Datos geoespaciales en el mapeo de la agroforestería

^NASA

En los últimos años, la aplicación de datos geoespaciales y aprendizaje profundo ha demostrado ser una herramienta poderosa para mejorar la comprensión de los sistemas agroforestales. La clasificación de la agroforestería sigue siendo un reto debido a la complejidad de sus patrones de uso de la tierra y la falta de representación en los conjuntos de datos tradicionales de cobertura terrestre. Investigaciones recientes han comenzado a abordar este problema mediante el uso de modelos de aprendizaje profundo, que permiten mapear la agroforestería en paisajes complejos a gran escala.

La clasificación tradicional de los sistemas agroforestales ha dependido de datos de encuestas y productos de uso y cobertura de la tierra (LULC), los cuales a menudo subrepresentan estas prácticas en regiones montañosas tropicales remotas. Investigaciones previas han utilizado sistemas de teledetección e información geográfica para mapear diferentes tipos de agroforestería, como cortavientos, huertos familiares y plantaciones de café y cacao cultivadas a la sombra. Sin embargo, estos enfoques han presentado dificultades en la diferenciación entre bosques y sistemas agroforestales, lo que limita su aplicabilidad a gran escala.

El aprendizaje profundo, particularmente el uso de redes neuronales convolucionales (CNN), ha demostrado ventajas clave en el análisis de datos de observación de la Tierra. A diferencia de los métodos tradicionales que requieren selección manual de características, las CNN pueden aprender y extraer patrones de las imágenes sin procesar, facilitando la clasificación de distintos tipos de cobertura terrestre. Sin embargo, la implementación de estos modelos en el mapeo agroforestal enfrenta varios desafíos, incluyendo la necesidad de grandes volúmenes de datos de entrenamiento y la falta de generalización en distintas geografías.

Un estudio reciente exploró el uso de un modelo U-Net modificado para mapear sistemas agroforestales en paisajes tropicales de Perú. Utilizando datos satelitales de PlanetScope con bandas R, G, B y NIR, junto con un Modelo Digital de Elevaciones (DEM), se logró mejorar la generalización del modelo en la clasificación de vegetación perenne, secundaria y bosque. No obstante, el modelo encontró dificultades para distinguir algunas categorías, como los barbechos jóvenes, que comparten características espectrales con otras clases.

El estudio también comparó modelos con diferente cantidad de clases de salida, encontrando que un modelo de cuatro clases centrado en la separación entre árboles en tierras agrícolas y bosques obtuvo mejores resultados (82.89% de precisión general) en comparación con un modelo de siete clases (65.93% de precisión general). Esto sugiere que una clasificación más simplificada podría ser más efectiva para sistemas agroforestales complejos.

Separar la agroforestería del bosque es esencial para mejorar las estadísticas de carbono forestal y comprender mejor la contribución de estos sistemas a la agricultura sostenible. Sin embargo, la similitud espectral entre los agrobosques y los bosques dificulta el uso de conjuntos de datos tradicionales para esta tarea. Además, los mapas de tierras de cultivo tienden a centrarse en cultivos anuales, sin considerar los cultivos arbóreos perennes, lo que limita la identificación precisa de la agroforestería.

Este estudio representa un avance significativo en el uso de aprendizaje profundo para el mapeo agroforestal a gran escala. Aunque se han logrado mejoras en la clasificación, persisten desafíos, como la dificultad para distinguir ciertas clases y la necesidad de datos satelitales de mayor resolución en regiones tropicales. La investigación futura deberá centrarse en mejorar la calidad de los conjuntos de datos de entrenamiento y desarrollar modelos que manejen mejor la complejidad de los paisajes agroforestales.

Los hallazgos subrayan la necesidad de seguir perfeccionando las técnicas de mapeo para diferenciar con mayor precisión los sistemas agroforestales de los bosques naturales. Con el avance de la tecnología de teledetección y el aprendizaje profundo, es posible que en los próximos años se logre una comprensión más precisa de la distribución y dinámica de la agroforestería, lo que contribuiría a una mejor gestión de los recursos naturales y la sostenibilidad en la Amazonía y más allá.

Temas relacionados

 Tecnología