Un conjunto de datos RGB de UAV y un método para la segmentación de copas arbóreas por instancia para el seguimiento de la biodiversidad

Por qué contar árboles desde el cielo importa

Los bosques saludables regulan silenciosamente nuestro clima, almacenan carbono y albergan innumerables especies. Sin embargo, seguir cómo crecen, mueren o sufren enfermedades los árboles individuales en grandes extensiones es increíblemente difícil solo con observación en el terreno. Este estudio muestra cómo drones con cámaras comerciales y un análisis de imágenes eficiente pueden delinear automáticamente copas de árboles individuales en bosques tropicales densos. Esa capacidad es un paso clave hacia un seguimiento de la biodiversidad detallado y asequible y una mejor gestión forestal en un mundo que se calienta.

Ver árboles individuales en un mar de verde

Desde arriba, un bosque maduro suele parecer una alfombra continua de hojas. En realidad, está formado por muchas copas de árboles superpuestas de distintas especies y tamaños. Para comprender la salud del bosque o el almacenamiento de carbono, los científicos necesitan saber dónde termina un árbol y empieza el siguiente. Esta tarea, llamada segmentación de copas de árboles por instancia, es especialmente difícil en bosques tropicales densos, donde las copas vecinas se funden entre sí y las sombras, la estacionalidad y las formas similares confunden tanto a humanos como a algoritmos. Los métodos tradicionales o bien no detectan árboles, fusionan varios en uno, o requieren sensores caros como láseres. Los autores, en cambio, se centran en hacer más con fotos en color sencillas tomadas desde drones, que son mucho más baratas y fáciles de desplegar en todo el mundo.

Una nueva biblioteca de imágenes de bosques tropicales

Para enseñar y evaluar sus algoritmos, los investigadores crearon una nueva colección de imágenes llamada ForestSeg. Usando dos drones comerciales sobre un bosque rico en biodiversidad cerca de Hanói, Vietnam, realizaron cuatro campañas a distintas alturas y en distintos meses. A partir de esos vuelos construyeron imágenes aéreas de alta resolución y las recortaron en pequeños parches cuadrados, cada uno de 1024 por 1024 píxeles, que suelen contener entre 6 y 10 árboles. Expertos humanos trazaron cuidadosamente el contorno de cada copa visible, creando un total de 2.944 parches anotados repartidos en cuatro subconjuntos. Como los vuelos abarcan estaciones y altitudes, ForestSeg captura cambios en la iluminación, el color de las hojas y el tamaño aparente de los árboles, lo que lo convierte en un banco de pruebas exigente para cualquier método que pretenda funcionar de forma fiable a lo largo del tiempo.

Romper los árboles en piezas para encontrar copas completas

En lugar de intentar dibujar los contornos de los árboles de una sola vez, el equipo diseñó una estrategia en dos pasos llamada TreeCoG. Primero, deliberadamente «sobresegmentan» el dosel. Una red moderna de detección de bordes marca límites finos en la imagen del dron, dividiendo el bosque en muchos pequeños fragmentos de contorno que es improbable que contengan partes de varios árboles a la vez. Segundo, estos fragmentos se convierten en nodos de un grafo, donde los fragmentos cercanos se conectan y comparan. Para cada fragmento, el método mide propiedades simples de forma como área y elongación, y también analiza la similitud entre parches vecinos en color y textura. Una red neuronal de grafos aprende, a partir de muchos ejemplos etiquetados, qué fragmentos vecinos pertenecen al mismo árbol y deben fusionarse, y cuáles pertenecen a árboles distintos y deben permanecer separados. El resultado es un conjunto de máscaras que delinean copas individuales de forma más limpia que enfoques anteriores.

Qué tan bien funciona el método en la práctica

Para evaluar el rendimiento, los autores compararon TreeCoG frente a herramientas populares de segmentación por aprendizaje profundo, incluyendo Mask R-CNN y los modelos YOLO más recientes. En ForestSeg, TreeCoG alcanzó la mayor precisión mientras además se ejecutaba más rápido que sus competidores, lo que lo hace atractivo para sondeos de grandes zonas. También tuvo un rendimiento sólido en un conjunto de referencia europeo independiente conocido como BAMFORESTS, mostrando que el enfoque puede transferirse a bosques de otras regiones. Analizando los resultados a través de los cuatro subconjuntos de ForestSeg, el estudio revela además cómo la hora del día, la estación y la altitud de vuelo influyen en el éxito: las imágenes más nítidas y los ángulos de sol más bajos tienden a ofrecer límites de copa más claros, pero el método sigue siendo robusto incluso cuando las condiciones son menos que ideales.

Qué significa esto para los bosques y la biodiversidad

En términos sencillos, este trabajo demuestra que drones económicos y algoritmos inteligentes pueden identificar de forma fiable árboles individuales en algunos de los bosques más complejos del planeta. El conjunto de datos ForestSeg ofrece a los investigadores un nuevo y exigente referente, y TreeCoG ofrece una receta práctica para convertir fotos aéreas crudas en mapas detallados de copas arbóreas. Esos mapas pueden alimentar pasos posteriores como el reconocimiento de especies, el seguimiento del crecimiento y la evaluación de la salud, ayudando en última instancia a científicos y gestores forestales a monitorizar la biodiversidad y las reservas de carbono con más frecuencia y sobre áreas más extensas de lo que ha sido posible solo con censos de campo.

Cita: Do, M.V.H., Phung, DT., Pham, H.D.L. et al. A UAV RGB dataset and method for instance tree crown segmentation for biodiversity monitoring. Sci Rep 16, 5788 (2026). https://doi.org/10.1038/s41598-026-36541-y

Palabras clave: silvicultura con drones, cartografía de copas de árboles, seguimiento de biodiversidad, teledetección, segmentación mediante aprendizaje profundo