Swamp-AI: un modelo de aprendizaje profundo para monitorizar el cambio de humedales en todo el mundo

Por qué importa vigilar los bordes húmedos de la Tierra

Los humedales —marismas, pantanos, deltas y llanuras de inundación— protegen silenciosamente nuestras costas, almacenan carbono, filtran el agua y refugian la vida silvestre. Sin embargo, están reduciéndose a nivel mundial, a menudo fuera de la vista en lugares remotos o de difícil acceso. Este estudio presenta “Swamp-AI”, un sistema de visión por ordenador que analiza imágenes satelitales para detectar humedales y seguir cómo cambian sus huellas a lo largo del tiempo, ofreciendo una forma más rápida y económica de vigilar estos paisajes amenazados.

Ver aguas ocultas desde el espacio

Los muestreos tradicionales de humedales dependen de expertos que visitan los lugares y miden plantas, suelos y niveles de agua. Ese trabajo de campo es lento y caro, y muchos humedales están en tundras sin carreteras, llanuras de inundación tropicales o regiones políticamente inestables. Los satélites, en cambio, orbitan el globo cada pocos días y capturan imágenes repetidas de la superficie terrestre. El reto es convertir esas imágenes crudas en mapas fiables de humedales sin una legión de intérpretes humanos. Los métodos de cartografía anteriores exigían especialistas que ajustaran umbrales con cuidado o dibujaran límites a mano, y los modelos resultantes a menudo funcionaban solo en un país o para un tipo de humedal. Swamp-AI pretende romper ese cuello de botella aprendiendo “firmas visuales” generales de los humedales que se mantengan válidas desde Luisiana hasta el delta del Mekong.

Construir un atlas de entrenamiento global

Para enseñarle al algoritmo cómo es un humedal, el equipo primero tuvo que reunir un atlas de entrenamiento con escenas satelitales etiquetadas. Crearon la Base de Datos Global Anotada de Pantanos (GSADB) usando imágenes de 2019 del satélite Sentinel-2 de Europa, que ofrece vistas en color e infrarrojo de resolución media cada cinco días. Desde 34 ubicaciones en todo el mundo, abarcando 21 regiones interiores y 13 costeras, trazaron 102 máscaras detalladas que marcan dónde estaban presentes los humedales. En lugar de visitar cada sitio, combinaron varios productos de datos globales: un mapa de humedales existente a 30 metros, un modelo digital de elevación que sugiere terrenos bajos propensos a inundaciones y un índice de vegetación que destaca plantas verdes en crecimiento. Cuatro anotadores verificaron mutuamente su trabajo, descartando escenas cuando no alcanzaban un acuerdo, y definieron una única clase amplia de “humedal” para mantener consistencia en las etiquetas, desde marismas árticas hasta pantanos tropicales.

Enseñar a la máquina a reconocer suelo encharcado

Con este atlas, los investigadores entrenaron 15 modelos diferentes de aprendizaje profundo que realizan “segmentación semántica”: asignar cada píxel de una imagen a humedal o no humedal. Probaron tres diseños de red populares que han funcionado bien en exploraciones médicas y otras imágenes ambientales, y emparejaron cada uno con cinco formas de medir errores de entrenamiento, conocidas como funciones de pérdida. Dado que los humedales solían ser la minoría en cada escena, también experimentaron con funciones de pérdida adaptadas a datos desequilibrados. Las imágenes de entrenamiento se dividieron por geografía, no al azar, de modo que los modelos siempre se probaron en lugares que no habían visto cerca, reduciendo el riesgo de sobreajuste a peculiaridades locales.

Elegir un ganador y comprobarlo en el mundo real

Tras el entrenamiento, los modelos mejor clasificados se sometieron a exámenes más exigentes. El equipo creó un conjunto de prueba independiente usando imágenes más nítidas de tres metros de tres reservas de fauna en Estados Unidos, y luego degradó los contornos dibujados a mano para que coincidieran con la resolución más gruesa de Sentinel-2. El campeón resultó ser una red llamada ResUNet34 combinada con una pérdida híbrida “focal-dice”. Esta versión de Swamp-AI etiquetó correctamente alrededor del 94% de los píxeles en conjunto y alcanzó una puntuación de intersección sobre unión —una medida estricta de cuánto se solapan las áreas predichas y las reales de humedal— de aproximadamente el 75%. Las comprobaciones visuales mostraron que continuaba encontrando marismas y pantanos incluso fuera de las regiones usadas para las pruebas. Los autores aplicaron luego Swamp-AI a humedales famosos en todo el mundo y hallaron que, con un pequeño ajuste en su umbral interno de confianza, mantenía alta precisión desde turberas frías del norte hasta llanuras de inundación tropicales.

Seguir una línea de costa en retroceso en Nueva York

Para ilustrar cómo podría usarse Swamp-AI en la práctica, el equipo rastreó islas de marisma salina en Jamaica Bay, Nueva York, de 2019 a 2024. Al ejecutar el modelo sobre composiciones de imágenes anuales, estimaron que las islas de la bahía perdieron colectivamente alrededor de 18 hectáreas de humedal por año, con algunas islas relativamente estables mientras otras mostraban fuertes señales de retroceso. La comparación de imágenes tomadas en marea alta y baja en 2024 reveló otra matización: cuando los niveles de agua eran bajos y las superficies de la marisma quedaban expuestas, Swamp-AI detectó casi un 30% más de área de humedal que en la vista de marea alta, subrayando lo sensible que puede ser la cartografía satelital al momento y al nivel del agua.

Un nuevo sistema de alerta temprana para la pérdida de humedales

Para quienes no son especialistas, el mensaje clave es que Swamp-AI actúa como un inspector automatizado de humedales, escaneando las corrientes satelitales globales y marcando dónde las áreas vegetadas y encharcadas se mantienen o desaparecen. Aún no puede distinguir detalles finos como especies vegetales o subtipos de humedales, y hereda algunas limitaciones de los mapas de referencia usados para entrenarlo. Aun así, al ofrecer mapas rápidos y consistentes a escala global con una precisión comparable a muchos estudios locales, Swamp-AI brinda a conservacionistas y planificadores una herramienta de alerta temprana. Puede ayudar a dirigir costosos muestreos de campo hacia los sitios más en riesgo y respaldar decisiones más inteligentes sobre restauración, defensa costera y resiliencia climática.

Cita: Andros, C.S., Conery, I.W., Alvarado, T.R. et al. Swamp-AI: a deep learning model for monitoring wetlands change across the globe. Sci Rep 16, 8830 (2026). https://doi.org/10.1038/s41598-026-39257-1

Palabras clave: humedales, teledetección, aprendizaje profundo, monitorización ambiental, imágenes de satélite