Dos terrenos pueden aparecer cubiertos de árboles en una imagen de satélite y contar historias distintas. Uno conserva un bosque natural; otro produce madera o frutos. Esa diferencia importa para estudiar biodiversidad, carbono y cambios de uso del suelo, pero no siempre se puede leer en las copas.
Maxim Neumann y sus colaboradores presentan ForTy, una tipología global de bosques para el año 2020. Su mapa distingue seis clases de terreno a resolución de 10 metros. Combina observaciones satelitales, ejemplos etiquetados y aprendizaje automático; sus resultados incluyen puntuaciones de confianza y límites que conviene entender antes de usarlo.
1. Dos manchas verdes, dos historias
Imagina dos parcelas que, vistas desde arriba, parecen dos manchas verdes. En una, los árboles crecieron mediante procesos naturales. En otra, alguien plantó árboles para obtener una cosecha. Este ejemplo es una simplificación: en paisajes reales puede haber mezclas, árboles de varias edades y límites difíciles de trazar.
El satélite observa la cobertura: qué hay sobre el suelo y qué señales produce. El uso del suelo añade otra pregunta: qué función cumple ese terreno y cómo se ha manejado. La forma de las copas, la disposición de los árboles y su evolución proporcionan pistas, pero no revelan por sí solas toda esa historia.
Una plantación de árboles destinada a madera puede contar como bosque bajo las definiciones usadas en el estudio. Un cultivo arbóreo destinado a productos agrícolas se clasifica de otra manera. Por eso, contar árboles no basta para responder cuánto bosque natural queda o qué clase de terreno ha cambiado.
También puede ocurrir lo contrario: una zona forestal recién aprovechada tiene temporalmente pocos árboles, pero conserva su uso forestal y puede volver a plantarse. Una fotografía de suelo despejado no resuelve automáticamente qué es ese lugar.
2. Qué significa un mapa de 10 metros
ForTy divide el territorio en una cuadrícula. Cada píxel representa una celda de 10 por 10 metros: 100 metros cuadrados. El producto publicado cubre las tierras entre 65 grados de latitud sur y 84 grados norte. «Global» describe esa amplia cobertura, no una observación sin límites geográficos.
El tamaño de la celda no garantiza que se identifique cada árbol ni que se conozca el uso de esos 100 metros cuadrados con certeza. Una celda puede mezclar copas, caminos, cultivos o suelo abierto. Los autores advierten además que la resolución efectiva de algunos datos de entrada puede ser peor que 10 metros.
La definición de bosque que toma como referencia el trabajo considera superficie, altura y cubierta de copas: más de 0,5 hectáreas, árboles de más de 5 metros y cobertura de copas superior al 10 %, o capaces de alcanzar esos umbrales allí, con las condiciones de uso correspondientes. Una hectárea son 10.000 metros cuadrados. Así, una celda no equivale por sí sola a una unidad forestal que cumpla esa definición.
El mapa organiza el terreno en estas seis clases:
- Bosque primario. Bosque natural de especies nativas sin indicios visibles de alteración humana. Puede haber sufrido perturbaciones naturales, como un incendio, sin cambiar de uso por intervención humana.
- Bosque de regeneración natural. Bosque establecido principalmente por recuperación natural tras perturbaciones humanas o usos anteriores. Puede incluir desde vegetación joven hasta bosques secundarios maduros.
- Bosque plantado. Bosque establecido principalmente por plantación o siembra. El estudio usa una rotación superior a 40 años para separarlo operativamente de las plantaciones intensivas.
- Plantación forestal. Bosque de manejo intensivo, con una o dos especies, edades similares y espaciado regular; el estudio aplica una rotación de hasta 40 años.
- Cultivos arbóreos y agroforestería. Uso agrícola con árboles, como palma aceitera, caucho o frutales, e integración de árboles con cultivos u otros usos agrícolas.
- Otros terrenos. El resto de usos, incluida vegetación leñosa dispersa, árboles urbanos y otras tierras arboladas que el producto no separa como clase propia.
La rotación es el período entre el establecimiento del arbolado y su aprovechamiento o renovación. El corte de 40 años es un proxy: una señal operativa usada como aproximación al manejo intensivo. No es un plazo literal que las definiciones de la FAO o el reglamento europeo impongan para separar esas categorías. Los autores reconocen que puede funcionar mal en algunos sistemas forestales.
