Resumen Técnico: Miti360 – Un Conjunto de Datos Integral para la Mejora del Monitoreo de la Reforestación

Planteamiento del Problema

A pesar de la creciente aplicación del Aprendizaje Automático (ML) para automatizar el monitoreo forestal, existe una brecha geográfica crítica en los datos de entrenamiento disponibles. Los conjuntos de datos forestales existentes se originan predominantemente en América del Norte, Europa, Asia y Australia, dejando a África Subsahariana severamente subrepresentada. Esta escasez dificulta el desarrollo de modelos de ML capaces de abordar desafíos específicos de la silvicultura africana, como el inventario forestal preciso, la estimación de la biomasa y el monitoreo de los esfuerzos de reforestación en masas heterogéneas. El artículo destaca que, si bien las iniciativas globales de reforestación (por ejemplo, el objetivo de Kenia de 15 mil millones de árboles para 2032) son ambiciosas, la falta de datos localizados y de alta calidad impide el seguimiento efectivo de la supervivencia y las tasas de crecimiento de los árboles individuales en estas regiones.

Metodología

Los autores presentan Miti360, un conjunto de datos multimodal recolectado entre marzo de 2023 y febrero de 2025 dentro de una sección reforestada de 770 hectáreas del Bosque Kieni, en el Ecosistema de los Aberdares. El marco de adquisición y procesamiento de datos involucró:

• Área de Estudio y Muestreo: El sitio, situado entre 2,200 m y 2,684 m sobre el nivel del mar, contiene más de diez especies indígenas. Se empleó un diseño de muestreo sistemático, dividiendo el área en unidades de 100 m × 100 m. De 56 parcelas generadas, se seleccionaron 41 para la verificación de campo (excluyendo parcelas cubiertas por bambú o carentes de árboles), con un objetivo de aproximadamente 15 árboles por parcela.
• Recolección de Datos Aéreos: Los levantamientos se realizaron utilizando un dron DJI Mavic 2 Pro equipado con una cámara Hasselblad L1D-20c. Los planes de vuelo apuntaron a una Distancia de Muestreo de Suelo (GSD) de 2 cm a una altitud de ~88 metros con un solapamiento frontal del 80% y lateral del 70%. Se procesaron más de 9,200 imágenes utilizando Agisoft Metashape (Estructura desde el Movimiento) y se segmentaron en ArcGIS Pro para generar ortofotos de alta resolución y Modelos Digitales de Elevación (DEM).
• Verificación de Campo y Datos Terrestres:
  • Parámetros Biofísicos: La altura del árbol (TH), el diámetro de la copa (CD) y el diámetro basal (BD) se midieron manualmente para 1,208 árboles (muestreados de 604 árboles únicos a través de dos puntos temporales en 2024–2025).
  • GPS: Las coordenadas se registraron utilizando receptores Garmin GPSMAP 64s.
  • Imágenes: Las imágenes terrestres incluyeron tanto fotos de vista única (smartphone Oppo F11) como pares estereoscópicos (cámara estéreo personalizada propia con sensores Logitech C270) centrados en árboles objetivo.
  • Clima: Se agregaron datos históricos de precipitación diaria (8 años) provenientes de 40 estaciones meteorológicas TAHMO en un radio de 100 km y se interpolaron al sitio de estudio mediante la Distancia Inversa Ponderada (IDW).
• Anotación y Control de Calidad:
  • Ortofotos: Las copas de los árboles fueron anotadas con cuadros delimitadores (bounding boxes) usando Label Studio, resultando en 61,866 anotaciones a través de 1,117 teselas.
  • Imágenes Terrestres: Las máscaras de segmentación semántica y las identificaciones de especies se generaron utilizando Labelbox, aprovechando el Modelo de Segmentación de Todo (SAM) para el etiquetado asistido por IA seguido de un refinamiento manual.
  • Validación: Un flujo de trabajo riguroso de control de calidad incluyó la validación cruzada entre anotadores (rechazando tareas con <80% de superposición) e inspecciones de muestreo aleatorio.

