Imagen elaborada por el autor.

Mapas de Riesgo de Deforestación en Proyectos REDD+ (VM0048) para Perú: Desafíos y Lecciones (Parte I)

Entre la promesa de la IA y la realidad de la Amazonía, los nuevos mapas de riesgo de deforestación generan más incertidumbres que certezas.

🌐 Disponible también en : EN — English ➡️ | FR — Français➡️

El mapa de riesgo provisional de Verra para Perú (VM0048/ VMD0055/ VT0007), que busca estandarizar las líneas base de deforestación, ha sido objeto de diversas observaciones técnicas. Lejos de brindar certezas, podría introducir nuevas incertidumbres debido a limitaciones metodológicas y técnicas.

Dado que hablar de mapas de riesgo inevitablemente nos lleva al mundo del análisis de datos espaciales, hemos decidido dividir esta publicación en varias partes. En esta primera entrega, comenzaremos aclarando algunos conceptos clave que son esenciales para comprender las principales observaciones. Y trataremos de hacerlo de la forma más clara y accesible posible.

El nuevo paradigma de REDD+ y el rol de la IA en su evolución

A fines de 2024, Verra publicó la primera versión del módulo VMD0055 — Estimación de Reducciones de Emisiones por Evitar la Deforestación No Planificada, como parte de la metodología VM0048. Este marco propuso mejoras sustanciales para la implementación de proyectos REDD+ más robustos.

Uno de sus elementos clave fue la asignación de la deforestación futura (linea base o baseline) mediante mapas de riesgo. Aunque no es una idea completamente nueva, el principal cambio es que ahora estos mapas serían desarrollados por terceros independientes (Proveedores de Datos o Data Providers) bajo los lineamientos del documento VT0007 v1.0, reduciendo así el rol discrecional que antes tenían los desarrolladores de proyectos para definir líneas base.

En esta serie analizaremos los aspectos más críticos del mapa de riesgo provisional para Perú, explicaremos por qué son importantes y discutiremos sus implicancias para el futuro de REDD+, tanto a nivel nacional como global.

Imagen generada por el autor con IA (Canva).

La tecnología como punto de inflexión de REDD+

Hablar de mapas de riesgo es hablar de tecnología: inteligencia artificial (IA), computación en la nube y datos geoespaciales. El llamado “nuevo paradigma” de REDD+ también puede entenderse como una transición tecnológica.

Esta transición puede describirse así:

REDD+ v1.x (hasta 2022): Desde sus orígenes hasta el auge de metodologías como VM0007 y VM0015, esta etapa estuvo centrada en proyectos individuales, gestionados como “islas” con un alto grado de discrecionalidad para definir líneas base. Tecnologías como el machine learning (ML) ya estaban en uso, pero el acceso a datos espaciales y poder de procesamiento era limitado — especialmente en los primeros años. En los últimos tiempos, sin embargo, el acceso a herramientas avanzadas y plataformas geoespaciales en la nube ha crecido rápidamente, reduciendo barreras y permitiendo aplicaciones más amplias. Plataformas como Global Forest Watch (GFW) son parte de este cambio. La crisis de confianza que vivió REDD+ hacia fines de 2022 — en parte detonada por investigaciones publicadas entre 2021 y 2023 por The Guardian — se convirtió en la semilla de un nuevo paradigma.

REDD+ v2.x (desde 2023): Con la adopción de VM0048, REDD+ entró en una nueva etapa. Se limitó la discrecionalidad de los desarrolladores de proyectos y se adoptó un enfoque jurisdiccional. Ahora, los proyectos son evaluados dentro de un marco común, con líneas base derivadas de mapas de riesgo de deforestación producidos por terceros. Solo los proyectos ubicados en zonas de alto riesgo podrán generar un volumen significativo de créditos — muchos de los existentes o planificados no cumplirán este criterio.

¿Solución definitiva o nuevo riesgo?

Imagen generada por el autor con IA (Canva).

Términos como machine learning ya son parte de nuestro lenguaje cotidiano, y no sorprende que los nuevos mapas de riesgo estén construidos con esta tecnología. Pero, ¿qué entendemos realmente cuando hablamos de IA? ¿Es la cúspide, la quinta esencia del análisis y la innovación, o simplemente otra herramienta que debemos aprender a manejar con cuidado?

