Sobre Reforestum
icon-1
Noticias
Lea las últimas noticias y actualizaciones relacionadas con la misión de Reforestum y la transición a Net Zero
forest updates
Transparencia
Creando confianza y transparencia en el mercado del carbono forestal a través de la tecnología más avanzada
BlogCómo Reforestum supervisa proyectos forestales de conservación utilizando imágenes de satélite y machine learning

Cómo Reforestum supervisa proyectos forestales de conservación utilizando imágenes de satélite y machine learning

Los créditos de carbono generados por los proyectos de conservación suelen verificarse cada dos años, lo que provoca una falta de confianza. Reforestum emplea imágenes hiperespectrales tomadas por satélites, implementa modelos de aprendizaje automático (machine learning) y los incorpora a su plataforma para supervisar en tiempo casi real el contenido de las reservas de carbono y asegurarse de que los bosques siguen en pie.
Javier Sáez Gallego pictureJavier Sáez Gallego · Soluciones climáticas · Sep 2022

Conceptos básicos de los proyectos forestales de conservación y restauración

Antes de entrar en materia, conviene recordar qué es un proyecto de conservación y cómo funciona para entender mejor por qué es tan importante realizar un seguimiento en remoto:

  • Según la Unión Internacional para la Conservación de la Naturaleza, las Soluciones Basadas en la Naturaleza (NBS) son "acciones para proteger, gestionar de forma sostenible y restaurar los ecosistemas naturales y modificados de forma que se aborden los retos de la sociedad de forma eficaz y adaptativa, para proporcionar tanto bienestar humano como beneficios para la biodiversidad".
  • Una de las NBS son los proyectos forestales de conservación y restauración (en adelante, proyectos de conservación). Son proyectos a gran escala y a largo plazo cuyo objetivo es proteger los bosques y la biodiversidad evitando su deterioro a causa de la tala o la quema ilegal. Suelen ser proyectos de compensación y, como se explica en el artículo qué es una compensación de carbono, la evitación de las emisiones es la forma en que éstos créditos se producen.
  • Los créditos de carbono de los proyectos de conservación se emiten comparando el estado real del bosque protegido con un escenario de referencia sin intervención, que se refiere a la situación prevista del bosque en un momento dado si no se hubiera producido la protección del ecosistema.
  • La auditoría y el seguimiento mediante normas estrictas y fiables permiten la emisión de créditos de carbono de alta calidad. En este contexto, Verra es una organización sin ánimo de lucro que desarrolla normas metodológicas que tratan de garantizar la veracidad y la calidad de la evitación de carbono de los proyectos. En otras palabras: Verra define cuál es la "forma correcta" de gestionar y hacer el seguimiento de un proyecto que quiere vender créditos de carbono.
  • Para ello, un tercero audita periódicamente el proyecto de conservación, evaluando si se cumplen los requisitos sociales y medioambientales según la metodología utilizada. La empresa hace una visita al lugar, entrevista a las principales partes interesados y realiza un análisis de seguimiento a distancia para calcular la pérdida total de superficie forestal.
  • Si el proyecto se ejecuta con éxito, se emiten créditos de carbono (conocidos como Unidades de Carbono Verificadas o VCUs, según las metodologías de Verra) por la diferencia entre carbono almacenado en la realidad y en el escenario de referencia sin intervención.
Las compensaciones de carbono verificadas se calculan como la diferencia entre el secuestro de carbono auditado del proyecto y la predicción de la línea base de carbono estimada, siempre referida al pasado.

La necesidad de control frecuente y accesible

Dada la importancia de las auditorías en los proyectos de conservación, cabe preguntarse si necesitamos un seguimiento accesible y frecuente en este tipo de proyectos. La respuesta es sí. ¿Por qué?

  • En cuanto a la accesibilidad de la información, los esfuerzos oficiales de verificación y seguimiento se resumen en informes públicos de verificación, que suelen ser largos, técnicos y tediosos. La mayoría de la gente no está dispuesta a leer un informe bianual de 50 páginas, sino que prefiere saber que los bosques que apoya están vivos y sanos. Nos gusta ver con nuestros propios ojos y comprender los resultados de los esfuerzos de conservación.
  • La frecuencia de los controles también preocupa a los agentes de los mercados voluntarios de carbono, ya que sólo se realizan antes de emitir nuevos créditos (normalmente cada dos años). Si un usuario quiere apoyar el proyecto de conservación pero el último informe de seguimiento se realizó, por ejemplo, hace más de un año, existe el riesgo de que acabe por no completar la compensación por falta de confianza. Reducir el tiempo entre los eventos de seguimiento es uno de los principales pilares a resolver.

