Abstract
Ante los daños persistentes sobre Pinus radiata ocasionados por la enfermedad de la banda marrón en Euskadi, la teledetección se presenta como una herramienta fundamental. Este trabajo explora la capacidad de los modelos de aprendizaje automático basados en datos Sentinel-2 para su monitorización. Se desarrolló un modelo Random Forest de clasificación para detectar los daños ocasionados según cuatro niveles de defoliación observada. La muestra de píxeles verdad-terreno se clasificó sobre ortofotografías de 25cm, calculándose como predictores un conjunto de índices de vegetación, así como variables topográficas. El modelo resultante quedó definido por tres índices, suficientes para un rendimiento del modelo estable con una precisión del 70%. Destacó su capacidad de identificar correctamente las clases extremas, sano y grave, en contraposición con la confusión en las clases intermedias, leve y moderado. Estos resultados son coherentes con la defoliación progresiva de los árboles afectados, lo que se traduce en un solape espectral entre los niveles de defoliación. Sin embargo, se ven penalizados por la decisión de definir una primera clase (sano) restrictiva, donde sólo se incluyeron píxeles sin afección. Estos resultados apuntan al potencial de los materiales y métodos empleados para aplicaciones futuras al seguimiento del estado de salud del pino.