Compartir una clase tampoco significa compartir valor ecológico. La categoría de agroforestería reúne sistemas diversos, desde cultivos intensivos hasta combinaciones de árboles y cultivos con gran diversidad. Del mismo modo, dos bosques de regeneración natural pueden tener edades y biomasa muy diferentes.
3. De detectar árboles a interpretar el terreno
Los mapas anteriores ya aportaban partes importantes del problema. Algunos detectaban cobertura arbórea y pérdidas; otros distinguían bosques naturales o recopilaban zonas plantadas. El artículo sitúa ForTy junto a productos como Global Forest Management, los mapas del Joint Research Centre y Natural Forests of the World.
La dificultad era reunir todo ese conocimiento en una clasificación global de seis clases y alta resolución. Las fuentes no usaban necesariamente las mismas definiciones, años o escalas. Una etiqueta de «árboles» en un producto no podía trasladarse sin más a «bosque» en otro.
Tampoco había suficientes ejemplos precisos para cada región. Muchos registros indicaban la clase predominante de una zona de unos 100 por 100 metros, no la etiqueta de cada píxel de 10 metros. Un sistema que aprende de esos ejemplos tiene que tratar lo desconocido como desconocido, en vez de rellenarlo con una seguridad ficticia.
4. La idea: aprender sin exigir ejemplos perfectos
El aprendizaje automático necesita ejemplos que relacionen observaciones con respuestas. Una etiqueta es esa respuesta de referencia: «este lugar es bosque primario», por ejemplo. Entrenar consiste en ajustar el modelo para que produzca respuestas compatibles con los ejemplos. Después, predecir consiste en aplicarlo a lugares o imágenes que no son esos ejemplos de ajuste.
ForTy combina información de distinta calidad y detalle. Si una fuente permite decir «bosque natural» pero no resolver si es primario o de regeneración natural, conserva un conjunto limitado de clases posibles. Ese es el sentido de una etiqueta parcial: aporta información sin fingir una respuesta más precisa.
El equipo armoniza las fuentes con sus seis categorías, corrige casos y añade ejemplos donde encuentra errores. Esos ajustes incluyen interpretación humana y, en parte de la preparación, análisis de imágenes asistido por Gemini. No convierte toda etiqueta obtenida así en una verdad independiente.
La aportación central es una cascada de aprendizaje. Un primer modelo utiliza referencias seleccionadas; sus predicciones ayudan a construir un conjunto más amplio para otro modelo. Una tercera etapa incorpora información temporal. La segunda etapa hereda también posibles errores de la primera: ampliar los ejemplos no vuelve infalible el sistema.
5. Cómo convierten observaciones en una clasificación
Los datos principales son los embeddings de AlphaEarth Foundations. Un embedding es una representación numérica compacta: resume señales espectrales, temporales y de contexto de observaciones satelitales. Como analogía, piensa en una ficha con muchas pistas sobre un lugar. La ficha no contiene una declaración de su propietario ni demuestra qué ocurrió allí.
Los tres modelos usan una arquitectura de visión llamada Swin Transformer v2. Trabaja con ventanas de información y relaciona zonas próximas para producir una segmentación: asignar una clase a cada píxel, no solo un nombre a una imagen completa. La construcción tiene tres etapas:
- Referencias seleccionadas. La primera etapa usa 450.275 muestras de referencia curadas, con etiquetas completas o parciales. Recibe embeddings de 2020 y rasgos del relieve, como elevación y pendiente.
- Ampliación del aprendizaje. La segunda etapa usa aproximadamente 1,2 millones de parches distribuidos globalmente. Sus etiquetas combinan predicciones del primer modelo con otras capas geográficas. Una pseudoetiqueta es una respuesta usada para entrenar a partir de una predicción: no equivale a que un experto haya inspeccionado cada píxel.
- Contexto temporal. La tercera etapa aprende conjuntamente con información de 2019 a 2024. Busca reducir fluctuaciones sin borrar cambios reales; para el producto publicado se extrae la salida correspondiente a 2020.
Cada parche de trabajo contiene 128 por 128 píxeles, equivalente a 1.280 por 1.280 metros. El contexto ayuda a interpretar un píxel dentro de su entorno. Para construir el mapa se solapan parches y se combinan sus estimaciones, evitando cortes artificiales entre bloques.
