Estimaciones globales de alta resolución del Índice de Desarrollo Humano de la ONU mediante imágenes satelitales y aprendizaje automático

Por qué importa mapear el progreso humano con mayor precisión

El Índice de Desarrollo Humano (IDH) es una de las métricas de progreso global más citadas, ya que combina salud, educación e ingresos en un único número por país. Sin embargo, la mayoría de las decisiones que afectan la vida cotidiana—dónde construir una clínica, cómo dirigir la ayuda ante desastres, qué pueblos necesitan nuevas escuelas—se toman a escalas mucho más pequeñas que las nacionales. Este estudio muestra cómo las imágenes satelitales y el aprendizaje automático moderno pueden convertir un indicador a nivel de país en un mapa global detallado del desarrollo humano a nivel municipal y de celdas regulares de 10 kilómetros, revelando patrones que los promedios nacionales ocultan.

De promedios nacionales a información a nivel de calle

Hasta ahora, los datos oficiales del IDH se han publicado solo para 191 países, con algunos trabajos de investigación que bajan hasta grandes provincias o estados. Eso es demasiado grueso para muchos usos prácticos, como identificar los barrios más pobres dentro de una región o comparar pueblos cercanos que comparten gobierno provincial pero tienen oportunidades muy distintas. Recopilar información estilo IDH localmente mediante encuestas domiciliarias es lento y caro, por lo que muchos responsables de políticas recurren a indicadores más fáciles de medir, como los ingresos. Los autores abordan esta laguna utilizando imágenes satelitales gratuitas de la superficie terrestre—tanto fotos diurnas de edificios, carreteras y cultivos como imágenes nocturnas de la iluminación eléctrica—para inferir patrones locales de desarrollo humano en todo el mundo.

Enseñar a los algoritmos a leer paisajes

En lugar de intentar predecir el IDH directamente para cada diminuto cuadrado de tierra—lo cual es imposible porque no existen mediciones de IDH a tan pequeña escala—el equipo desarrolló una solución ingeniosa. Primero transformaron fotos satelitales de alta resolución en miles de «características» numéricas que resumen patrones de color y textura, como cuán urbanizada, agrícola o forestal parece un área y cuán brillante se ve por la noche. Luego promediaron estas características para que coincidieran con las formas de las provincias donde hay estimaciones subnacionales del IDH. Un modelo lineal simple aprendió cómo las combinaciones de estas características se relacionan con el IDH provincial. Dado que las características también pueden promediarse sobre otras formas, la misma relación puede aplicarse a áreas mucho más pequeñas—municipios y celdas de una malla regular—sin cambiar el modelo subyacente.

Comprobando la precisión con datos reales

Para poner a prueba si este IDH reescalado es confiable, los autores compararon sus estimaciones basadas en satélites con IDH derivados de censos para municipios en Indonesia, Brasil y México—tres países donde ya existen datos detallados. Según el país, su enfoque captó alrededor de una quinta parte hasta más de la mitad de la variación del IDH entre municipios dentro de la misma provincia. Realizaron pruebas adicionales usando otras medidas relacionadas con el desarrollo, como un índice internacional de riqueza y las propias luces nocturnas, y mostraron que un modelo entrenado solo con promedios provinciales gruesos aún puede predecir estas variables a escalas mucho más finas con una precisión razonable. Esto sugiere que el método es, en general, fiable para traducir estadísticas de nivel superior en estimaciones locales.

Lo que revelan los mapas ultradetallados

Utilizando este método, los investigadores crearon mapas globales del IDH para más de 61.000 municipios y más de 800.000 celdas de 10 kilómetros para el año 2019, y los pusieron a disposición pública. Estos mapas exponen diferencias pronunciadas dentro de provincias que parecen uniformes en las estadísticas oficiales: centros urbanos con alto IDH rodeados de suburbios más pobres, bolsillos de desarrollo a lo largo de carreteras principales y valles fluviales que prosperan más que desiertos o montañas cercanas. Cuando el equipo comparó la clasificación provincial del IDH con sus estimaciones de mayor resolución, encontraron que más de la mitad de la población mundial había sido situada en el quintil nacional equivocado porque los promedios gruesos mezclaban comunidades mejor y peor situadas. En algunos casos, poblaciones etiquetadas entre las regiones menos desarrolladas a nivel provincial en realidad caerían en los dos quintiles superiores cuando se las ve a escala municipal o por rejilla, y viceversa.

Implicaciones para políticas más justas e inteligentes

Para el lector general, la conclusión es que el lugar donde vives dentro de un país puede importar tanto como el país en el que vives. Al revelar patrones detallados de desarrollo humano, estos mapas basados en satélites pueden ayudar a gobiernos y organizaciones de ayuda a dirigir recursos con mayor precisión—apoyando a los pueblos y barrios específicos que más lo necesitan, en lugar de a regiones grandes que mezclan zonas ricas y pobres. Los autores advierten que estas estimaciones no reemplazan las encuestas sobre el terreno y que el rendimiento solo se ha validado directamente en unos pocos países. Aun así, en lugares con escasez de datos, este enfoque puede proporcionar un complemento potente y de bajo costo, convirtiendo nuestra visión cada vez más amplia de la Tierra desde el espacio en una herramienta práctica para promover el bienestar humano.

Cita: Sherman, L., Proctor, J., Druckenmiller, H. et al. Global high-resolution estimates of the UN Human Development Index using satellite imagery and machine learning. Nat Commun 17, 1315 (2026). https://doi.org/10.1038/s41467-026-68805-6

Palabras clave: índice de desarrollo humano, imágenes satelitales, aprendizaje automático, cartografía de la pobreza, desigualdad espacial