El Instituto de Promoción de la Carne Vacuna Argentina (IPCVA) está enfocado en la evaluación de riesgo de deforestación a nivel país, y según el Jefe del Departamento de Promoción Interna, Adrián Bifaretti, se toma precisamente como referencia el artículo 29 del Reglamento Europeo sobre cadenas de suministro libres de deforestación.

El Instituto se encuentra actualmente financiando el proyecto “Benchmarking de riesgo de la ganadería argentina para la regulación de deforestación de la Unión Europea”, cuyo desarrollo está a cargo de la Red de Seguridad Alimentaria del Conicet.

“La evaluación de riesgo se está realizando a partir de modelos de cambios de uso del suelo que, tomando en cuenta los datos del pasado, pueden estimar la probabilidad de ocurrencia de nuevos cambios. Como resultado de esta investigación en marcha se dispondrá de una clasificación de riesgo propia basada en un análisis objetivo y transparente, teniendo en cuenta la última evidencia científica y fuentes reconocidas a nivel internacional”, expresó el profesional.

“Contar con un estudio realizado en Argentina con información local y la expertise de investigadores del INTA, CONICET e INTI, permitirá definir con mayor precisión el o los niveles de riesgo nacionales. Este trabajo será el punto de partida para iniciar un diálogo con la Comisión Europea y poder dar cumplimiento a la futura diligencia debida necesaria para exportar productos cárnicos argentinos al mercado europeo”, resumió.

Cómo trabaja la teledetección

A continuación, el desarrollo realizado por Bifaretti, en el que detalla los alcances, mecanismos y alcances de este tipo de tecnología aplicada.

La utilización de tecnologías avanzadas de teledetección con métodos de clasificación mejorados, permiten una comprensión más completa de la cobertura y la estructura de nuestros ecosistemas naturales y sistemas agropecuarios.

Dado que los sensores montados en satélites registran la radiación reflejada por la superficie de la tierra en diferentes intervalos de longitudes de onda de manera repetida en el tiempo, es factible entrenar algoritmos de clasificación a partir de los atributos espectro-temporales de píxeles donde se define la presencia de bosques (y de otros píxeles que pertenecen a otras clases como cultivos de soja, pasturas o suelos sin vegetación) para asignar categorías (etiquetar) a píxeles que a priori no se sabe a qué clase pertenecen.

En este marco metodológico, vale la pena resaltar que el IPCVA se encuentra financiando el proyecto “Benchmarking de riesgo de la ganadería argentina para la regulación de deforestación de la Unión Europea” y que viene siendo desarrollado por la Red de Seguridad Alimentaria del Conicet.

La investigación utiliza plataformas satelitales activas y pasivas de EEUU y de la Unión Europea (GEDI, Landsat y Sentinel) junto con técnicas de aprendizaje profundo y recientes avances de la misión EnMap de la Agencia Espacial Alemana para cartografiar la extensión, altura y cobertura de árboles de los bosques nativos de Argentina. Con esta información se desarrollan mapas de bosques aplicando técnicas de aprendizaje automático y aprendizaje estadístico.

Estas herramientas son las que permiten extrapolar el conocimiento aprendido a partir de un conjunto reducido de píxeles en las imágenes satelitales a toda la región bajo estudio. Además, se combinan diferentes procesos de mejora de los datos satelitales para incrementar la confiabilidad y su potencial predictivo.

La investigación se basa en los siguientes enfoques principales: a) La clasificación supervisada bosque/no bosque, b) La estimación de la cobertura de árboles y c) cuantificación de la altura de la vegetación.

– Clasificación Supervisada Bosque/No Bosque: Se utiliza el algoritmo Random Forest para asignar cada pixel a la categoría «bosque» o «no bosque». Hasta el momento se han empleado 82.458 muestras de entrenamiento provenientes de diferentes clases (por ejemplo, leñosas cerradas, cultivos, pastizales) obtenidas de proyectos de mapeo, lo que ha servido de base para mejorar la precisión de los resultados y la calibración del algoritmo.

– Estimación de la Cobertura de Árboles: se utilizaron técnicas de Machine Learning y una biblioteca espectral para cuantificar la abundancia de árboles, arbustos, herbáceas, suelo desnudo y agua en cada pixel. Se empleó el modelo Random Forest con 39.330 muestras sintéticas generadas a partir de mezclas de clases puras. Se estandarizaron las fracciones para que sumaran 1 y se implementó una regla de decisión para corregir estimaciones en áreas sombreadas.

– Cuantificación de la Altura de la Vegetación: la estimación de la altura de la vegetación se basó en datos LiDAR de la misión GEDI. Se entrenó un modelo de regresión de Random Forest utilizando muestras con información similar a la clasificación supervisada.

Fuente:Agro Verdad