ForTy: un mapa global a 10 metros que separa bosque primario, plantación y cultivo de árboles, y dónde todavía se equivoca

Una palma de aceite y un bosque en regeneración se ven parecidos desde el espacio: ambos son verdes, tienen dosel y cubren hectáreas. Pero para el reglamento europeo contra la deforestación (EUDR) una es un cultivo y la otra es bosque, y la diferencia decide si un lote puede exportar o no. Un conjunto de datos nuevo, publicado en Scientific Data el 21 de octubre de 2026, intenta resolver esa distinción para todo el planeta a 10 metros de resolución.

Se llama Forest Typology (ForTy) v1, es abierto y trae una condición poco habitual en este tipo de productos: sus propios autores publican con claridad qué clases acierta bien y cuáles no. Conviene leer los dos lados antes de usarlo.

Qué mapea y por qué los mapas de "cobertura arbórea" no bastaban

El artículo, de Maxim Neumann, Anton Raichuk, Peter Potapov, Myroslava Lesiv y colegas, parte de un problema conocido: un mapa binario de "hay árboles o no hay árboles" no distingue lo que importa para contabilidad de carbono, biodiversidad o regulación de cadenas de suministro. ForTy clasifica todas las tierras en seis categorías, alineadas con las definiciones de la FAO y del EUDR, para el año 2020 (el año de referencia del reglamento):

1. Bosque primario.
2. Bosque con regeneración natural.
3. Bosque plantado.
4. Plantación forestal.
5. Cultivos arbóreos y agroforestería (palma, caucho, cacao, entre otros).
6. Otras tierras.

Los autores citan el EUDR y el mecanismo de pago a bosque en pie para bosques tropicales como casos donde se necesita separar estos tipos: el segundo, según ellos, tendría que excluir las plantaciones y los cultivos de árboles del área elegible. El EUDR define bosque como terreno de más de 0,5 ha, con árboles de más de 5 m y cobertura de dosel superior a 10 %, y excluye explícitamente los cultivos arbóreos y los sistemas agroforestales. Para el reglamento y su efecto en exportadores, hay un resumen en EUDR para exportadores colombianos.

Cómo lo hicieron: embeddings, tres etapas y mucha corrección

El modelo usa como entrada los embeddings anuales de AlphaEarth Foundations, un vector por píxel y por año que resume imágenes de Sentinel-1, Sentinel-2, Landsat, ALOS PALSAR-2 y otras fuentes (el modelo se describe en AlphaEarth: un año de datos satelitales en 64 números). Sobre eso entrenaron una cascada de tres etapas:

• Etapa 1: entrenamiento con datos de referencia de calidad, en su mayoría puntos etiquetados, con apoyo de la elevación, la pendiente y la orientación derivadas del modelo digital de terreno de Copernicus.
• Etapa 2: las predicciones de la etapa 1 se usan como pseudoetiquetas, refinadas con otros mapas, para entrenar con más de un millón de parches densos de 10 m.
• Etapa 3: se incorpora el contexto de varios años para estabilizar el resultado en el tiempo.

El conjunto total usa 1,7 millones de muestras distribuidas por el mundo, combinando aprendizaje débilmente supervisado y aprendizaje activo. Cada píxel recibe un puntaje de confianza por clase (promedio de cinco modelos), no una etiqueta única, de modo que cada usuario puede elegir su propio umbral según prefiera más precisión o más cobertura.

