Del puntito láser al mapa continuo: cómo un estudio rellena con aprendizaje automático los huecos de GEDI y publica los datos abiertos

El lidar espacial GEDI mide la estructura del bosque con una precisión que ningún satélite óptico alcanza, pero no mira todo el territorio: toma muestras. Un equipo de RMIT y la Universidad de Twente publicó el 6 de noviembre de 2026 un conjunto de datos abierto en Zenodo que intenta resolver ese hueco con aprendizaje automático: predecir las métricas de GEDI en cada píxel de un paisaje tropical.

Importa a quien estudia carbono, restauración o hábitat en bosque tropical, porque la altura y la estructura del dosel son variables que casi todo modelo ecológico necesita y casi nunca tiene continuas.

El problema: un láser que muestrea en franjas

Según el resumen de la misión, GEDI usa 3 láseres que producen 8 trazas paralelas de observación, con los puntos de 25 m descritos arriba. El resultado es una cobertura en franjas, no un mapa continuo. Para pasar de franjas a superficie hace falta un modelo que use otras fuentes que sí cubren todo el territorio.

Qué hizo el estudio

Según la ficha del conjunto de datos, los autores (Glen R. Yali, Mariela Soto-Berelov y Simon Jones, de RMIT; Haidi Abdullah y Andrew Skidmore, de Twente) generaron capas continuas de métricas de GEDI, entre ellas altura de dosel y cobertura, para un paisaje tropical de Papua Nueva Guinea (Morobe, año 2020). Las predicciones combinan:

Insumo	Tipo
Sentinel-1	Radar
Sentinel-2	Óptico
AlphaEarth	Representaciones numéricas ("embeddings") de cada lugar en cuadros de 10 x 10 m
Variables ambientales	Y variables espaciales sintéticas

El modelo es "espacialmente consciente" y se evaluó con validación cruzada de cinco pliegues por bloques espaciales con zona de amortiguación, según la ficha. Esa elección importa: si el modelo se probara con píxeles vecinos de los de entrenamiento, el resultado se vería mejor de lo que es.

Los autores también proponen un Índice de Estructura Forestal (FSI), una suma ponderada por desempeño de varias predicciones, y lo aplican a un paisaje costero de la República del Congo y a uno interior de Bolivia, donde reportan que el rango del índice se mantiene consistente.

Lo que no se sabe todavía

La ficha no reporta R², error cuadrático ni resolución espacial de las capas, y el artículo asociado aparece como en revisión en GIScience & Remote Sensing, aunque los metadatos lo listan como publicado en 2026; el estado no es claro. Por eso ninguna de estas predicciones debe tratarse aún como una medida validada. La fuente tampoco permite afirmar qué tan bien funcionaría el enfoque en un bosque andino o amazónico colombiano.

Qué significa para quien trabaja con bosque

Esta parte es lectura propia, no una afirmación del estudio:

1. Datos y código abiertos reducen el costo de probar. Los datos están bajo licencia CC BY 4.0 (la ficha también lista CC0) y el código, en GitHub. Un equipo con un paisaje distinto puede reproducir el flujo y medir cuánto se degrada fuera de Papua Nueva Guinea.
2. La validación espacial es el criterio de lectura. Ante cualquier mapa continuo de dosel, la primera pregunta es cómo se evaluó: con bloques espaciales o con píxeles vecinos.
3. Un mapa predicho no reemplaza la medición. Sirve para priorizar dónde hacer campo, parcelas o vuelos de dron, no para sustituirlos.

Qué sigue

La técnica de fondo, extender un muestreo láser con satélites que cubren todo, se repite en muchos mapas globales; lo nuevo aquí es que los datos y el código están a la vista para auditarla. Si la revisión por pares confirma el desempeño, valdrá la pena probarla en paisajes colombianos; mientras tanto, es una hipótesis bien documentada, no un resultado cerrado.

Imagen de portada: recreación de la copa de un bosque tropical al amanecer. No representa el sitio del estudio. Imagen generada con IA (spacexai/grok-imagine-image).