Meta y el World Resources Institute han presentado una importante actualización de su tecnología global de cartografía forestal, utilizando el modelo de inteligencia artificial DINOv3 para estimar la altura del dosel arbóreo con una resolución de un metro a partir de imágenes satelitales ópticas.
La nueva versión 2 del Mapa de Altura del Dosel, conocida como CHMv2, fue descrita en un estudio publicado por Scientific Data el 28 de julio de 2026. El sistema está diseñado para mejorar la medición de la estructura forestal en regiones donde no se dispone de datos detallados de escaneo láser aéreo o donde su recopilación a gran escala resulta demasiado costosa.
CHMv2 convierte imágenes satelitales bidimensionales en estimaciones tridimensionales de la altura del dosel. Sus desarrolladores afirman que el modelo actualizado ofrece resultados más precisos, representa mejor los claros individuales y los bordes del bosque, y reduce la subestimación sistemática de los árboles altos observada en productos globales anteriores.
Modelo de visión satelital DINOv3
En el centro de CHMv2 se encuentra DINOv3, el modelo de visión por computadora autosupervisado de Meta. La versión utilizada para el proyecto fue preentrenada con SAT-493M, un amplio conjunto de datos que contiene imágenes satelitales geográficamente diversas.
En lugar de depender por completo de imágenes etiquetadas manualmente, DINOv3 aprende patrones visuales a partir de grandes volúmenes de datos no etiquetados. Puede identificar relaciones sutiles entre la altura del dosel y características visibles como la forma de las copas, la longitud de las sombras, la textura y la estructura espacial.
A continuación, un decodificador convolucional transforma las características extraídas por DINOv3 en estimaciones de la altura del dosel. El decodificador fue entrenado con modelos de altura del dosel derivados de escaneo láser aéreo, que sigue siendo uno de los métodos más precisos para medir la estructura vertical de los bosques.
Mayor precisión en la altura del dosel
Según Meta, el coeficiente de determinación del modelo actualizado aumentó de 0,53 en la versión anterior a 0,86 con CHMv2. Esto indica una relación mucho más sólida entre las predicciones del modelo y las mediciones de altura de referencia utilizadas para la evaluación.
La mejora es especialmente importante en los bosques maduros. Muchos productos de altura del dosel derivados de satélites funcionan razonablemente bien en vegetación de altura baja y media, pero subestiman cada vez más la altura a medida que los árboles son más altos.
CHMv2 aborda este problema mediante una función de pérdida revisada y una estrategia de muestreo adaptada a la distribución desigual de las alturas del dosel. El conjunto de datos de entrenamiento también se amplió con una cobertura lidar geográficamente más diversa, lo que ayuda al modelo a funcionar de forma más consistente en entornos tropicales, templados y boreales.
El equipo de investigación validó el sistema utilizando conjuntos de datos independientes de escaneo láser aéreo y decenas de millones de mediciones recopiladas por las misiones GEDI e ICESat-2 de la NASA. El estudio informa de un rendimiento consistente en los principales biomas forestales del mundo.
Cartografía forestal con resolución de un metro
La ventaja práctica de la cartografía con resolución de un metro no consiste únicamente en que las imágenes resultantes sean más nítidas. A esta resolución, los analistas pueden examinar claros individuales del dosel, líneas estrechas de árboles, hábitats fragmentados, vegetación urbana, sistemas agroforestales y los límites entre rodales forestales.
Los productos de menor resolución pueden identificar la presencia de árboles dentro de una celda de gran tamaño, pero a menudo no muestran de forma fiable cómo está estructurado el dosel en su interior. CHMv2 pretende conservar estas características de menor escala, haciendo que el conjunto de datos sea más útil tanto para la gestión local del territorio como para los análisis regionales y globales.
Entre sus posibles aplicaciones se encuentran la estimación del carbono sobre el suelo, la evaluación de proyectos de restauración, la identificación de la degradación forestal, la cartografía de hábitats de fauna, la planificación de proyectos de refrigeración urbana y el seguimiento de programas de plantación de árboles.
El conjunto de datos y el modelo asociado se han publicado como recursos abiertos, con los datos cartográficos disponibles a través de AWS Open Data Registry y herramientas de visualización mediante Google Earth Engine.
Limitaciones de los mapas forestales basados en IA
CHMv2 no debe considerarse un sustituto directo de los inventarios de campo ni de los estudios recientes realizados con lidar aéreo. Sigue siendo una capa de altura estimada a partir de imágenes ópticas, y sus resultados pueden verse afectados por las fechas de adquisición de las imágenes, la geometría de observación, las diferencias estacionales, las nubes, el terreno y la disponibilidad de datos de entrenamiento representativos.
Las imágenes subyacentes tampoco proporcionan un registro continuamente actualizado de las condiciones forestales. Un mapa estático del dosel de alta precisión puede establecer una excelente línea de referencia, pero la detección fiable del crecimiento anual, la tala, los daños por incendios o el progreso de la restauración requiere imágenes con fechas consistentes y resultados repetidos del modelo.
Meta ha reconocido que todavía es necesario seguir trabajando en regiones con escasez de datos, en los efectos del ángulo de observación y en la ampliación de la cobertura temporal para detectar cambios.
Por qué CHMv2 es importante
El logro más importante no es que la inteligencia artificial pueda estimar la altura de los árboles a partir de una imagen satelital. Conceptos similares existen desde hace varios años. El verdadero avance radica en la combinación de escala global, detalle espacial de un metro, mejor rendimiento en bosques con árboles altos y un modelo de acceso abierto.
El aumento del R² de 0,53 a 0,86 es suficientemente significativo como para acercar esta tecnología a un uso operativo, especialmente en inventarios forestales preliminares y en la evaluación inicial de proyectos en zonas donde no existe cobertura lidar.
Sin embargo, el siguiente paso crítico será garantizar la consistencia temporal. El monitoreo forestal depende de la detección de cambios, no simplemente de la producción de una imagen altamente detallada. CHMv2 alcanzará su mayor valor práctico cuando la misma metodología pueda generar mapas comparables durante varios años sin introducir diferencias falsas causadas por las imágenes, la estación del año o la geometría del sensor.
Incluso con esta limitación, CHMv2 representa un cambio importante en la teledetección. La información de alta resolución sobre la estructura del dosel está pasando de ser un conjunto de datos especializado, disponible principalmente en regiones con mayores recursos, a convertirse en una capa escalable a nivel mundial que gobiernos, investigadores, organizaciones de conservación y desarrolladores de proyectos de carbono pueden consultar y analizar.
Acerca de Meta
Meta Platforms es una empresa tecnológica estadounidense cuyos productos incluyen Facebook, Instagram, Messenger y WhatsApp. Su división Fundamental AI Research, conocida como FAIR, desarrolla modelos abiertos de investigación y sistemas de visión por computadora, incluida la familia DINO.
Meta reportó ingresos de 60.800 millones de dólares en el segundo trimestre de 2026, un aumento del 28% respecto al año anterior. Durante junio de 2026, una media de 3.600 millones de personas utilizó diariamente al menos una de las aplicaciones de la compañía. La empresa también registró 31.080 millones de dólares en gastos de capital trimestrales mientras continuaba ampliando su infraestructura de inteligencia artificial y computación.
El proyecto CHMv2 fue desarrollado por investigadores de Meta, Meta FAIR, el World Resources Institute y la Universidad de Maryland. La contribución de WRI fue financiada mediante un contrato con Meta y una subvención del Bezos Earth Fund.