Contribuciones Clave

1. Conjunto de Datos Miti360: La contribución principal es la publicación de un conjunto de datos multimodal y exhaustivo diseñado específicamente para el monitoreo de la reforestación en el África Subsahariana. Integra ortofotos aéreas, imágenes terrestres estéreo y de vista única, mediciones biofísicas detalladas de verdad de campo, identificación de especies, coordenadas GPS y datos climáticos interpolados.
2. Datos Longitudinales: El conjunto de datos incluye mediciones repetidas e imágenes de los mismos árboles a lo largo del tiempo (2023, 2024, 2025), lo que permite el análisis de las trayectorias de crecimiento y los cambios temporales.
3. Anotaciones Específicas del Dominio: A diferencia de los conjuntos de datos forestales genéricos, Miti360 proporciona etiquetas específicas de especies y cuadros delimitadores de alta precisión adaptados a la vegetación heterogénea de los bosques montanos de Kenia.

Resultados

El artículo demuestra la utilidad de Miti360 a través de dos validaciones técnicas primarias:

• Seguimiento del Crecimiento de los Árboles: Al aplicar el Segment Anything Model (SAM) de Meta AI a las anotaciones de las ortofotos, los autores rastrearon 1,585 árboles entre marzo de 2023 y agosto de 2024. El análisis confirmó un crecimiento observable, con los diámetros medios de las copas aumentando de aproximadamente 2 metros a 3 metros.
• Ajuste Fino del Modelo (DeepForest): Los autores ajustaron un modelo preentrenado DeepForest (RetinaNet) utilizando el conjunto de datos Miti360. Los resultados mostraron mejoras significativas en el rendimiento de detección en comparación con la línea base preentrenada:
  • Precisión de la Caja (Box Precision): Aumentó de 2.8% a 22.7% (una ganancia de ~8x), indicando una reducción drástica de los falsos positivos.
  • Exhaustividad de la Caja (Box Recall): Se disparó del 20.5% al 89.6%, lo que significa que el modelo localizó con éxito casi 9 de cada 10 árboles anotados.
  • IoU Medio: Mejoró de 0.579 a 0.725, lo que refleja una localización más ajustada de las copas de los árboles.
• Correlación Clima-Crecimiento: Un análisis de los datos de precipitación frente a los parámetros biofísicos reveló relaciones no lineales. Mientras que la lluvia mensual disminuyó entre los dos intervalos de observación, la velocidad de crecimiento de la altura del árbol aumentó (de 3.00 mm/mes a 3.74 mm/mes), y el crecimiento del diámetro de la copa también se aceleró, sugiriendo interacciones complejas entre el clima y el crecimiento que requieren mayor estudio.

Significado y Reivindicaciones

El artículo posiciona a Miti360 como un recurso fundamental para avanzar en el monitoreo de la reforestación en regiones subrepresentadas. Los autores afirman que este conjunto de datos permite:

• Censos de Árboles Acelerados: Entrenar sistemas de ML para contar y monitorear rápidamente árboles individuales en masas jóvenes y densas.
• Emparejamiento Especie-Ubicación: Identificar qué especies indígenas prosperan en áreas geográficas específicas.
• Modelado de Crecimiento: Desarrollar modelos que predigan los cambios biofísicos de los árboles basados en las condiciones climáticas.
• Desarrollo de Gemelos Digitales: Proporcionar los datos de alta calidad y multimodales necesarios para construir gemelos digitales de ecosistemas forestales para el monitoreo continuo y el apoyo a la toma de decisiones.

Los autores enfatizan que, al abordar la brecha de datos en el África Subsahariana, Miti360 respalda la toma de decisiones basada en datos para las partes interesadas, valida las contribuciones de los agricultores locales en la reforestación y fomenta prácticas forestales sostenibles adaptadas al contexto africano. El artículo concluye que el conjunto de datos sirve como una base empírica para la evaluación comparativa y el desarrollo de soluciones de ML diseñadas específicamente para los desafíos de la silvicultura africana.