Selvicultura de precisión en plantaciones de Pinus radiata l: Basada en inteligencia artificial y teledetección

• Autores: Miguel A. Lara Gómez
• Directores de la Tesis: Guillermo Palacios Rodríguez (dir. tes.), Rafael M. Navarro Cerrillo (dir. tes.)
• Lectura: En la Universidad de Córdoba (ESP) ( España ) en 2023
• Idioma: español
• Tribunal Calificador de la Tesis: José Emilio Guerrero Ginel (presid.), Marta Conde García (secret.), Rómulo Santelices Moya (voc.)
• Programa de doctorado: Programa de Doctorado en Biociencias y Ciencias Agroalimentarias por la Universidad de Córdoba
• Calificación: Sobresaliente Cum Laude
• Materias:
  • Ciencias agrarias
    • Ciencia forestal
      • Ordenación de montes
      • Silvicultura
• Enlaces
  • Tesis en acceso abierto en: Helvia
• Resumen

  • Chile es uno de los países con mayor superficie de plantaciones forestales del mundo, con 2.3 millones de ha, de las cuales el pino radiata (Pinus radiata D. Don, 1836) ocupa 1.2 millones de ha, siendo la especie con mayor superficie plantada del país. Estas plantaciones de pino radiata tienen, por tanto, gran impacto económico, al suministrar tanto madera como pulpa de papel a la importante industria forestal de Chile. El pino radiata en Chile se maneja como un monocultivo forestal basado en una selvicultura muy intensiva, en la que la información precisa y actualizada sobre la calidad y cantidad de la madera es esencial para el apoyo a la toma de decisiones en la planificación operacional, táctica y estratégica. Además, en los últimos años existe una evolución de la gestión forestal hacia una selvicultura a escala de rodal o árbol individual. Esta necesidad de información de calidad, unida al alto valor del producto final, hace que en estas plantaciones pueda y deba implementarse una selvicultura de precisión basada en tecnologías como la teledetección y la inteligencia artificial. La teledetección, y en especial la tecnología LiDAR aerotransportada (ALS, del inglés Aerial Laser Scanner), está totalmente implementada en los procesos de evaluación de los recursos forestales, proporcionando información muy precisa y espacialmente continua de los bosques. Además, el uso de estas tecnologías puede suponer una disminución de costes en relación con los inventarios de muestreo tradicionales. Estos inventarios digitales necesitan de una importante capacidad de análisis para gestionar un gran volumen de datos, así como para el desarrollo de modelos de alto rendimiento. El uso de técnicas de aprendizaje automático (machine learning) se está generalizando para esta finalidad. Algunos de los algoritmos de aprendizaje automático más utilizados para la estimación de variables selvícolas en inventarios LiDAR son los Vecinos más próximos (KNN, del inglés k-Nearest Neighbors), Máquinas de vectores soporte (SVM, del inglés Support Vector Machine) y Random Forest (RF). .