Uso de inteligencia artificial para la identificación de especies forestales a través de imágenes satelitales
DOI:
https://doi.org/10.70881/mcj/v2/n1/29Palabras clave:
inteligencia artificial, imágenes satelitales, gestión forestal, conservación de biodiversidad, sostenibilidadResumen
La inteligencia artificial (IA) y las imágenes satelitales están transformando la gestión forestal al mejorar la identificación y monitoreo de especies, contribuyendo a la conservación de la biodiversidad y el manejo sostenible de los ecosistemas. Este estudio explora las aplicaciones, beneficios y desafíos de estas tecnologías, utilizando una metodología de revisión documental basada en literatura reciente, con énfasis en casos prácticos y hallazgos relevantes. Los resultados evidencian que la IA permite optimizar la clasificación de especies mediante algoritmos avanzados, generar mapas de distribución en áreas remotas y monitorear cambios en la biodiversidad con precisión mejorada, complementando su implementación con drones. Además, las tecnologías integradas reducen costos operativos, aumentan la cobertura espacial y proporcionan información en tiempo real, facilitando decisiones estratégicas. Sin embargo, se enfrentan limitaciones como el acceso restringido a datos de alta resolución, la insuficiencia de conjuntos de datos representativos, la falta de personal capacitado y riesgos asociados a la dependencia tecnológica. La discusión resalta la necesidad de superar estos desafíos mediante colaboración internacional, políticas inclusivas y capacitación especializada, garantizando un equilibrio entre innovación tecnológica y sostenibilidad. Concluimos que estas herramientas emergentes tienen un potencial significativo, pero requieren esfuerzos integrales para maximizar su impacto en la conservación forestal.
Descargas
Referencias
Anderson, K., & Gaston, K. J. (2013). Lightweight unmanned aerial vehicles will revolutionize spatial ecology. Frontiers in Ecology and the Environment, 11(3), 138-146. https://doi.org/10.1890/120150 DOI: https://doi.org/10.1890/120150
Caicedo-Aldaz, J. C., & Herrera-Sánchez, D. J. (2022). El Rol de la Agroecología en el Desarrollo Rural Sostenible en Ecuador. Revista Científica Zambos, 1(2), 1-16. https://doi.org/10.69484/rcz/v1/n2/24 DOI: https://doi.org/10.69484/rcz/v1/n2/24
Corporación Nacional Forestal. (2023). Aplican inteligencia artificial en fotomonitoreo con cámaras trampa dentro de áreas silvestres protegidas. Portal Agro Chile. Recuperado de https://www.portalagrochile.cl/2023/04/11/aplican-inteligencia-artificial-en-fotomonitoreo-con-camaras-trampa-dentro-de-areas-silvestres-protegidas/
Erazo-Luzuriaga, A. F., Ramos-Secaira, F. M., Galarza-Sánchez, P. C., & Boné-Andrade, M. F. (2023). La inteligencia artificial aplicada a la optimización de programas informáticos. Journal of Economic and Social Science Research, 3(1), 48–63. https://doi.org/10.55813/gaea/jessr/v3/n1/61 DOI: https://doi.org/10.55813/gaea/jessr/v3/n1/61
Fassnacht, F. E., Latifi, H., Stereńczak, K., Modzelewska, A., Lefsky, M., Waser, L. T., ... & Ghosh, A. (2016). Review of studies on tree species classification from remotely sensed data. Remote Sensing of Environment, 186, 64-87. https://doi.org/10.1016/j.rse.2016.08.013 DOI: https://doi.org/10.1016/j.rse.2016.08.013
