Valor de los datos hiperespectrales para el mapeo pared a pared de la vegetación de humedales en paisajes heterogéneos

Por qué importa mapear paisajes acuáticos

Los humedales son algunos de los ecosistemas más productivos y amenazados del planeta. Almacenan carbono, amortiguan inundaciones y albergan plantas y animales raros; pero además son difíciles de acceder y aún más difíciles de cartografiar con detalle a pie. Este estudio plantea una pregunta práctica con la que se enfrentan gestores de parques y conservacionistas en todo el mundo: ¿realmente necesitamos costosos vuelos hiperespectrales de última generación para entender la vegetación de los humedales, o pueden las imágenes aéreas más baratas y comunes hacer el trabajo con suficiente precisión?

Observando un laberinto de marismas desde el aire

Los investigadores se centraron en el Parque Nacional Narew, en el noreste de Polonia, uno de los complejos de humedales de llanura aluvial más grandes de Europa. Allí, un río ramificado de múltiples canales serpentea por un valle llano repleto de cañizales, marismas de juncos, praderas húmedas, turberas de tierras bajas, matorrales de sauce y bosques ribereños. Muchas zonas son difíciles o imposibles de alcanzar a pie, y al mismo tiempo la vegetación está cambiando a medida que la agricultura tradicional retrocede y bajan los niveles de agua. Para seguir estas transformaciones, el equipo combinó botánica de campo con teledetección embarcada en aeronaves sobre más de 300 kilómetros cuadrados.

Aviones, láseres y muchos colores de la luz

En el verano de 2020, los aviones recopilaron tres tipos de datos sobre el parque. Sensores hiperespectrales registraron cientos de bandas de color muy estrechas desde el visible hasta el infrarrojo de onda corta, captando diferencias sutiles en la química y la humedad de las hojas. Un escáner LiDAR emitió pulsos láser para medir la estructura tridimensional de la vegetación, como altura y complejidad del dosel. Una cámara RGBN de alta resolución capturó imágenes en rojo, verde, azul y cercano al infrarrojo con detalle de 10 centímetros, a partir de las cuales el equipo también calculó un índice de vegetación y medidas de textura a escala fina que describen cómo varían los tonos de los píxeles en pequeños vecindarios. En campo, los botánicos cartografiaron casi 2.000 parcelas de referencia, distinguiendo 30 clases detalladas de vegetación que van desde agua abierta hasta comunidades específicas de marismas y bosques.

Enseñar a un ordenador a reconocer patrones de plantas

Los científicos entrenaron entonces un modelo de aprendizaje automático (CatBoost) para predecir el tipo de vegetación por cada metro cuadrado, probando cuatro combinaciones de datos. El conjunto más rico en información combinó datos hiperespectrales con LiDAR; un segundo usó solo LiDAR; un tercero fusionó LiDAR con imágenes RGBN; y un cuarto añadió capas de textura a esa mezcla RGBN‑LiDAR. Reentrenando y validando repetidamente el modelo con distintos subconjuntos de las parcelas de campo, evaluaron con qué frecuencia identificaba correctamente cada clase. También compararon cuán similares eran los mapas resultantes entre sí y con un mapa de vegetación tradicional dibujado a mano del parque, usando inspección visual y un índice de solapamiento estándar.

Qué se gana y qué se pierde sin datos hiperespectrales

El conjunto combinado de hiperespectral más LiDAR fue claramente el que mejor rendimiento ofreció, clasificando correctamente alrededor del 82 por ciento de las ubicaciones en conjunto y proporcionando resultados sólidos para muchas comunidades individuales, especialmente bosques, cañizales de marisma y rodales de sauce. Usar solo LiDAR redujo la precisión a cerca del 63 por ciento, un nivel que los autores consideran demasiado bajo para decisiones de conservación. Reemplazar los datos hiperespectrales por imágenes RGBN mejoró sustancialmente respecto a usar solo LiDAR: la precisión subió a alrededor del 72–73 por ciento, y las capas de textura añadidas solo aportaron un pequeño impulso adicional. Para algunos tipos de vegetación —como plantas de agua abierta, ciertos juncales y turberas de tierras bajas— el enfoque RGBN más textura se acercó al rendimiento de los datos hiperespectrales. Para otros, en particular comunidades de hierbas altas y algunas marismas de juncos y tipos arbustivos, la pérdida de detalle hiperespectral provocó descensos marcados en la fiabilidad.

Ver más de lo que muestran solo los mapas de campo

Al comparar los nuevos mapas de teledetección con el mapa de vegetación tradicional empleado en el plan de gestión del parque, las diferencias fueron llamativas. Los datos aéreos revelaron muchos parches pequeños pero ecológicamente importantes —como praderas sobre diminutos montículos minerales y fragmentos de vegetación de turbera rara— que el mapa de campo había pasado por alto o generalizado en unidades amplias. La teledetección también captó mosaicos complejos donde distintas comunidades de marisma se entrelazan a lo largo de la llanura de inundación. Al mismo tiempo, algunos tipos de pastizal de grano fino identificados por los botánicos siguieron siendo difíciles de separar solo a partir de la imagen, lo que subraya el valor continuo del trabajo de campo experto.

Qué significa esto para la protección de los humedales

Para los gestores de humedales protegidos, el estudio ofrece un mensaje matizado. Si los presupuestos lo permiten, la combinación de datos hiperespectrales y LiDAR proporciona los mapas pared a pared más precisos y apoya mejor la gestión detallada del hábitat. Sin embargo, cuando esos vuelos avanzados resultan demasiado costosos, fusionar imágenes RGBN más asequibles con LiDAR sigue produciendo mapas útiles y razonablemente precisos para muchos tipos de vegetación, especialmente cuando se mejoran con información de textura. Sobre todo, el trabajo muestra que la teledetección aérea —tanto de primer nivel como más modesta— puede enriquecer y complementar en gran medida el mapeo tradicional de campo, revelando el fino mosaico de la vegetación de los humedales que sustenta la biodiversidad y guía decisiones de conservación más inteligentes.

Cita: Jarocińska, A., Kopeć, D., Niedzielko, J. et al. Value of hyperspectral data for wall to wall wetland vegetation mapping in heterogeneous landscapes. Sci Rep 16, 13947 (2026). https://doi.org/10.1038/s41598-026-44275-0

Palabras clave: mapeo de humedales, teledetección, imágenes hiperespectrales, LiDAR, clasificación de la vegetación