Zonas críticas de deforestación en Antioquia se pueden anticipar con inteligencia artificial

Según Luisa Fernanda Gómez Ossa, doctora en Ingeniería – Sistemas e Informática de la Universidad Nacional de Colombia (UNAL) Sede Medellín, la idea surgió de su preocupación por el silencioso avance de la deforestación en zonas andinas, que suelen quedar por fuera del radar nacional.

“En los Andes también hay una presión altísima sobre los bosques, pero no siempre se monitorea ni se actúa a tiempo”, señala. Al no contar con sistemas de alerta temprana específicos para estos territorios, su objetivo fue crear una herramienta que pudiera identificar riesgos antes de que el daño ocurriera.

En Colombia, la Amazonia suele ser el foco de atención cuando se habla de deforestación. Y no es para menos: históricamente departamentos como Meta, Caquetá, Guaviare y Putumayo han concentrado cerca del 65 % de la pérdida total de bosque en el país. Sin embargo, datos citados por la doctora Gómez muestran que entre 1990 y 2015 Antioquia pasó de tener 2,7 millones de hectáreas de bosque a poco más de 2,2 millones. El impacto fue más grave en el bosque andino, que perdió más del 56 % de su cobertura en apenas 25 años.

Dicho ecosistema, ubicado por encima de los 1.000 msnm, está presente en municipios como Andes, Jardín, Urrao y Betania (suroeste), Sonsón, San Rafael, Amalfi y San Roque (oriente y norte), así como en el Nordeste y el Bajo Cauca, en transición con el bosque húmedo tropical. También en el Valle de Aburrá, en zonas de ladera y reservas como el Alto de San Miguel.

El bosque andino cumple funciones esenciales: regula el agua (la capta, almacena y libera, alimentando ríos y acueductos que abastecen a millones de personas), captura carbono, protege contra la erosión y los deslizamientos, y sostiene una biodiversidad única, con especies endémicas y amenazadas. Además, facilita la polinización y dispersión de semillas, procesos decisivos para los cultivos y la regeneración natural.

La expansión agrícola, la minería —Antioquia es el principal productor de oro del país—, la construcción de nuevas vías y el cambio de uso del suelo ejercen una presión creciente sobre estos ecosistemas. A pesar de su importancia para la regulación hídrica y climática, muchas de estas zonas siguen sin herramientas efectivas de monitoreo y prevención.

Ante este panorama, la investigadora desarrolló un modelo de inteligencia artificial (IA) que permite identificar dónde es más probable que ocurra deforestación en el corto plazo, con base en patrones ya observados. Se trata de un enfoque novedoso para Colombia, que incorpora aprendizaje profundo (deep learning) y análisis espacial de imágenes satelitales de alta resolución.

Según explica la autora, “lo más valioso de este modelo es que permite identificar zonas vulnerables antes de que se intervengan, lo que les facilita a las autoridades y comunidades actuar de forma preventiva”.

Tecnología para anticipar la pérdida del bosque

La investigadora realizó el entrenamiento de más de 220 modelos y trabajó con imágenes del programa internacional NICFI (Norway’s International Climate & Forests Initiative), que entrega datos satelitales gratuitos a una resolución de 4,7 m. La calidad de esta imagen permitió mapear con gran detalle la cobertura del suelo en áreas montañosas del departamento.

La metodología se desarrolló en tres fases articuladas. En la primera, se entrenó un modelo de segmentación de coberturas del suelo con la arquitectura U-Net, capaz de clasificar cada píxel de la imagen satelital como bosque, pasto, agricultura, agua y zona construida, entre otras categorías. Con base en esos resultados y una revisión sistemática de la literatura, se eligieron y construyeron 10 variables explicativas del fenómeno de deforestación, entre ellas la cercanía a vías, la pendiente del terreno y los cambios previos en el uso del suelo.

Después se entrenó un modelo predictivo con la arquitectura U-Net con atención, una variante más precisa para detectar patrones espaciales complejos y no lineales.

Entre las variables que más aportaron al modelo estuvieron la cercanía a pastos, zonas previamente deforestadas y la distancia a vías. “Una zona que está cerca de sitios en esta condición tiene más probabilidades de estar afectada”, explica la investigadora.

Gracias a este enfoque fue posible predecir las áreas con mayor probabilidad de pérdida forestal para los periodos 2018-2019 (1 año) y 2018-2020 (2 años), validando los resultados con el conjunto de datos de prueba. Las zonas más críticas se ubicaron en el Suroeste y Bajo Cauca antioqueño, en municipios como Urrao, Betania, Andes, El Bagre y Caucasia, donde confluyen la presión por minería, las vías terciarias y la expansión agropecuaria.

El modelo logró un nivel de precisión aceptable (F1 score de 0,71) y demostró que sí es posible anticipar el avance de la deforestación en territorios complejos como los Andes tropicales, lo que no se había hecho a esta escala en el país.

La experta anota que “la deforestación no responde a una sola causa, sino a una combinación de factores sinérgicos, una dinámica que solo puede capturar una herramienta capaz de leer interacciones no lineales como la IA”.

Señala además que integrar U-Net con mecanismos de atención permitió mejorar los valores en las métricas de desempeño. “Una deforestación en la Amazonia puede ser más evidente, pero en zonas montañosas los cambios son más graduales y sutiles, y ahí es donde esta arquitectura puede hacer la diferencia”.

Este trabajo también dejó como resultado un conjunto de datos etiquetados, especialmente diseñado para zonas tropicales montañosas, lo cual abre la posibilidad de replicar o adaptar este enfoque en otras regiones del país como el sur del Tolima, el Piedemonte llanero o la Sierra Nevada.

Aunque las entidades oficiales todavía no han implementado la herramienta, su potencial es claro: alertas tempranas, monitoreo continuo y planificación ambiental basada en datos robustos. Para la doctora Gómez, en contextos donde los recursos institucionales son limitados, estos modelos pueden ayudar a priorizar zonas críticas y orientar mejor las decisiones de control, restauración o prevención. “No se trata solo de saber dónde ya se perdió bosque, sino de actuar justo antes de que ocurra”, afirma.