Mapeo no supervisado de la diversidad de árboles urbanos mediante agrupamiento visual con conciencia espacial

Por qué importan los árboles urbanos y los mapas inteligentes

Las ciudades dependen de los árboles para seguir siendo habitables. Los árboles en la vía pública refrescan barrios calurosos, limpian el aire y ofrecen a los residentes un contacto diario con la naturaleza. Sin embargo, la mayoría de los gobiernos municipales solo tienen estimaciones aproximadas sobre cuántas clases de árboles hay o dónde se agrupan. Los inventarios tradicionales requieren que expertos recorran cada manzana, lo que resulta costoso y lento. Este estudio presenta una forma de medir la variedad de árboles urbanos usando fotografías habituales a nivel de calle y inteligencia artificial, sin necesitar etiquetas de especies previas.

Ver la ciudad a través de imágenes cotidianas

Los investigadores parten de una idea simple: si podemos detectar árboles en imágenes de servicios como Google Street View, podemos comenzar a entender el bosque urbano a escala de ciudad. Utilizan un conjunto de datos existente en el que los árboles en ocho ciudades de Norteamérica han sido detectados automáticamente y vinculados a sus ubicaciones. En lugar de pedir a un algoritmo que nombre cada especie, el nuevo método busca patrones en la apariencia de los árboles y en dónde están plantados. Convierte esos patrones en “huellas” numéricas para cada árbol, capturando tanto su aspecto visual como su posición a lo largo de las calles y dentro de los vecindarios.

Agrupar árboles similares sin conocer sus nombres

Con esas huellas en mano, el sistema agrupa árboles en clústeres que actúan como sustitutos de grupos biológicos reales. Los árboles dentro de un mismo clúster se parecen en las imágenes y tienden a compartir contextos de plantación. El proceso se desarrolla en varias etapas. Primero, un modelo espacial organiza árboles plantados en patrones reconocibles, como hileras a lo largo de un bulevar. Luego el método elimina las anomalías visuales dentro de cada grupo, conservando solo los árboles que se parecen fuertemente a sus vecinos. Los árboles descartados se revisitan y, cuando se parecen entre sí, se forman nuevos grupos o se reasignan a otros más adecuados. Finalmente, los clústeres que resultan casi idénticos se fusionan para que el sistema no se deje engañar por pequeñas diferencias sin importancia.

Convertir los clústeres en mapas de diversidad

Una vez que todos los árboles se asignan a estos pseudo-grupos, la ciudad se divide en una cuadrícula de áreas locales, cada una de 500 metros de lado, que representa una comunidad arbórea a escala de vecindario. En cada celda de la rejilla, los investigadores cuentan cuántos clústeres aparecen y qué tan uniformemente se distribuyen los árboles entre ellos. A partir de estos conteos calculan índices de diversidad estándar que los ecólogos usan para describir tanto la riqueza (cuántos tipos de árboles hay) como el equilibrio (si un tipo domina). Luego comparan estos índices con los obtenidos de inventarios detallados en campo que registran los géneros reales de los árboles. En las distintas ciudades, el sistema no supervisado reproduce de cerca los patrones de diversidad del mundo real, especialmente en medidas que enfatizan los tipos de árboles comunes más que los raros. También preserva cómo está distribuida la diversidad en el espacio, captando parches de plantaciones uniformes así como manzanas más mixtas.

Puntos fuertes, límites y siguientes pasos

El enfoque funciona mejor en ciudades donde las comunidades de árboles no están dominadas por unas pocas especies y donde la calidad de las imágenes es alta. Presenta más dificultades con géneros raros, con desenfoques por privacidad intensos y en lugares donde las fotos de la calle son escasas o están desactualizadas. Dado que el método se centra en lo que se ve desde la calle, los árboles ocultos en patios traseros o parques interiores quedan subestimados. Los autores sugieren mejoras futuras como combinar estas vistas de calle con imágenes satelitales y datos láser, o usar modelos que integren lenguaje y visión para distinguir mejor diferencias sutiles entre árboles de aspecto similar.

Qué significa esto para ciudades más verdes y justas

Para el público general, el mensaje clave es que las ciudades ya no necesitan basarse únicamente en inventarios de campo lentos y costosos para comprender su arbolado. Al extraer información del abundante flujo de imágenes a nivel de calle, este método puede producir mapas detallados de diversidad arbórea a escala de vecindario a bajo coste y actualizarlos conforme aparecen nuevas imágenes. Los planificadores urbanos podrían usar estos mapas para detectar zonas dominadas por un solo tipo de árbol vulnerable, identificar barrios con poca variedad vegetal y diseñar programas de plantación que aumenten la resiliencia frente a plagas, enfermedades y estrés climático. En resumen, el estudio muestra cómo combinar fotografía cotidiana con agrupamientos inteligentes puede convertir la propia ciudad en un mapa vivo y actualizado de la naturaleza urbana.

Cita: Abuhani, D.A., Seccaroni, M., Mazzarello, M. et al. Unsupervised mapping of urban tree diversity using spatially-aware visual clustering. Sci Rep 16, 10440 (2026). https://doi.org/10.1038/s41598-026-37043-7

Palabras clave: diversidad de árboles urbanos, imágenes de vista de calle, agrupamiento no supervisado, cartografía de la biodiversidad, resiliencia urbana