En cada etapa se entrenan cinco modelos con inicializaciones independientes y se promedian sus salidas. Esta combinación, llamada ensemble, reduce la dependencia de una sola ejecución; no elimina errores compartidos por todos los modelos.
Además, el equipo revisa zonas problemáticas y añade ejemplos mediante aprendizaje activo. En este trabajo significa localizar errores o regiones insuficientemente representadas, anotar nuevos casos y volver a entrenar. Tres campañas aportaron aproximadamente 43.000 muestras adicionales.
Las correcciones descritas se aplican a las etiquetas de entrenamiento. El artículo indica que las predicciones del mapa final no reciben un postprocesamiento posterior para corregirlas una por una.
6. Seis puntuaciones, no seis certezas
El producto principal no entrega únicamente una etiqueta. Guarda puntuaciones de confianza relativa para cinco clases en bandas del mapa, con valores enteros de 0 a 250. La puntuación de «otros terrenos» se obtiene como el complemento hasta 250. También se publica una capa de clasificación con una etiqueta de 1 a 6 por píxel.
Este ejemplo es inventado para explicar el formato, no una parcela real:
| Clase | Puntuación |
|---|---|
| Bosque primario | 90 |
| Regeneración natural | 55 |
| Bosque plantado | 30 |
| Plantación forestal | 20 |
| Cultivos arbóreos y agroforestería | 15 |
Las cinco puntuaciones suman 210. Por tanto, «otros terrenos» recibe 250 − 210 = 40. La etiqueta habitual sería bosque primario, porque 90 es el valor más alto: esta regla se llama argmax, elegir el máximo.
Pero elegir el máximo no significa que las demás alternativas desaparezcan. La puntuación primaria normalizada es 90 / 250 = 0,36. Al reunir las dos clases naturales se obtiene (90 + 55) / 250 = 0,58. Son operaciones sobre las puntuaciones del ejemplo, no pruebas de que ese terreno tenga probabilidades verdaderas del 36 % o del 58 %.
Los autores advierten que esas salidas no han recibido una calibración posterior que las haga corresponder exactamente con probabilidades reales. Un umbral alto puede seleccionar casos más fiables, pero dejar fuera otros bosques verdaderos. Elegir el umbral requiere validar su comportamiento en la región y para el uso concreto.
7. Qué significa el 90,2 % de acierto
El equipo comprobó el mapa con una muestra de validación separada del entrenamiento. Seleccionó 9.100 sitios mediante muestreo aleatorio estratificado: dividió el territorio en grupos para que las clases raras también estuvieran representadas. Hubo siete estratos con 1.300 sitios cada uno.
Dos expertos evaluaron cada sitio independientemente, con imágenes, series temporales y contexto regional. Se resolvieron 8.190 sitios por consenso, que son los usados para calcular la exactitud. Quedaron fuera 738 sitios sin consenso terminado y 172 casos inciertos. Esos 910 excluidos no son 910 errores conocidos del modelo.
Tampoco se reparten uniformemente entre clases. La incertidumbre se concentra en terrenos manejados o de transición; excluirlos puede sesgar las estimaciones de exactitud. La validación examina el píxel central de 10 por 10 metros de cada sitio, no certifica todas sus hectáreas.
La exactitud global, u OA, resume coincidencias con las referencias, ponderadas según el área de los estratos. No es simplemente dividir aciertos entre 8.190 ni tratar cada tipo de terreno como si ocupara la misma superficie.
| Clasificación | Exactitud |
|---|---|
| ¿Cuál de las seis clases corresponde? | 90,2 % |
| ¿Es bosque natural o no? | 94,8 % |
| ¿Es bosque, incluyendo los plantados, o no? | 95,5 % |
Son preguntas distintas sobre el mismo producto, no tres porcentajes intercambiables. La tabla detallada del artículo da 90,22 % y un error estándar de 0,34 puntos porcentuales para las seis clases; el texto los redondea a 90,2 % y 0,3. El error estándar describe incertidumbre de la estimación, no una garantía sobre cada celda.
Para conocer una clase concreta hacen falta otras medidas. La precisión, llamada exactitud del usuario o UA, pregunta qué proporción de lo etiquetado como esa clase era correcta. La sensibilidad, llamada exactitud del productor o PA, pregunta qué proporción de los casos reales de esa clase detectó el mapa. Una puede mejorar a costa de la otra.