La buena noticia es que somos capaces de ofrecer una mejor experiencia al usuario proporcionando información de forma fácil, transparente y fiable, y de monitorizar los bosques con mayor frecuencia aprovechando la amplia flota de satélites y las tecnologías de big data.

En Reforestum, ofrecemos una experiencia de seguimiento fácil de usar, rigurosa y precisa, a la vez que concisa para llegar a la mayoría del público. Nuestro enfoque complementa la metodología de Verra con herramientas de seguimiento más frecuentes y transparentes. Creemos que esto se traducirá directamente en un aumento de la confianza en los proyectos de conservación, lo que llevará a una protección y restauración colaborativa de los ecosistemas forestales de la Tierra.

Imagen de Cordillera Azul, uno de los proyectos que Reforestum supervisa a través de la Inteligencia Artificial (IA).

Cómo monitorizar bosques enormes y de difícil acceso

La Agencia Espacial Europea (ESA) lanzó en 2016 dos satélites de la misión Sentinel2, que proporcionan imágenes multiespectrales con resolución aproximada de 10 metros a las que se puede acceder de forma gratuita, tomando imágenes desde arriba aproximadamente 2 veces por semana.

Utilizando esas imágenes podemos controlar visualmente el estado del bosque y comprobar si algunas partes del mismo han sido taladas. Si queremos ser minuciosos (y debemos serlo, ya que nuestro objetivo es garantizar la calidad de los proyectos de conservación), hay que revisar cada píxel de la imagen tomada por el satélite y evaluar si el bosque sigue en pie.

Hagamos un breve resumen: cada imagen del proyecto Cordillera Azul contiene aproximadamente 60 millones de píxeles. Si tuviéramos que revisar manualmente cada píxel, a una media de 1 segundo por píxel, ¡nos llevaría 2 años revisar cada imagen! Necesitaríamos un equipo de 833 personas que revisaran los píxeles durante 8 horas al día para supervisar las imágenes cada dos semanas para un solo proyecto como Cordillera Azul.

Como esto no es eficiente ni escalable, podemos abordar el reto utilizando los avances tecnológicos en los campos de la estadística: Aprendizaje Automático (ML) e Inteligencia Artificial (AI). En concreto, utilizamos técnicas avanzadas de visión por ordenador para crear modelos predictivos que puedan interpretar los píxeles de las imágenes y aplicarlos sin intervención humana a las nuevas imágenes adquiridas.

Cómo Reforestum evalua las reservas de carbono mediante aprendizaje automático

El proceso que implementa Reforestum para convertir las imágenes de satélite de muchos megapíxeles en cantidades de carbono almacenadas es el siguiente:

  • Identificar los tipos de terreno (clasificación). Por lo general, se pueden distinguir ocho tipos de terreno: árboles, arbustos y matorrales, praderas, terreno sin vegetación, zonas cultivadas, estructuras humanas, agua y otros.
  • Entrenar un modelo ML. Es el proceso de enseñar a un ordenador a clasificar cuál es el tipo de terreno de cada píxel para que la máquina pueda inferir lo que hay debajo de cada píxel automáticamente. Para entrenar un modelo, primero le proporcionamos un conjunto de datos de entrenamiento o conjunto de datos anotados. Basta con utilizar una docena de km2 para inferir lo que hay en el resto de la zona. Piensa en el modelo de ML como en una caja con un montón de ecuaciones matemáticas con parámetros desconocidos, y en el proceso de entrenamiento como en la enseñanza: proporcionamos iterativamente el modelo de la imagen de entrada y la solución de salida (datos anotados) hasta que los parámetros desconocidos se "aprenden". Tras el proceso de entrenamiento, el modelo puede convertir una imagen de entrada en una solución predicha por sí mismo.
Para entrenar un modelo de aprendizaje automático, primero le proporcionamos las entradas y la salida, hasta que el modelo sea capaz de inferir la solución por sí mismo, es decir, clasificar la cobertura del suelo de cada píxel.
  • Convertir la cobertura del suelo en reservas de carbono. Cada tipo de terreno tiene un equivalente de CO2 por superficie que se conoce gracias a las muestras in situ tomadas por el promotor del proyecto durante los procesos de auditoría. Esta información está disponible públicamente, véase, por ejemplo, la Tabla 3.17 de la descripción del proyecto Cordillera Azul. Cruzando el número de píxeles de cada tipo de terreno con el correspondiente equivalente de CO2 por píxel se obtiene el promedio de las existencias totales de CO2 en el bosque en un momento dado. En esta fase, con la ayuda de ordenadores y modelos matemáticos aplicados, podemos transformar una imagen de 60 millones de píxeles en cantidades concretas de CO2 en cuestión de minutos sin necesidad de supervisión humana.
  • Automatizar y desplegar el modelo en la nube. Ejecutamos automáticamente el modelo cada vez que hay nuevas imágenes de satélite disponibles, procesándolas y haciéndolas accesibles a nuestros usuarios a través del explorador de bosques de Reforestum. Reforestum es miembro de la comunidad Microsoft AI for Earth, y gracias al apoyo de Microsoft for Startups, nuestras operaciones técnicas están soportadas en la nube de Azure.

