La utilización de tecnologías avanzadas de teledetección con métodos de clasificación mejorados, permiten una comprensión más completa de la cobertura y la estructura de nuestros ecosistemas naturales y sistemas agropecuarios.

Dado que los sensores montados en satélites registran la radiación reflejada por la superficie de la tierra en diferentes intervalos de longitudes de onda de manera repetida en el tiempo, es factible entrenar algoritmos de clasificación a partir de los atributos espectro-temporales de píxeles donde se define la presencia de bosques (y de otros píxeles que pertenecen a otras clases como cultivos de soja, pasturas o suelos sin vegetación) para asignar categorías (etiquetar) a píxeles que a priori no se sabe a qué clase pertenecen.

En este marco metodológico, vale la pena resaltar que el IPCVA se encuentra financiando el proyecto “Benchmarking de riesgo de la ganadería argentina para la regulación de deforestación de la Unión Europea” y que viene siendo desarrollado por la Red de Seguridad Alimentaria del Conicet.

La investigación utiliza plataformas satelitales activas y pasivas de EEUU y de la Unión Europea (GEDI, Landsat y Sentinel) junto con técnicas de aprendizaje profundo y recientes avances de la misión EnMap de la Agencia Espacial Alemana para cartografiar la extensión, altura y cobertura de árboles de los bosques nativos de Argentina.   Con esta información se desarrollan mapas de bosques aplicando técnicas de aprendizaje automático y aprendizaje estadístico.

Estas herramientas son las que permiten extrapolar el conocimiento aprendido a partir de un conjunto reducido de píxeles en las imágenes satelitales a toda la región bajo estudio. Además, se combinan diferentes procesos de mejora de los datos satelitales para incrementar la confiabilidad y su potencial predictivo.

La investigación se basa en los siguientes enfoques principales: a) La clasificación supervisada bosque/no bosque, b) La estimación de la cobertura de árboles y c) cuantificación de la altura de la vegetación.

- Clasificación Supervisada Bosque/No Bosque:

Se utiliza el algoritmo Random Forest para asignar cada pixel a la categoría "bosque" o "no bosque". Hasta el momento se han empleado 82.458 muestras de entrenamiento provenientes de diferentes clases (por ejemplo, leñosas cerradas, cultivos, pastizales) obtenidas de proyectos de mapeo, lo que ha servido de base para mejorar la precisión de los resultados y la calibración del algoritmo.  

- Estimación de la Cobertura de Árboles: se utilizaron técnicas de Machine Learning y una biblioteca espectral para cuantificar la abundancia de árboles, arbustos, herbáceas, suelo desnudo y agua en cada pixel. Se empleó el modelo Random Forest con 39.330 muestras sintéticas generadas a partir de mezclas de clases puras. Se estandarizaron las fracciones para que sumaran 1 y se implementó una regla de decisión para corregir estimaciones en áreas sombreadas.

- Cuantificación de la Altura de la Vegetación: la estimación de la altura de la vegetación se basó en datos LiDAR de la misión GEDI. Se entrenó un modelo de regresión de Random Forest utilizando muestras con información similar a la clasificación supervisada.

El análisis de riesgo de deforestación del IPCVA y la adaptación a los nuevos requerimientos de Europa.

La UE aprobó el reglamento 1115/2023 en el cual exige garantizar que los productos que provengan de áreas deforestadas después del 31 de diciembre de 2020 no puedan ser importados a la UE.

La Comisión Europea está trabajando en evaluaciones de riesgo de deforestación para clasificar a los países de los que importan carne, soja, madera y otros productos agropecuarios.

En este marco, la evaluación de riesgo de deforestación encarada por el IPCVA a nivel país toma precisamente como referencia el artículo 29 del Reglamento Europeo sobre cadenas de suministro libres de deforestación.

La evaluación de riesgo se está realizando a partir de modelos de cambios de uso del suelo que tomando en cuenta los datos del pasado pueden estimar la probabilidad de ocurrencia de nuevos cambios. Como resultado de esta investigación en marcha se dispondrá de una clasificación de riesgo propia basada en un análisis objetivo y transparente, teniendo en cuenta la última evidencia científica y fuentes reconocidas a nivel internacional.