Ghosh, A., Fassnacht, F. E., Joshi, P. K., & Koch, B. (2014). A framework for mapping tree species combining hyperspectral and LiDAR data: Role of selected classifiers and sensor across three spatial scales. International Journal of Applied Earth Observation and Geoinformation, 26, 49-63. https://doi.org/10.1016/j.jag.2013.05.017 DOI: https://doi.org/10.1016/j.jag.2013.05.017
Guevara, J. E., & Endara, M. J. (2020). Inteligencia artificial para identificar árboles en la Amazonía de Ecuador. Primicias. Recuperado de https://www.primicias.ec/noticias/sociedad/inteligencia-artificial-asistira-identificacion-arboles-amazonia/
Hernández, J. (2023). Tecnologías aplicadas al monitoreo e investigación de los bosques hoy. Universidad de Chile. Recuperado de https://uchile.cl/noticias/202643/tecnologias-aplicadas-al-monitoreo-e-investigacion-de-los-bosques-hoy
Kattenborn, T., Leitloff, J., Schiefer, F., & Hinz, S. (2021). Review on Convolutional Neural Networks (CNN) in vegetation remote sensing. ISPRS Journal of Photogrammetry and Remote Sensing, 173, 24-49. https://doi.org/10.1016/j.isprsjprs.2020.12.010 DOI: https://doi.org/10.1016/j.isprsjprs.2020.12.010
Kentsch, S., Karatsiolis, S., Kamilaris, A., Tomhave, L., & Lopez Caceres, M. L. (2020). Identification of Tree Species in Japanese Forests based on Aerial Photography and Deep Learning. https://doi.org/10.48550/arXiv.2007.08907 DOI: https://doi.org/10.1007/978-3-030-61969-5_18
Mata-Montero, E., Figueroa-Mata, G., Arias-Aguilar, D., Valverde-Otárola, J. C., Zamora-Villalobos, N., Paniagua-Bastos, J. C., & López-Aragón, S. (2020). Identificación automática de especies forestales maderables amenazadas de Costa Rica, mediante técnicas de visión artificial. Instituto Tecnológico de Costa Rica. https://repositoriotec.tec.ac.cr/handle/2238/13276
Puerta Tuesta, R. H., Iannacone Oliver, J. A., & Reátegui Inga, M. E. (2023). Una revisión del uso de imágenes Sentinel-2 para el monitoreo de la cobertura boscosa a nivel global. Ingeniería y Competitividad, 25(3), e12708. https://doi.org/10.25100/iyc.v25i3.12708 DOI: https://doi.org/10.25100/iyc.v25i3.12708
Universidad de Huelva. (2020). Sistema automático de censo y seguimiento de la biodiversidad usando técnicas de aprendizaje profundo (Deep Learning). Fundación Biodiversidad. Recuperado de https://fundacion-biodiversidad.es/proyectos_ficha/sistema-automatico-de-censo-y-seguimiento-de-la-biodiversidad-usando-tecnicas-de-aprendizaje-profundo-deep-learning/
Zambrano-Garcia, O. M., & Vlassova, L. (2023). Algoritmo de inteligencia artificial para la detección de cultivos de cacao (Teobroma cacao L.), banano (Musa paradisiaca L.) y palma africana (Elaeis guineensis J.). Editorial Grupo AEA. https://doi.org/10.55813/egaea.l.2022.61 DOI: https://doi.org/10.55813/egaea.l.2022.61
Zhang, Y., & Wang, Y. (2020). Monitoring biodiversity changes in forests using deep learning techniques. Ecological Informatics, 57, 101-110. https://doi.org/10.1016/j.ecoinf.2020.101110 DOI: https://doi.org/10.1016/j.ecoinf.2020.101110
Zhu, X. X., Tuia, D., Mou, L., Xia, G.-S., Zhang, L., Xu, F., & Fraundorfer, F. (2017). Deep Learning in Remote Sensing: A Comprehensive Review and List of Resources. IEEE Geoscience and Remote Sensing Magazine, 5(4), 8-36. https://doi.org/10.1109/MGRS.2017.2762307 DOI: https://doi.org/10.1109/MGRS.2017.2762307
Publicado
Número
Sección
Licencia
Derechos de autor 2024 Cabrera-Verdesoto, Cesar Alberto, Arellano-Reinoso, Katheryn Gabriela, Ureta-Leones, Diego Armando (Autor/a)
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
Cómo citar
:
