, actualizada cada año.

La limitación que hay que vigilar es la misma que el estudio reconoce sobre sí mismo: un error de 5 a 11 metros en la altura estimada no es un problema para ver la tendencia general de un bosque (si está creciendo o perdiendo dosel), pero sí lo es para certificar con precisión cuánto carbono capturó una hectárea específica en un año específico, el tipo de cifra que sí exige la contabilidad de carbono formal. ECHOSAT no reemplaza al LiDAR aéreo de precisión, lo complementa: da una primera capa, gratuita y global, para decidir dónde vale la pena invertir en una medición más fina.

La conclusión que importa

Que un modelo entrenado con satélites gratuitos ya iguale o supere la precisión de los mapas de altura de dosel más citados, y que además lo haga año por año en vez de una sola vez, cambia la pregunta que puede hacerse cualquier proyecto de monitoreo forestal: ya no es "¿podemos costear un vuelo de LiDAR para saber si este bosque está creciendo?", sino "¿qué tan fina necesitamos que sea esa medición, y dónde sí vale la pena pagar por precisión adicional?". Esa segunda pregunta, con un margen de error de metros en vez de centímetros, es mucho más barata de responder que la primera.

Portada: recreación de un dosel de bosque tropical visto desde arriba, la variable que ECHOSAT mide por satélite año a año. Imagen generada con IA (openai/gpt-image-2).