En esencia, la IA se refiere a la capacidad de las máquinas para imitar los procesos de razonamiento, aprendizaje y toma de decisiones. En la práctica, ya estamos rodeados de IA: desde los cajeros automáticos que deciden si dispensan efectivo hasta los vehículos autónomos que deciden si girar a la derecha o a la izquierda.

La IA moderna se basa en tres elementos clave:

1. Algoritmos de aprendizaje (machine learning, deep learning)
2. Computación en la nube (para procesar grandes volúmenes de datos)
3. Big data (datos demasiado grandes para métodos tradicionales)

En el centro de todo están los datos: su calidad, disponibilidad y validez determinan la utilidad y confiabilidad de los resultados.

Como suele decirse: Garbage in, garbage out (Basura entra, basura sale )— los algoritmos son tan buenos como los datos que reciben.

Gracias a esta convergencia, la IA ha transformado no solo cómo procesamos la información, sino también cómo interactuamos con el conocimiento y el mundo. Sin embargo, el entusiasmo en torno a la IA a veces nos hace olvidar sus verdaderas limitaciones.

Cuando los buenos datos y la validación marcan la diferencia

La IA puede facilitar verificaciones rápidas y remotas — por ejemplo, si un proyecto realmente reforestó 1,000 hectáreas. Pero la validación rigurosa suele ser ignorada en la carrera por publicar resultados impresionantes. Un modelo puede tener 99.99% de precisión en un laboratorio y aun así fallar estrepitosamente en condiciones reales.

Este reto aplica directamente al análisis de cobertura y uso del suelo (LULC) y a la construcción de modelos como los mapas de riesgo.

En primer lugar, estos modelos deben entrenarse con datos relevantes y de alta calidad. Los algoritmos modernos pueden permitirnos alimentarlos prácticamente con cualquier conjunto de datos (datasets), pero eso no significa que debamos hacerlo. Los datos de entrada (input) deben validarse y corresponder al período específico que se analiza. Por ejemplo, si se modela un período y se valida con otro, no tiene sentido entrenar el modelo con datos del segundo período (validación); es como predecir la lluvia con datos recolectados después de la tormenta: pierde todo sentido.

En segundo lugar, más allá de los datos de calidad, es esencial una validación independiente con datos de campo o fuentes de referencia de mayor precisión. La validación implica comparar las predicciones del modelo con la realidad sobre el terreno, no solo reutilizar los mismos datos iniciales (evitar el sesgo en nuestro análisis). Esta es una de las razones por las que muchos modelos globales de deforestación fallan al aplicarse en contextos locales.

Creer que la IA es infalible es un error. Herramientas como ChatGPT pueden generar alucinaciones, generando respuestas con datos inventados. Pero los humanos tampoco estamos exentos. En el análisis espacial, es común el mal uso de las escalas cartográficas o la combinación de datos sin considerar la resolución temporal o espacial (combinar mapas de diferentes periodos y de diferentes escalas). La tecnología no elimina los errores; simplemente los transforma.

Este problema se agrava cuando quienes toman decisiones se basan en información mal interpretada o fuera de contexto. El caso de la regulación europea EUDR (European Union Deforestation Regulation) es un ejemplo clave. Esta norma enfrentará serios desafíos en países como Perú, donde la tierra está gestionada por agricultores locales en parcelas pequeñas, muchas veces bajo sistemas tradicionales como la agricultura migratoria.

Esto se ilustra bien en la figura siguiente, donde se observa cómo el mapa global de cobertura forestal del JRC (v2) apenas detectó algunas parcelas agrícolas, a pesar de la evidente actividad agrícola. Detectar estos patrones con imágenes satelitales de alta resolución ya es complejo — ni hablar de hacerlo con datos más gruesos como Landsat (30m) o Sentinel-2 (10m).

Imagenes preparadas por el autos utilizando el conjunto de datos de Google Earth y provenientes del estudio de Mapa de Cobertura Forestal al 2020 (JRC Global Map V2).

El desafío radica no solo en el detalle espacial requerido, sino también en la dinámica temporal y las limitaciones locales, como la persistente nubosidad en las regiones forestales montañosas (por ejemplo, la selva alta accesible y poco accesible).

El riesgo es que un mapa producido a miles de kilómetros clasifique una parcela en barbecho como “bosque” en el 2020 — haciéndola intocable o sujeta a sanciones según la EUDR. Pero en realidad, esa tierra pudo haber sido cultivada antes y ahora se encuentra en periodo de descanso (barbecho o “purma”, como se conoce localmente). Este tipo de desajuste conceptual refleja la tensión entre la regulación global y la realidad agrícola local.

