Seminario internacional · Monitoreo de bosques y cambio de uso
Monitoreo de bosques y cambio de uso con deep learning
Aprende a generar mapas de bosque, cultivo, áreas urbanas, agua y suelo con imágenes Sentinel-2 gratuitas a 10 m. Aplica un flujo híbrido de aprendizaje automático y deep learning, validado con datos reales del Alto Biavo, San Martín, Perú.
Preinscripción. No implica ningún compromiso de compra. Las personas preinscritas recibirán un descuento exclusivo del 30% en el lanzamiento del curso.
El problema
Una exactitud alta puede esconder un mapa poco confiable
Un flujo convencional de clasificación puede alcanzar 93% de exactitud global, pero un Kappa de 0.61 indica que buena parte del acierto puede deberse al azar o a clases dominantes.
Flujo convencional
Resultados reales en Google Earth Engine
Modelo híbrido de deep learning
Alto Biavo 2019 · Sentinel-2 10 m
Son evaluaciones distintas. El modelo híbrido fue evaluado mediante validación espacial por bloques con 6 517 píxeles y 4 clases evaluables.
Lo que ya existe
Productos gratuitos útiles, pero a ninguno le alcanza para todo
| Producto | Resolución | Qué entrega | Lo que le falta |
|---|---|---|---|
| Geobosques / MINAM | 30 m | Pérdida anual de bosque (oficial) | Llega con unos 2 años de retraso |
| MapBiomas Perú | 30 m | Uso y cobertura anual | Leyenda fija, sin clase de degradación |
| Hansen Global Forest Change | 30 m | Pérdida de cobertura arbórea | No distingue bosque de plantación; pierde claros menores a 2 ha |
| Alertas GLAD / RADD | 10–30 m | Alertas de perturbación | No son estimaciones de área |
| Dynamic World | 10 m | Cobertura casi en tiempo real | Exactitud de usuario en árboles: 0.73 |
| Tu propio mapa con deep learning | 10 m | Mapa anual de uso actual | Leyenda propia y validación local con intervalo |
Resultados Alto Biavo 2019
Flujo convencional frente al modelo híbrido de deep learning
Ambos enfoques fueron evaluados con los mismos píxeles de validación espacial, en bloques que el modelo no vio durante el entrenamiento. Los errores bajaron de 418 a 64.
| Métrica | Flujo convencional | Modelo híbrido de deep learning | Mejora |
|---|---|---|---|
| Exactitud global | 0.936 | 0.990 | +5.4 pts |
| Kappa | 0.885 | 0.982 | +9.7 pts |
| F1 macro | 0.802 | 0.986 | +18.4 pts |
| mIoU | 0.722 | 0.972 | +25.0 pts |
Errores del flujo convencional
Filas = referencia · columnas = clasificación del mapa
Mejoras del modelo híbrido
Filas = referencia · columnas = clasificación del mapa
F1 por clase
Ver datos
| Clase | Flujo convencional | Modelo híbrido |
|---|---|---|
| Cultivo / secundaria | 0.978 | 0.992 |
| Bosque primario | 0.905 | 0.973 |
| Ciudades | 0.406 | 0.981 |
| Cuerpos de agua | 0.919 | 0.996 |
Frente a la literatura
Resultados del modelo híbrido frente a estudios publicados
Comparamos el desempeño del enfoque aplicado en Alto Biavo con los mejores resultados reportados por estudios científicos de clasificación forestal y cambio de uso con imágenes satelitales.
Ver datos y fuentes
Multiclase
Cinco clases en un solo mapa. Los mejores estudios suelen resolver solo bosque / no bosque.
Bosque montano
En bosque montano tropical, algunos métodos clásicos han superado a redes neuronales. En Alto Biavo, el modelo híbrido mostró un desempeño superior al Random Forest usado como referencia en esta evaluación.
Datos gratuitos
Sentinel-2 y Google Earth Engine. El único estudio que iguala el F1 de bosque usó imágenes Planet de 4.77 m.
Área auditable
Área corregida por clase con intervalo de confianza, como piden REDD+, Verra y la EUDR.
La trampa de contar píxeles
97% de exactitud y aun así falta un tercio de la pérdida
Ejemplo real de Perú: el mapa de pérdida de bosque 2001–2011 del nivel de referencia de emisiones presentado ante la ONU.
Si sumas los píxeles del mapa, subestimas la deforestación
La buena práctica consiste en corregir el área con la matriz de confusión y reportarla con su intervalo de confianza. Es lo que aprenderás a entregar en el curso.
Por qué ahora
Es un campo nuevo, y tú podrías ser el pionero
Café y cacao para Europa
Desde el 30 de diciembre de 2026, la EUDR exige probar que el producto no proviene de deforestación posterior a 2020.
Proyectos REDD+ y carbono
Necesitan área e incertidumbre auditables para vender créditos, no simples conteos de píxeles.
Instituciones públicas
SERFOR, OSINFOR, MINAM y gobiernos regionales requieren monitoreo, fiscalización y reportes oficiales.
Investigación y tesis
El monitoreo de bosques con deep learning en el bosque montano de San Martín representa una oportunidad importante de investigación y publicación.
Lo que pidieron 26 profesionales
¿Cómo prefieres aprender?
Encuesta educativa Big Data Academy, agosto 2026 (26 respuestas).
Por eso el curso se construye sobre un caso real: Alto Biavo.
La transformación
Antes y después del curso
Antes
- ✕Mapas de 30 m que llegan con años de retraso
- ✕Una exactitud global que esconde errores
- ✕Áreas calculadas solo contando píxeles
- ✕Código de internet que no funciona con tus datos
Después
- ✓Tu propio mapa a 10 m del año que necesitas
- ✓Kappa y F1 por clase que puedes defender
- ✓Área corregida con intervalo de confianza
- ✓Un flujo reproducible con datos gratuitos
Preguntas frecuentes
Preguntas frecuentes sobre el curso
¿Qué aprenderé en el curso?
Aprenderás a generar mapas de bosque, cultivo, agua, suelo y áreas urbanas con imágenes Sentinel-2, aplicar aprendizaje automático y deep learning, validar resultados y estimar áreas con incertidumbre.
¿Necesito experiencia previa en programación?
No es indispensable. El curso está pensado para profesionales de nivel inicial e intermedio en IA, SIG, teledetección, forestal, ambiental y análisis geoespacial.
¿Qué implica la preinscripción?
Registra tu interés para recibir información prioritaria y acceder al descuento de lanzamiento. No genera compromiso de compra.
¿Qué beneficio tengo al preinscribirme?
Las personas preinscritas recibirán un descuento exclusivo del 30% en el lanzamiento oficial del curso, además de información prioritaria sobre fechas, temario y cupos.
¿Podré aplicarlo a mi propia zona de estudio?
Sí. El objetivo es que puedas adaptar el flujo a tu región, tus clases de interés y tus propios datos de validación.
¿El curso revela la metodología completa?
El curso enseña un flujo práctico y reproducible de monitoreo de bosques con aprendizaje automático y deep learning. Los detalles avanzados de la metodología propia se abordan de forma progresiva durante la formación.
Preinscripción · Cupos limitados por grupo
Reserva tu descuento del 30% para el lanzamiento
Déjanos tus datos para recibir la información del curso de monitoreo de bosques y cambio de uso con deep learning. La preinscripción solo registra tu interés y no genera compromiso de compra.
La preinscripción no constituye una compra ni genera obligación de pago. El descuento del 30% aplicará únicamente al momento del lanzamiento oficial del curso, según las condiciones que se comuniquen a las personas preinscritas.