Qué tan bien acierta, clase por clase

La validación usó una muestra aleatoria estratificada de 9.100 sitios, de los cuales 8.190 estaban resueltos por consenso de dos expertos al momento de escribir el artículo. El 90,2 % global es engañoso si se lee solo: la clase "otras tierras" domina las áreas y acierta casi siempre, así que los propios autores recomiendan mirar el F1 de las clases que importan para cada uso. Estas son las del texto:

Clase	F1	Exactitud del usuario	Exactitud del productor
Otras tierras	96,4 %	95,4 %	97,3 %
Bosque primario	82,9 %	77,9 %	88,5 %
Bosque con regeneración natural	72,6 %	81,1 %	65,8 %
Plantación forestal	66,7 %	74,4 %	60,4 %
Cultivos arbóreos y agroforestería	62,1 %	76,9 %	52,1 %
Bosque plantado	58,2 %	65,1 %	52,6 %

Por continente, la exactitud global va de 88,5 % (Europa) a 90,7 % (Sudamérica), y el F1 del bosque primario es el más alto en Sudamérica (92,6 %), donde hay grandes bosques continuos bien representados en la muestra. Nótese lo que eso significa en la práctica: el bosque primario se detecta mejor (88,5 % de exactitud del productor) de lo que se acierta cuando el mapa dice que algo es primario (77,9 % de exactitud del usuario), es decir, el mapa tiende a marcar como primario algo que no lo es.

Los límites que los autores señalan

• Uso de suelo, visto como cobertura. La FAO define estos tipos por historia y manejo, que un satélite no observa en un solo año; el modelo los infiere por pistas espectrales y de estructura, y eso deja una incertidumbre que no se elimina.
• Bosque primario frente a secundario maduro. Los bosques secundarios maduros pueden ser casi indistinguibles de los primarios, y los bosques degradados por tala selectiva, fuego o fragmentación pueden caer a cualquiera de los dos lados.
• El umbral de 40 años es un atajo. Para separar plantado de plantación, el estudio usa una rotación de 40 años como aproximación; reconocen que no generaliza a todos los biomas ni sistemas de manejo.
• Agroforestería sombreada. Cacao o café bajo dosel nativo siguen entre las clases más difíciles y pueden clasificarse como bosque natural en algunas regiones. Además, la clase de cultivos arbóreos mezcla desde plantaciones intensivas hasta sistemas diversos, con implicaciones ecológicas muy distintas.
• Otras tierras con árboles dispersos. El EUDR trata como categoría aparte la "otra tierra boscosa" (5 a 10 % de cobertura), pero ForTy la funde en "otras tierras"; detectar degradación hacia esa clase exige combinar el mapa con productos de cambio de dosel.
• Un solo año y confianza sin calibrar. El mapa es de 2020, los incendios de ese año son menos confiables y los puntajes de confianza no están calibrados como probabilidades; quien los use para evaluar riesgo debería recalibrarlos con datos propios de la región.

Qué significa para quien monitorea o certifica

Lo que sigue son lecturas de este artículo, no del estudio:

1. Sirve para priorizar, no para decidir un lote. Con F1 entre 58 % y 66 % en tres de las clases forestales y de cultivo, el mapa es un buen filtro para saber dónde mirar con imágenes de más resolución o visitas de campo, pero un mal árbitro único del cumplimiento.
2. Los umbrales son una decisión de política. Como entrega puntajes por clase, subir el umbral reduce los falsos positivos de bosque primario a costa de dejar fuera más bosque real. Quien lo use debe documentar el umbral que eligió y por qué.
3. Es un insumo abierto y reproducible. Los datos están bajo licencia CC BY 4.0, en Figshare y como activo de Google Earth Engine, y el código de entrenamiento es público (repositorios geeflow y jeo de Google DeepMind). Eso permite recalibrar y auditar, algo que no se puede con un producto cerrado.

Si lo que buscas es la parte de modelos fundacionales, el artículo Biomasa y embeddings listos frente a pesos de modelos geoespaciales compara dos formas de usarlos.

Lo valioso de ForTy no es el 90,2 %, sino que deja a la vista los números que lo desmienten clase por clase. Un mapa que se presenta con su peor F1 al lado es el tipo de insumo que se puede usar con criterio.

Imagen de portada: representación de bosque nativo junto a un cultivo de palma. No corresponde a un sitio específico. Imagen generada con IA (spacexai/grok-imagine-image).