Pedro Antonio Gutiérrez

Uno de los principales desafíos en la estimación cuantitativa de la producción de fruto es la elevada variabilidad interanual que presentan numerosas especies leñosas, como el pino piñonero (Pinus pinea L.). Discriminar entre parcelas en producción y sin producción de piña a lo largo de los años resulta complejo, ya que los factores que intervienen no están completamente esclarecidos. Este estudio analiza la influencia de incorporar variables obtenidas mediante teledetección a las variables dasométricas tradicionalmente empleadas en la modelización de la producción de piña. Para ello, se evaluaron tres combinaciones de variables: dasométricas (SD), índices de vegetación (SIV) y su combinación (ST). Con dichos conjuntos de datos se desarrollaron modelos de clasificación binaria usando Random Forest (RF) y XGBoost (XGB). Los resultados muestran que ST con XGB ofrece el mejor rendimiento, alcanzando un F1 (media armónica de Precision y Recall) del 67,6%. En futuros estudios es conveniente incorporar los índices de vegetación como predictores relevantes en la clasificación de parcelas en producción de piña.

La identificación y reconocimiento de especies forestales es crucial en el sector agroforestal para garantizar una gestión adecuada de los recursos naturales, promover la conservación de la biodiversidad, optimizar los servicios ecosistémicos y mejorar la productividad y sostenibilidad de los ecosistemas forestales. Los avances en Deep Learning (DL) han revolucionado esta tarea, permitiendo el procesamiento y el análisis de datos LiDAR aéreos y terrestres. En este contexto, el presente estudio evalúa el potencial de dos redes neuronales, PointNet y PointNet++, para clasificar individuos en áreas forestales donde coexisten principalmente tres géneros: Eucalyptus, Pinus y Quercus. Dos técnicas de muestreo efectivas (FPS y SMOTE) se aplicaron para determinar la densidad de puntos óptima por árbol. Los análisis estadísticos basados en Kolmogorov-Smirnov y la prueba t de Student revelaron que el número de puntos y la metodología óptimas fueron 1.024, 2.048 y 4.096, y PointNet++, respectivamente. Por lo tanto, la metodología propuesta servirá como base para futuros trabajos que requieran una clasificación precisa, tales como cambios en hábitat y ecosistemas, secuestro de carbono e inventarios forestales.