Modelos no lineales y algoritmos de aprendizaje automático para modelar relaciones altura-diámetro en Pinus lawsonii Roezl
DOI:
https://doi.org/10.5377/ribcc.v10i19.19639Palabras clave:
Software R, coeficiente de determinación, Akaike, bayesiano, errorResumen
Antecedentes: La medición de características del arbolado, particularmente la altura, en los inventarios forestales es una tarea costosa y requiere tiempo, especialmente en extensas superficies. Por esta razón, se han encaminado esfuerzos para generar modelos matemáticos para estimar la altura a partir del diámetro de los pinos. Objetivo: el objetivo de esta investigación fue comparar modelos estadísticos y algoritmos de aprendizaje automático para estimar la altura total en función del diámetro normal para árboles de Pinus lawsonii. Metodología: El estudio se realizó en el bosque natural del TESVB, para ello se midió la altura y diámetro de 295 árboles de diferente categoría diamétrica. A partir de los datos se ajustaron 15 modelos no lineales. Adicionalmente se probaron cuatro algoritmos de aprendizaje automático. El análisis se realizó con el software R. Resultados: Con los modelos no lineales, se observó que la mayoría de los modelos explicaron el 66 % (R2) de la varianza de la altura en función del diámetro normal, sin embargo, los modelos evaluados incumplieron los supuestos de normalidad y homocedasticidad. En el caso de los algoritmos de aprendizaje automático el porcentaje de la varianza explicada en la altura total a partir del diámetro normal, para los datos de entrenamiento osciló entre 61 y 84 %. Conclusión: Considerando el incumplimiento de los supuestos se recomienda bosques aleatorios para predecir altura total, además que obtuvieron predicciones aceptables y con congruencia biológica considerando la altura medida en campo de los árboles de Pinus lawsonii.
Descargas
312
Citas
Betancourt, G. A. (2005). Las máquinas de soporte vectorial (SVMs). Scientia et Technica, 27, 67–72.
Breiman, L. (2001). Random forests. Machine Learning, 45, 5–32. https://doi.org/10.1201/9780429469275-8
Castillo-Gallegos, E., Jarillo-Rodríguez, J., & Escobar-Hernández, R. (2018). Relación altura-diámetro en tres especies cultivadas en una plantación forestal comercial en el Este tropical de México. Revista Chapingo, Serie Ciencias Forestales y Del Ambiente, 24(1), 33–48. https://doi.org/10.5154/r.rchscfa.2017.05.033
Chau, J. (2024). gslnls: GSL Multi-Start Nonlinear Least-Squares Fitting_. R package version 1.3.2, <https://CRAN.R-project.org/package=gslnls>. (p. 37). https://doi.org/10.32614/CRAN.package.gslnls
Che, S., Tan, X., Xiang, C., Sun, J., Hu, X., Zhang, X., Duan, A., & Zhang, J. (2018). Stand basal area modelling for Chinese fir plantations using an artificial neural network model. Journal of Forestry Research, 30(5), 1641–1649. https://doi.org/10.1007/s11676-018-0711-9
Chen, T., & Guestrin, C. (2016). XGBoost: A scalable tree boosting system. Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 785–794. https://doi.org/10.1145/2939672.2939785
Clutter, J. L., Fortson, J. C., Pienaar, L. V., Brister, G. H., & Bailey, R. L. (1983). Timber Management: A quantitative approach. (Primera ed). ohn Wiley & Sons.
Corral Rivas, S., Alma Mireya Silva, A., & Quiñonez-Barraza, G. (2019). A generalized nonlinear height-diameter model with mixed-effects for seven Pinus species in Durango, Mexico. Revista Mexicana de Ciencias Forestales, 10(53), 1–32. https://doi.org/https://doi.org/10.29298/rmcf.v10i53.500
Darmatasia, & Arymurthy, A. M. (2017). Predicting the status of water pumps using data mining approach. 2016 International Workshop on Big Data and Information Security, IWBIS 2016, 57–63. https://doi.org/10.1109/IWBIS.2016.7872890
Ercanli, İ., Senyurt, M., & Bolat, F. (2022). a Major Challenge To Machine Learning Models: Compati̇ble Predi̇cti̇ons Wi̇th Biological Realism in Forestry: a Case Study of individual tree volume. Proceeding of the “3rd International Conference on Environment and Forest Conservation (ICEFC), 1–31.
Flores-Morales, E. A., Aguirre-Calderón, O. A., Quiñónez-Barraza, G., González-Tagle, M. A., & Jiménez-Pérez, J. (2019). Normal diameter, height and volume estimation of Pinus pseudostrobus Lindl. From the diameter of the stump. Revista Mexicana de Ciencias Forestales, 10(55), 154–170. https://doi.org/10.29298/rmcf.v10i55.547
García Cuevas, X. A., Hernández Ramos, J., Hernández Ramos, A., Quiñonez Barraza, G., Tamarit Urías, J. C., & García Espinoza, G. G. (2017). Predicción del diámetro normal, altura y volumen a partir del diámetro del tocón en especies tropicales. Revista Mexicana de Ciencias Forestales, 8(43), 89–116. https://doi.org/10.29298/rmcf.v8i43.67
Guerra-De la Cruz, V., Islas-Gutiérrez, F., Flores-Ayala, E., Acosta-Mireles, M., Buendía-Rodríguez, E., Carrillo-Anzures, F., Tamarit-Urías, J. C., & Pineda-Ojeda, T. (2018). Modelos locales altura-diámetro para Pinus montezumae Lamb. y Pinus teocote Schiede ex Schltdl. en Nanacamilpa, Tlaxcala. Revista Mexicana de Ciencias Forestales, 10(51), 133–156. https://doi.org/https://doi.org/10.29298/rmcf.v10i51.407
H2O.ai. (2022). h2o: R Interface for H2O R package (version 3.42.0.2.). https://github.com/h2oai/h2o-3
Hernandez-Ramos, J., Aviles-Castillo, A., Jesus Garcia-Magana, J., Hernandez-Ramos, A., Garcia-Cuevas, X., & Flores-Lopez, C. (2020). Local and generalized height-diameter equations for Pinus patula Schl. et Cham. in Veracruz, Mexico. Ecosistemas Y Recursos Agropecuarios, 7(3), 1–11. https://doi.org/10.19136/era.a7n3.2457
INEGI. (2010). Compendio de información geográáca municipal 2010. Instituto Nacional de Estadistica y Geografia, 10. http://mapserver.inegi.org.mx/mgn2k/.