El F1 combina ambas mediante una media armónica, que penaliza el desequilibrio. Por ejemplo, para bosque plantado la tabla da UA = 65,1 % y PA = 52,6 %; el cálculo 2 × 65,1 × 52,6 / (65,1 + 52,6) produce aproximadamente 58,2 %. No es su exactitud global.
| Clase | F1 |
|---|---|
| Bosque primario | 82,9 % |
| Regeneración natural | 72,6 % |
| Bosque plantado | 58,2 % |
| Plantación forestal | 66,7 % |
| Cultivos arbóreos y agroforestería | 62,1 % |
| Otros terrenos | 96,4 % |
La clase «otros terrenos» ocupa gran parte del área ponderada e influye mucho en el 90,2 % global. Ese promedio no implica un 90,2 % de acierto para bosques plantados ni para cultivos arbóreos. Hay también diferencias regionales y estimaciones inestables donde escasean ejemplos de una clase.
8. Para qué sirve y dónde hay que detenerse
La línea base permite preguntar qué tipo de bosque había en un lugar antes de comparar cambios posteriores. Puede ayudar a orientar conservación, estudios de carbono y seguimiento de usos del suelo. Para medir pérdida o degradación hace falta combinarla con información de cambio: una clasificación de 2020 no demuestra por sí sola qué ocurrió después.
El artículo relaciona esa utilidad con el Reglamento de la Unión Europea sobre productos libres de deforestación, o EUDR, que toma el 31 de diciembre de 2020 como referencia. Sin embargo, el mapa es una estimación anual retrospectiva y usa contexto temporal posterior. No demuestra que una parcela tuviera una situación legal concreta ese día ni certifica el cumplimiento de una empresa.
Otros límites afectan directamente a la interpretación:
- Un bosque secundario maduro puede parecerse a uno primario. Cerca de infraestructuras humanas, el modelo hereda una tendencia conservadora de sus etiquetas de referencia.
- Los cultivos bajo una cubierta de árboles pueden confundirse con bosque natural. Un terreno agrupado como agroforestería no tiene un único valor de biodiversidad.
- Incendios, aprovechamientos recientes y cambios al final del año pueden dificultar la clasificación. «Otros terrenos» incluye otras tierras arboladas, que no se resuelven como categoría separada.
- Contar píxeles clasificados no equivale a estimar superficie sin sesgo. El estudio compara ese recuento con estimaciones basadas en la muestra de validación y explica sus diferencias.
- Las puntuaciones requieren interpretación local; no miden directamente carbono, especies presentes o daño ecológico.
Los autores publican el mapa, una capa de clasificación y la muestra de validación en Figshare, con licencia CC BY 4.0, y señalan acceso mediante Google Earth Engine. El código de preparación y entrenamiento se describe en los repositorios GeeFlow y JEO. La disponibilidad facilita examinar el trabajo; aquí no se ha reproducido su entrenamiento ni auditado íntegramente esos datos o repositorios.
9. Un mapa también debe mostrar lo que no sabe
ForTy aporta una clasificación más detallada que la respuesta «hay árboles». Su mecanismo combina ejemplos imperfectos, observaciones resumidas y contexto temporal, y conserva puntuaciones para no reducir toda la información a una etiqueta.
[Inferencia] Antes de usar un mapa, conviene conocer qué pregunta responde, qué definición aplica y dónde se equivoca. La celda más pequeña y el porcentaje más alto no sustituyen esas preguntas.
Fuentes
- Neumann, M., Raichuk, A., Potapov, P. y colaboradores. Global forest typology at 10-meter resolution for forest and land-use monitoring. Scientific Data 13, 1434, versión de registro del 21 de octubre de 2026. DOI: 10.1038/s41597-026-08299-5.
- Tabla 7: precisión, sensibilidad y F1 de las seis clases y tabla 8: agrupaciones de bosques. La numeración visible de estas tablas no coincide con el último número de sus URLs.
- Recursos declarados por los autores: ForTy 2020 v1, capa de clasificación y validación GVFT v0.6. Se enlazan para consulta; no se redistribuyen en este sitio.
Explicación y viñeta originales basadas en la fuente citada, con ejemplos y redacción propios. El artículo original se publica con licencia CC BY 4.0; las imágenes satelitales acreditadas a terceros no se reproducen aquí. Esta lectura no es asesoramiento jurídico ni una comprobación de parcelas concretas.