La IA como recurso para reducir la desertificación

El problema de la desertificación

La desertificación amenaza los medios de vida de muchas comunidades, especialmente de las personas con menos recursos en zonas vulnerables. Una síntesis de la UNCCD publicada en 2021 situaba en más de 1.000 millones las personas cuyos medios de vida estaban amenazados por este proceso.

Fuente: UNCCD, tierra y salud humana, 2021.

Nota editorial del 25 de octubre de 2026: se ha corregido la cifra de población de la versión original y se ha añadido la fuente. El artículo conserva su contexto de publicación de 2022.

La desertificación es la degradación de la tierra en zonas áridas, semiáridas y subhúmedas secas. Puede deberse a variaciones climáticas y a actividades humanas, como la deforestación o la sobreexplotación de recursos. Reduce la productividad de la tierra; prevenirla, reducirla y restaurar las zonas afectadas requiere medidas adaptadas a cada contexto.

Hay territorios en riesgo en África, Estados Unidos, América del Sur, Australia y España, entre otros. Abordar el problema exige considerar las condiciones ambientales y las decisiones políticas, económicas y sociales de cada zona.

La IA y la desertificación

Para estudiar las zonas en riesgo de desertificación se utilizan distintas técnicas de IA que ayudan a analizar los datos. Entre los métodos de aprendizaje automático figuran k vecinos más cercanos (k-NN), bosques aleatorios (RF) o Support vector machine (SVM). También se emplean modelos de redes neuronales, como el Perceptrón multicapa (MLP) o las Redes Neuronales Convolucionales (CNN).

Dejando de lado las metodologías utilizadas para el análisis de datos, debemos considerar también de dos tipos de variables para analizar cada una de las distintas situaciones. Así pues, por un lado encontramos las variables biofísicas y por el otro, las socioeconómicas.

VARIABLES BIOFÍSICAS

–Índice de aridez

Se calcula como la relación entre la precipitación anual y la evapotranspiración potencial anual. En el contexto de las zonas secas, el intervalo de 0,05 a 0,65 corresponde a distintas clases de aridez; no es el rango de todos los valores posibles del índice. Modelos como Random Forest y XGBoost, así como las redes neuronales, pueden ayudar a estimar precipitación y evapotranspiración. Su rendimiento debe evaluarse en cada región.

Estrés hídrico de la vegetación y estado reservas de agua subterránea:

Las redes neuronales convolucionales se han utilizado para completar datos de anomalías en la estimación de almacenamiento de agua terrestre. Por otro lado, el uso del aprendizaje profundo con imágenes térmicas infrarrojas se ha identificado también como una técnica muy útil para la evaluación del estrés hídrico de los cultivos y de la vegetación natural.

–Identificación precisa de pastizales y de carbono orgánico en el suelo:

A través de la combinación del aprendizaje automático y el profundo conseguimos detectar la vegetación y el tipo de suelo a partir de los resultados precisos generados a partir de los algoritmos.

–Imágenes de satélite:

El análisis de imágenes de satélite permite detectar cambios en la cubierta vegetal y elaborar mapas de deforestación. Los modelos de aprendizaje automático, incluido el aprendizaje profundo, también pueden explorar dónde podría aumentar el riesgo, como apoyo a la gestión territorial.

VARIABLES SOCIO-ECONÓMICAS

–Densidad de población:

La inteligencia artificial nos puede ayudar a cuantificar las redes comerciales productor-consumidor a nivel global y consecuentemente conocer el impacto de la ciudad en el campo. Además, imágenes de drones, aviones o satélites nos permiten elaborar mapas urbanos precisos que nos ayudan a predecir la expansión del territorio urbano.

–Asociación entre renta media y desertificación:

Las imágenes de satélite y el aprendizaje profundo pueden ayudar a estimar indicadores económicos. Son aproximaciones que deben contrastarse con datos de la población y con el contexto local.

–La agricultura a gran escala, de regadío y el sobrepastoreo:

La inteligencia artificial está ampliamente aplicada en distintos estudios de la agricultura a fin de poder conseguir una gestión sostenible de los recursos para combatir la desertificación.

En esta figura podemos observar: A) Mapa conceptual en relación con “inteligencia artificial” + “desertificación” en el que se pueden ver los vínculos entre los términos que actualmente reciben más atención (hasta 2020) en las publicaciones científicas identificadas. B) Conexiones con “landdegradation”. C) Conexiones con los métodos basados en inteligencia artificial, donde se puede observar “neural networks” como término con gran importancia .

En resumen, la inteligencia artificial aplicada en el campo de la desertificación, nos permite dar respuesta a dónde y cuándo podría ocurrir esta. No obstante, cabe remarcar que el estudio es complejo por la cantidad de factores a tener en cuenta. Debemos trabajar de manera síncrona con las distintas escalas espaciales y temporales siendo conscientes de las dificultades que esto supone y teniendo en cuenta además las variables biofísicas y socioeconómicas para tratar la desertificación y abordar el problema que esta ocasiona. Una vez conocido el impacto que tienen estos condicionantes, podremos incidir en las soluciones más adecuadas en cada una de las áreas.

Bibliografía:

1.-Guirado, E., Martínez-Valderrama, J. 2021. Potencial de la inteligencia artificial para avanzar en el estudio de la desertificación. Ecosistemas 30(3): 2250. https://doi.org/10.7818/ECOS.2250

Autoría

Eva Arnall

Saturdays.AI

Saturdays.AI es una comunidad abierta donde aprendemos inteligencia artificial, colaboramos y creamos proyectos con impacto social.