ForestMap-IA, Digitalización forestal y sensores remotos orientada a fomentar la gestión forestal sostenible
DOI:
https://doi.org/10.17398/3101-7177.2.134Palabras clave:
Inventario Dinámico, Bioeconomía Circular, Aprendizaje automático, LIDAR, Sentinel2Resumen
La monitorización de bosques con sensores remotos ha dado un salto enorme en los últimos 10 años, hasta el punto de que una pequeña cooperativa como Agresta puede desarrollar una plataforma como ForestMap-IA. En el contexto actual es posible pasar de inventarios estáticos a un sistema operativo, que integra sensores remotos e Inteligencia Artificial para monitorización forestal a escala nacional. Trabajando con datos abiertos es posible realizar inventarios forestales de alta resolución, con una alta precisión, generando información de las principales variables forestales en tiempo casi real. Esto demuestra que la principal barrera que tenemos hoy día para la monitorización del patrimonio forestal nacional no es la tecnología, sino el gap existente entre el coste de la tecnología y la rentabilidad de las explotaciones forestales. En este sentido, la administración pública puede ser un agente tractor, desarrollando modelos participativos inspirados en el éxito finlandés (Metsään.fi). Una plataforma nacional impulsada por el estado, permitiría el acceso de pequeños propietarios a la tecnología, y podría simplificar la gestión de los aprovechamientos forestales facilitando la trazabilidad y el cumplimiento del reglamento EUDR. Este impulso institucional seria clave para transformar la innovación tecnológica en una herramienta operativa que fomente la gestión activa de nuestros bosques.
Descargas
Referencias
Arellano-Pérez, S., Marino, E., Tomé, J. L., & Martín Alcón, S. (2025). Comparing different models for fuel load estimation in rockrose shrubland in the Mediterranean region from LiDAR data. Revista AET, (66). https://doi.org/10.4995/raet.2025.22817
Beliz, K., & Stackelberg, P. E. 2021. Evaluation of six methods for correcting bias in estimates from ensemble tree machine learning regression models. Environmental Modelling & Software, 139, 105006. https://doi.org/10.1016/j.envsoft.2021.105006
Chawla, N. V., Bowyer, K. W., Hall, L. O., & Kegelmeyer, W. P. (2002). SMOTE: Synthetic minority over-sampling technique. J.A.I.R., 16, 321–357. https://doi.org/10.1613/jair.953
Esteban, J., McRoberts, R., Fernández-Landa, A. y Tomé, J.L. (2022). Efectos de los errores de mapas en la incertidumbre de las estimaciones de volumen: un estudio de las principales especies forestales de la Rioja. 8º Congreso Forestal Español.
Genuer, R., Poggi, J.M., Tuleau-Malot, C. (2015). VSURF: an R package for variable selection using random forests. The R Journal, 7(2), 19-33. https://doi.org/10.32614/RJ-2015-018
González, I.; Tomé, J.L.; Salvador, M.; Esteban, J. 2024. Detección de cambios en terrenos certificados por PEFC en la provincia de Pontevedra utilizando el algoritmo CCDC. Actas del XX Congreso AET, pp. 195-198. 2024, Cádiz.
Gómez, C.; Alejandro, P.; Hermosilla, T.; Montes, F.; Pascual, C.; Ruiz, L.A.; Álvarez-Taboada, F.; Tanase, M.; Valbuena, R. 2019. Remote sensing for the Spanish forests in the 21st century: a review of advances, needs, and opportunities. For Syst 28 (1), eR001.
Zhu, Z., Woodcock, C.E. (2014). Continuous change detection and classification of land cover using all available Landsat data. Remote Sensing of Environment, 144, 152–171. https://doi.org/10.1016/j.rse.2014.01.011
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2026 José Luis Tomé Morán, Jessica Esteban Cava, Andrés Bravo Núñez, Isabel González González, Pedro Pablo Ranz Vega, Santiago Martín Alcón (Autor/a)
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Todo el contenido disponible en el Portal de Revistas-UEx se distribuye bajo una licencia Creative Commons: Atribución 4.0 Internacional (CC BY 4.0)
