Análisis de prueba de concepto del modelo red neuronal para detección de cambios en coberturas de plantaciones.
Barra lateral del artículo
Contenido principal del artículo
Resumen
El seguimiento de los cambios en la cobertura forestal se ha realizado tradicionalmente con sensores remotos, pero en años recientes se ha incorporado el Machine Learning (ML), una rama de la Inteligencia Artificial (IA) que desarrolla algoritmos capaces de aprender de los datos y mejorar sin ser programados explícitamente.
El documento presenta una prueba de concepto de ML realizada en la región del Maule. Los resultados del uso de ML en este contexto fueron positivos, con una tasa de precisión del 92% en la métrica de asertividad y del 90% al predecir etiquetas para la provincia de Talca. Se concluye que los sistemas de clasificación basados en redes neuronales son una herramienta importante para optimizar los procesos de clasificación y complementarlos con análisis de datos de alta dimensión, permitiendo que estos se puedan adaptar a diferentes condiciones geográficas. Estos avances permiten una mejor comprensión y gestión de los recursos forestales en el país.
Referencias
Breiman, L. (2001). Random forests. Mach. Learn., N° 45. Pp: 5-32. https://doi.org/10.1023/A:1010933404324
Lu, D., Mausel, P., Brondízio, E. & Moran, E. (2004). Change detection techniques. International Journal of Remote Sensing, 25(12): 2365-2401. https://doi.org/10.1080/0143116031000139863
Goodfellow, I., Bengio, J. & Courville, A. (2016). Deep learning. MIT Press. Cambridge, MA, USA. En: http://www.deeplearningbook.org.
Novak, G. (2020). Kubeflow: How to automate a machine learning workflow using Kubeflow Pipelines. En: https://towardsdatascience.com/machine-learning-pipelines-with-kubeflow-4c59ad05522
Zelin, L., Changhui, P., Work, T., Candau, JN., DesRochers, A. & Kneeshaw, D. (2018). Application of machine-learning methods in forest ecology: recent progress and future challenges Environmental Reviews, 26(10) https://doi.org/10.1139/er-2018-0034
Descargas
Los trabajos publicados en Ciencia & Investigación Forestal se rigen por la licencia Creative Commons Atribución 4.0 Internacional (CC BY 4.0).
En lo esencial esta licencia involucra que los autores conservan sus derechos de autor, y que los lectores puedan de forma gratuita descargar, almacenar, copiar y distribuir la versión final aprobada y publicada del trabajo, siempre y cuando se realice sin fines comerciales y se cite la fuente y autoría de la obra.