Un conjunto de imágenes con drones para la segmentación semántica de coberturas del suelo en jardines urbanos en estudios de biodiversidad

Por qué importan los jardines urbanos vistos desde arriba

Pasea por un huerto comunitario y verás un mosaico de senderos de césped, bancales de hortalizas, mulcho, piedras y tierra descubierta. Todas estas “coberturas del suelo” determinan de forma silenciosa cómo los jardines sostienen a las abejas, el control natural de plagas y la salud del suelo. Sin embargo, en los mapas tradicionales y las imágenes satelitales, estos detalles finos se difuminan. Este estudio muestra cómo los drones y las técnicas modernas de análisis de imágenes pueden acercarse a los jardines urbanos con un detalle notable, proporcionando un nuevo conjunto de datos abierto que ayuda a investigadores y planificadores a entender cómo el suelo bajo nuestros pies sostiene la biodiversidad urbana.

Variedad oculta en el suelo del jardín

Los jardines urbanos son más que simples manchas verdes decorativas. Sus distintas coberturas del suelo —como hierbas aromáticas, césped, mulcho de paja, astillas de madera, piedras y suelo expuesto— ofrecen alimento y refugio a polinizadores, zonas de caza para insectos depredadores de plagas y hábitat para organismos del suelo. En conjunto, ayudan a ciclar nutrientes, mantener el suelo en su lugar y conectar la vida silvestre a través de barrios muy urbanizados. Como estas características varían en distancias de apenas unos metros, son difíciles de capturar con imágenes satelitales de baja resolución o con estudios de campo que consumen mucho tiempo, lo que deja una brecha informativa importante para quienes intentan diseñar ciudades que favorezcan la vida silvestre.

Los drones como lupas voladoras

Para cerrar esa brecha, los investigadores volaron un pequeño dron equipado con cámara sobre cinco huertos comunitarios en Múnich, Alemania, durante varias visitas en 2021 y 2022. A partir de 2.521 fotografías originales, cosieron 24 “ortomosaicos” ultra nítidos —imágenes tipo mapa en las que cada píxel en el suelo mide entre 3,2 y 7,9 milímetros—. Estos mosaicos revelan plantas individuales, senderos y capas de mulcho con gran detalle. El equipo luego delineó cuidadosamente miles de regiones a mano, etiquetando ocho tipos comunes de cobertura del suelo: césped, plantas herbáceas, hojarasca como hojas muertas, suelo desnudo, piedra, paja, madera maciza (como tablones y troncos) y astillas de madera sueltas. Las capas de etiquetas resultantes funcionan como mapas de referencia de lo que la cámara realmente capta en el terreno.

Enseñar a los ordenadores a leer los patrones del jardín

Con estas imágenes etiquetadas, el equipo evaluó qué tan bien distintos modelos informáticos pueden reconocer automáticamente cada tipo de cobertura del suelo, píxel a píxel. Compararon técnicas tradicionales, que se basan en medidas de textura y color diseñadas a mano, con enfoques de aprendizaje profundo que aprenden patrones directamente de parches de imagen. Para mantener la tarea realista, dividieron los 24 mosaicos en grupos separados de entrenamiento, validación y prueba, de modo que los modelos siempre se evaluaran en imágenes de jardines que nunca habían “visto” durante el entrenamiento. Dos modelos de aprendizaje profundo —UNet y, especialmente, DeepLabV3+— superaron claramente a métodos clásicos como Random Forests y árboles potenciados por gradiente, asignando correctamente alrededor del 93% de los píxeles en conjunto y manejando mucho mejor distinciones visualmente difíciles como suelo frente a piedra.

Lo que ofrece el nuevo conjunto de datos

El núcleo de este trabajo es un conjunto de datos disponible abiertamente más que un mapa finalizado. Incluye los mosaicos completos del dron, las máscaras de etiquetas correspondientes y una versión basada en parches que es más fácil de introducir en redes neuronales modernas. Una tabla de metadatos complementaria enumera detalles como la altura de vuelo, el tamaño de imagen y los ajustes de procesamiento, lo que hace que los datos sean reutilizables para muchos fines. Los investigadores pueden desarrollar nuevos algoritmos, comparar distintas estrategias de modelado o combinar estos mapas con otra información —como recuentos de insectos o muestras de suelo— para explorar cómo mezclas específicas de coberturas del suelo sustentan beneficios ecológicos concretos.

De los píxeles a ciudades más verdes

Para los no especialistas, la conclusión principal es que los drones ya pueden cartografiar la trama fina de los jardines urbanos con suficiente detalle para que los ordenadores distingan dónde termina el césped y dónde empiezan las astillas de madera. El estudio demuestra que los modelos de aprendizaje profundo pueden traducir este mosaico visual en mapas de coberturas del suelo fiables, que a su vez pueden informar un mejor diseño y gestión de jardines para la biodiversidad, el control de plagas y la salud del suelo. Al publicar sus datos y código al público, los autores proporcionan una base para herramientas futuras que podrían ayudar a jardineros, planificadores urbanos y ecólogos a ver cómo las pequeñas decisiones de diseño a escala del suelo se traducen en ecosistemas urbanos más saludables.

Cita: Afrasiabian, Y., Lu, C., Belwalkar, A. et al. A drone imagery dataset for semantic segmentation of urban garden ground covers in biodiversity studies. Sci Data 13, 590 (2026). https://doi.org/10.1038/s41597-026-07152-z

Palabras clave: jardines urbanos, imágenes con drones, segmentación semántica, cobertura del suelo, monitoreo de la biodiversidad