La tecnología al servicio de la confianza y la transparencia a través de la plataforma Reforestum

Reforestum proporciona acceso al seguimiento semanal de los proyectos de conservación a través de nuestro explorador de bosques en el mercado. Nuestro objetivo es hacer que las compensaciones sean fáciles de usar e intuitivas para todo el mundo, a la vez que somos rigurosos con el seguimiento de los proyectos. No pretendemos sustituir los mecanismos de verificación actuales, sino mejorarlos y hacerlos más tangibles. Consulta los cálculos de Cordillera Azul:

Instantánea de la plataforma Reforestum y el seguimiento en tiempo casi real de la Cordillera Azul.

A la derecha, el gráfico muestra el total de las reservas de carbono equivalente en CO2 del bosque dentro del proyecto (eje vertical) en un momento dado (eje horizontal). Creemos que esta métrica es lo suficientemente genérica como para ser aplicada a otros proyectos, y fácilmente comprensible para el público en general que accede al mercado de Reforestum.

El gráfico puede ayudar a evaluar los cambios en las reservas de carbono del proyecto de un vistazo. En el hipotético caso de que el bosque fuera severamente talado, veríamos una curva decreciente, ¡de ahí que debamos preocuparnos! Actualmente, la tendencia de la curva es bastante plana teniendo en cuenta la escala, lo que significa que la deforestación no es generalizada y podemos esperar que el proyecto esté debidamente protegido. El modelo de aprendizaje automático sufre un poco de ruido debido a la nubosidad y otros cambios atmosféricos, lo que explica en parte los "altibajos" de la curva.

La hoja de ruta hacia la máxima transparencia: el papel de la aplicación Dynamic World de Google

Reforestum comenzó desarrollando modelos de aprendizaje automático internos con código cerrado. Este enfoque ha demostrado ser útil para el seguimiento a gran escala, pero carece de reproducibilidad, un problema muy común en la ciencia. 

Creemos que el camino hacia un seguimiento forestal fiable y transparente pasa por abrir el código y dejar que cualquiera ejecute el análisis para comprobar nuestras afirmaciones sobre las reservas de carbono. Para estar a la altura de nuestros valores de transparencia, pronto integraremos nuestra plataforma con la aplicación de código abierto Dynamic World de Google. Además, hemos publicado nuestro código interno en GitHub para que cualquiera pueda realizar el mismo análisis.

Nuestras herramientas de monitorización están en constante evolución, mejorando el producto día a día. El primer paso ha sido desplegar nuestra solución de monitorización en el proyecto Cordillera Azul y en los próximos meses nos centraremos en:

  • Integrar completamente la plataforma de Reforestum con la aplicación Dynamic world de Google
  • Ampliar la monitorización a más proyectos
  • Replicar la metodología de Verra en intervalos más cortos, manteniendo los conceptos simples para poder difundir nuestro mensaje al público general.
  • Mejorar paulatinamente el repositorio de código abierto para que cualquiera pueda realizar su propia monitorización de bosques

Sigue nuestras redes sociales para estar al día. ¿Quieres saber más sobre nuestras herramientas de monitorización? ¿Eres una organización interesada en monitorizar tus proyectos, o contribuir a mejorarlos?

¡Ponte en contacto con nosotr@s!

none
Javier Sáez Gallego
Ingeniero de IA y cofundador
Científico de datos, apasionado de la naturaleza y por crear productos de software que permitan a las organizaciones transformar los datos en decisiones óptimas. MC & Ph.D. por la Universidad Técnica de Dinamarca. Experiencia con visión artificial geo-espacial, redes inteligentes, sistemas eólicos y optimización.

Podemos ayudarte a conseguir tus objetivos medioambientales.

¡Contáctanos!