En los últimos años, las masas de pino resinero (Pinus pinaster) en Castilla y León han mostrado signos de decaimiento y mortalidad. Esta pérdida de vitalidad responde a varios factores: el estrés hídrico, las sequías acumuladas, la incidencia de patógenos o plagas forestales y el aprovechamiento resinero histórico. Identificar estos procesos a tiempo, antes de que el daño sea irreversible o visible a simple vista, es uno de los mayores retos para la gestión forestal.
Para dar respuesta a esta necesidad, desde AGRESTA hemos desarrollado el proyecto DECAPIN-IA CYL («Sistema de Inteligencia Artificial para la detección del decaimiento de Pinus pinaster en Castilla y León«), financiado por la Unión Europea, NextGenerationEU/PRTR a través del programa RETECHFOR y cofinanciado por la Junta de Castilla y León.
La Innovación: Detectar cambios sutiles con Deep Learning
A diferencia de otros algoritmos de uso habitual en teledetección para detectar cambios abruptos (como incendios o cortas a hecho), DECAPIN-IA CYL se centra en aislar procesos de decaimiento lento y progresivo.
El corazón técnico del sistema combina:
- Series temporales de Sentinel-2: Procesamiento de bandas espectrales e índices de vegetación a resolución de 20 metros.
- Modelo híbrido de Deep Learning (LSTM Autoencoder): Una red neuronal recurrente entrenada exclusivamente con parcelas sanas de Pinus pinaster para aprender la respuesta «normal» de la masa.
- Aislamiento de anomalías sutiles: Mediante técnicas de comparación local y distancia estadística de Mahalanobis, el algoritmo identifica anomalías cuando el comportamiento se desvía del estándar sano.
- Filtro jerárquico (Hard Anomaly): Discrimina y descarta automáticamente los cambios drásticos (cortas o incendios) para garantizar que las alertas activas correspondan únicamente a problemas sanitarios o de estrés hídrico.
El sistema ha alcanzado una exactitud global de entre el 68% y el 81%. Sin embargo, alcanzar este resultado ha supuesto un importante reto metodológico. Detectar decaimiento incipiente es mucho más complejo que identificar cambios abruptos, y es fácil obtener falsas alertas por respuestas del suelo o tratamientos silvícolas de baja intensidad. A ello se suma la dificultad de validar con datos de campo, condicionada, en algunos caso por el salto de escala (del árbol al píxel) y por la diferencia de tiempos entre el inicio real del decaimiento, cuando el daño se hace visible en el monte y el momento en que se realiza la inspección.
Ámbito de trabajo y la plataforma web (IDE)
El proyecto se ha desarrollado y probado en zonas piloto de las comarcas de Cuéllar y Coca en Segovia, y Bayubas de Abajo y Almazán en Soria.
Para transferir todos estos resultados a los gestores forestales y la administración, hemos desplegado una Infraestructura de Datos Espaciales (IDE) accesible en retechfor.agrestaweb.org. En ella se ofrecen dos tipos de productos cartográficos:
- Módulo de Respuesta Rápida: Alertas binarias y mapas de persistencia acumulada (ventana de 8 semanas) para confirmar focos activos y planificar inspecciones de campo.
- Módulo de Balance Anual: Capas de persistencia máxima anual y cronología de inicio del daño para la planificación estratégica a largo plazo.
🔗 ¿Quieres conocer más detalles sobre esta herramienta? Te invitamos a visitar la información del proyecto en la web oficial: https://retechfor.es/decapinia