Evaluación de la combinación de variables dasométricas y de teledetección en la predicción de la vecería en Pinus pinea L. mediante Machine Learning
DOI:
https://doi.org/10.17398/3101-7177.2.136Palabras clave:
imágenes de satélite, índices de vegetación, modelo predictivo, clasificación binariaResumen
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.
Descargas
Referencias
Calama, R., Sánchez-González, M., & Montero, G. (2007). Integrated management models for Mediterranean multifunctional forests: the case of stone pine (Pinus pinea L.). EFI Proceedings, 56, 57-69.
Calama, R., Gordo, F. J., Mutke, S., & Montero, G. (2008). An empirical ecological-type model for predicting stone pine (Pinus pinea L.) cone production in the Northern Plateau (Spain). Forest Ecology and Management, 255(3-4), 660-673. https://doi.org/10.1016/j.foreco.2007.09.079.
Calama, R., Mutke, S., Tomé, J., Gordo, J., Montero, G., & Tomé, M. (2011). Modelling spatial and temporal variability in a zero-inflated variable: the case of stone pine (Pinus pinea L.) cone production. Ecological Modelling, 222(3), 606-618. https://doi.org/10.1016/j.ecolmodel.2010.09.020.
Henrich, V., Krauss, G., Götze, C., Sandow, C. (2012). IDB - www.indexdatabase.de, Entwicklung einer Datenbank für Fernerkundungsindizes. AK Fernerkundung, Bochum, 4.-5. 10. 2012.
Long, L., Chen, Y., Song, S., Zhang, X., Jia, X., Lu, Y., & Liu, G. (2023). Remote Sensing Monitoring of Pine Wilt Disease Based on Time-Series Remote Sensing Index. Remote Sensing, 15(2), 360. https://doi.org/10.3390/rs15020360.
Montero, G., Calama, R., & Ruiz-Peinado, R. (2008). Selvicultura de Pinus pinea L. In: Montero, G., Serrada, R., & Reque, J. (Eds.), Compendio de Selvicultura de Especies. Madrid, INIA – Fundación Conde del Valle de Salazar, pp. 431–470.
Scarascia-Mugnozza, G., Oswald, H., Piussi, P., & Radoglou, K. (2000). Forests of the Mediterranean region: gaps in knowledge and research needs. Forest Ecology and management, 132(1), 97-109. https://doi.org/10.1016/S0378-1127(00)00383-2
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2026 Alejandro Morales-Martín, Jorge Torres Sánchez, Javier Vázquez Piqué, Francisco Javier Mesas Carrascosa, Pedro Antonio Gutiérrez, Miguel Montoro Girona, Marta Pardos, Rafael Calama (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)
