Meta y el World Resources Institute (WRI) acaban de lanzar Canopy Height Maps v2: un mapa global de la altura del dosel arbóreo con resolución de 1 metro impulsado por inteligencia artificial. La versión anterior ya era un hito. Esta nueva actualización mejora la detección de copas individuales en bosques de dosel cerrado y avanza hacia la estimación de biomasa, convirtiendo a esta herramienta en uno de los instrumentos de conservación más precisos del planeta.
El contexto importa: los bosques absorben cerca de un tercio de las emisiones de CO₂ que genera la humanidad cada año. Para protegerlos, primero hay que mapearlos con precisión. Y eso, hasta hace poco, era extraordinariamente difícil de hacer a escala global.
¿Cómo funciona el modelo DINO detrás del mapa?
El corazón técnico de Canopy Height Maps es DINOv2, el modelo de visión por computadora de Meta AI entrenado mediante autosupervisión. A diferencia de los modelos tradicionales que necesitan millones de imágenes etiquetadas manualmente, DINOv2 aprende representaciones visuales robustas sin supervisión humana directa, lo que lo hace especialmente poderoso para aplicaciones geoespaciales donde los datos etiquetados son escasos.
Para construir el mapa, Meta y WRI entrenaron el modelo con más de 18 millones de imágenes satelitales de todo el planeta. El sistema predice la altura del dosel arbóreo (CHM, por sus siglas en inglés) a partir de imágenes RGB normales, sin requerir datos LiDAR directos, aunque el entrenamiento usó datos LiDAR de precisión sobre miles de kilómetros cuadrados de bosques en EE.UU. como referencia de tierra.
- Resolución: 1 metro — lo que permite distinguir árboles individuales, no solo masas forestales
- Cobertura: Global — toda la superficie terrestre del planeta
- Acceso: Open source, disponible en AWS Open Data Registry y Google Earth Engine
Para que te quedes con la escala: resolver el problema de detección de árboles individuales en bosques tropicales cerrados —donde las copas se solapan y la densidad es extrema— era uno de los principales cuellos de botella de la v1. La v2 ataca directamente este problema con mejoras en el modelo para separar coronas individuales en doseles cerrados.
¿Qué cambia en la versión 2?
La primera versión de Canopy Height Maps, publicada en abril de 2024, estableció la primera línea de base global de altura arbórea a 1 metro de resolución. Un logro sin precedentes. Pero tenía limitaciones claras en precisión dentro de bosques muy densos —exactamente donde más importa para la conservación de biodiversidad y el cálculo de carbono.
Canopy Height Maps v2 mejora en tres frentes clave:
- Detección de copas individuales: mejor capacidad para separar árboles en sistemas de dosel cerrado, esencial para inventarios forestales precisos
- Predicción de biomasa: el equipo está desarrollando métodos para predecir conjuntamente altura del dosel y conteo de tallos, lo que habilitará la estimación de biomasa leñosa superficial
- Mayor precisión global: refinamiento del modelo base para reducir errores en regiones con tipos de bosque poco representados en los datos de entrenamiento originales
Estos avances son relevantes para gobiernos y organizaciones que usan el mapa en aplicaciones concretas: desde calcular créditos de carbono hasta monitorear la deforestación ilegal. Ya se ha usado en el Reino Unido para reducir costos gubernamentales de gestión de espacios verdes, y en Estados Unidos para responder a emergencias de inundaciones.
DINOv2 y el ecosistema de IA de código abierto de Meta
Este proyecto forma parte de un patrón coherente en Meta AI: usar sus modelos de visión de código abierto —DINOv3 y su familia de modelos de visión auto-supervisados— para aplicaciones de alto impacto fuera del negocio publicitario. La misma filosofía llevó a Meta a desarrollar SAM 3 (Segment Anything Model), ahora capaz de segmentar objetos en video en tiempo real, que también encontró aplicaciones en medicina, conservación y respuesta a desastres.
Lo interesante de Canopy Height Maps v2 es que demuestra que los modelos de visión pre-entrenados en grandes volúmenes de imágenes generales —sin ninguna etiqueta sobre bosques— pueden transferir conocimiento a dominios completamente distintos con muy pocos datos específicos. DINOv2 fue entrenado en imágenes de internet. Ahora mide árboles desde el espacio.
Por qué importa
El problema del carbono forestal tiene dos capas: primero, hay que saber dónde están los bosques y cuánto carbono almacenan. Segundo, hay que monitorear si ese carbono permanece ahí o se libera. Los satélites y el LiDAR aéreo pueden hacer esto, pero son caros y no cubren todo el planeta con frecuencia suficiente.
Un modelo de IA que convierte imágenes satelitales ordinarias en mapas de altura de árbol precisos —a escala global, de forma gratuita y open source— cambia radicalmente la ecuación. Los gobiernos de países con alta cobertura forestal, como Brasil, Indonesia o la República Democrática del Congo, ahora pueden acceder a datos que antes solo estaban al alcance de grandes agencias internacionales.
También hay un argumento económico: los mercados voluntarios de carbono dependen de poder verificar que los bosques realmente existen y siguen en pie. Canopy Height Maps v2 podría convertirse en una capa de verificación estándar para esos mercados. Y si la predicción de biomasa que están desarrollando llega a buen puerto, también podría cuantificar cuánto carbono hay en cada hectárea.
Es ciencia aplicada en su forma más concreta: un modelo que aprendió a ver el mundo puede ahora proteger los pulmones del planeta.
Fuentes
- Meta AI Blog — Mapping the World’s Forests with Greater Precision: Introducing Canopy Height Maps v2
- Meta Sustainability — Using AI to Map the Earth’s Forests (v1, 2024)
- Meta AI — Canopy Height Maps Dataset
- Land Carbon Lab — Mapping the World’s Trees in Unprecedented Detail with AI
- AWS Open Data — High Resolution Canopy Height Maps by WRI and Meta