Kangas, A., & Haara, A. (2012). Comparison of nonspatial and spatial approaches with parametric and nonparametric methods in prediction of tree height. European Journal of Forest Research, 131(6), 1771–1782. https://doi.org/10.1007/s10342-012-0631-8
Krogh, A. (2008). What are artificial neural networks? Nature Biotechnology, 26(2), 195–197. https://doi.org/10.1038/nbt1386
Li, Y., Li, M., Li, C., & Liu, Z. (2020). Forest aboveground biomass estimation using Landsat 8 and Sentinel-1A data with machine learning algorithms. Scientific Reports, 10(1), 1–12. https://doi.org/10.1038/s41598-020-67024-3
Liaw, A., & Wiener, M. (2002). Classification and Regression by randomForest. R News, 2(3), 18–22. https://cran.r-project.org/doc/Rnews/
Lima, E. D. S., Souza, Z. M. De, Oliveira, S. R. D. M., Montanari, R., & Farhate, C. V. V. (2022). Random forest model to predict the height of Eucalyptus. Engenharia Agrícola, v.42, special issue, e20210153 https://doi.org/10.1590/1809-4430-Eng.Agric.v42nepe20210153/2022
López-Villegas, M. F., Santiago-García, W., Quiñonez-Barraza, G., Suárez-Mota, M. E., Santiago-Juárez, W., & Santiago-García, E. (2017). Ecuaciones globales y locales de altura-diámetro de 12 especies de interés comercial en bosques manejados. Revista Mexicana de Agroecosistemas, 4(2), 113–126.
Mayrinck, R. C., Roque, V. G. R., Filho, A. C. F., Filho, E. M., Arias-King, F., & Ribeiro, A. (2019). Height and volume functions for Pinus lawsonii, Pinus leiophylla, Pinus oocarpa and Pinus pringlei plantations in Guarei, São Paulo, Brazil. Southern Forests, 81(4), 325–334. https://doi.org/10.2989/20702620.2019.1636196
Meyer, D., Dimitriadou, E., Hornik, K., Weingessel, A., & F., L. (2023). e1071: Misc Functions of the Department of Statistics, Probability Theory Group (Formerly: E1071), TU Wien. R News, 1–67. https://cran.r-project.org/package=e1071
Nunes-Miranda, E., Groenner-Barbosa, B. H., Godinho-Silva, S. H., Ussi-Monti, C. A., Phin-Tng, D. Y., & Rezende-Gomide, L. (2022). Variable selection for estimating individual tree height using genetic algorithm and random forest. Forest Ecology and Management, 504(119828), 1–13. https://doi.org/10.1016/j.foreco.2021.119828
Özçelik, R., Diamantopoulou, M. J., Crecente-campo, F., & Eler, U. (2013). Estimating Crimean juniper tree height using nonlinear regression and artificial neural network models. Forest Ecology and Management, 306, 52–60. https://doi.org/10.1016/j.foreco.2013.06.009
Quiñonez-Barraza, G., & García-Espinoza, G. G. (2018). ¿Cómo corregir la heterocedasticidad y autocorrelación de residuales en modelos de ahusamiento y crecimiento en altura? How to correct the heteroscedasticity and autocorrelation of residuals in taper and height growth models?. Revista Mexicana de Ciencias Forestales, 9(49), 28–59. https://doi.org/https://doi.org/10.29298/rmcf.v9i49.151
R Core Team. (2024). R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria. URL https://www.R-project.org/.
Șahin, A. (2024). Analyzing regression models and multi-layer artificial neural network models for estimating taper and tree volume in Crimean pine forests. IForest, 17, 36–44. https://doi.org/10.3832/ifor4449-017
Sharma, R. P. (2009). Modelling height-diameter relationship for Chir pine trees. Banko Janakari, 19(2), 3–9. https://doi.org/DOI: 10.3126/banko.v19i2.2978
Temesgen, H., Zhang, C. H., & Zhao, X. H. (2014). Modelling tree height-diameter relationships in multi-species and multi-layered forests: A large observational study from Northeast China. Forest Ecology and Management, 316, 78–89. https://doi.org/10.1016/j.foreco.2013.07.035
Zdenek, A., & Drápela, K. (2016). Comparison of parametric and nonparametric methods for modeling height-diameter relationships. IForest, 10, 1–8. https://doi.org/10.3832/ifor1928-009
Descargas
Publicado
Cómo citar
Número
Sección
Categorías
Licencia
Derechos de autor 2024 Rev. iberoam. bioecon. cambio clim.
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Copyright © Rev. iberoam. bioecon. cambio clim. (Colegio Postgraduados y UNAN-León, Escuela de ciencias agrarias y veterinarias/ Departamento de Agroecología/Centro de Investigación en Bioeconomía y Cambio Climático (CIByCC).