El caso EUDR amerita su propio artículo — o incluso una serie — más adelante.

Hacia mejores herramientas

Diseñar políticas sin considerar su factibilidad técnica es un error que no debemos repetir — lo mismo aplica para el uso de herramientas globales o análisis impulsados por IA, especialmente si no están validados adecuadamente.

La heterogeneidad de la Amazonía no es evidente para quienes no la han caminado o estudiado durante años. Esto lleva a creer — erróneamente — que unas pocas muestras pueden representar su vasta complejidad, o peor aún, que es posible monitorear el riesgo de deforestación con soluciones automáticas de “un solo clic” (“one-click” solutions).

En los últimos años, han surgido startups que ofrecen herramientas simplificadas para monitorear la deforestación de forma remota usando IA. Pero la experiencia — y la evidencia presentada en este artículo — demuestra que sin datos de campo ni conocimiento local, estos enfoques no solo son insuficientes, sino potencialmente engañosos. Estas herramientas pueden generar paneles decorados o dashboards refinados y predicciones atractivas, pero sin una validación sólida, corren el riesgo de alimentar una narrativa inflada, que podría desmoronarse bajo el peso de expectativas incumplidas.

Imagen preparada por el autor.

Las herramientas globales e impulsadas por IA ofrecen información valiosa — pero, ¿estamos confiando demasiada en ellas? Cuando estas ignoran la heterogeneidad local, construimos decisiones sobre bases frágiles. El reto no está en rechazarlas, sino en reconocer sus limitaciones y trabajar para mejorarlas.

En la siguiente parte de esta serie, continuaremos examinando los principales problemas del mapa de riesgo provisional de Perú y explicaremos por qué, en su forma actual, esta herramienta puede no cumplir su propósito. También exploraremos qué mejoras se necesitan para que sea más efectiva y relevante en los contextos locales.

Referencias y lecturas recomendadas

• Bourgoin, Clement; Verhegghen, Astrid; Degreve, Lucas; Ameztoy, Iban; Carboni, Silvia; Colditz, Rene; Achard, Frederic (2024): Global map of forest cover 2020 — version 2. European Commission, Joint Research Centre (JRC) [Dataset] PID: http://data.europa.eu/89h/e554d6fb-6340-45d5-9309-332337e5bc26
• Google Earth Engine. Dataset Catalog JRC_GFC2020_V2. https://developers.google.com/earth-engine/datasets/catalog/JRC_GFC2020_V2
• Global Forest Watch. Near Real-Time Deforestation Monitoring. https://www.globalforestwatch.org
• **Greenfield, P. (2021, May 4). **Carbon offsets used by major airlines based on flawed system, warn experts. The Guardian. Retrieved September 25, 2025, from https://www.theguardian.com/environment/2021/may/04/carbon-offsets-used-by-major-airlines-based-on-flawed-system-warn-experts
• Greenfield, P. (2023, January 18). Revealed: more than 90% of rainforest carbon offsets by biggest certifier are worthless, analysis shows. The Guardian. Retrieved September 25, 2025, from https://www.theguardian.com/environment/2023/jan/18/revealed-forest-carbon-offsets-biggest-provider-worthless-verra-aoe
• **Verra. (n.d.). **Allocated deforestation risk maps: Timetable. Retrieved September 25, 2025, from https://verra.org/methodologies-main/allocated-deforestation-risk-maps-timetable/
• Verra (2023). VM0048: Reducing Emissions from Deforestation and Forest Degradation, Version 1.0. https://verra.org/wp-content/uploads/2023/11/VM0048-Reducing-Emissions-from-Deforestation-and-Forest-Degradation-v1.0-1-1.pdf
• Verra (2024). VMD0055: Estimation of Emission Reductions from Avoiding Unplanned Deforestation, Version 1.1. https://verra.org/wp-content/uploads/2024/10/VMD0055-Estimation-of-Emission-Reductions-from-Avoiding-Unplanned-Deforestation-v1.1-CLEAN-2024.10.21.24.pdf
• Verra (2023). VT0007: Unplanned Deforestation Allocation, Version 1.0. https://verra.org/wp-content/uploads/2024/02/VT0007-Unplanned-Deforestation-Allocation-v1.0.pdf