Importancia de la inteligencia artificial en la evaluación de la biomasa forestal en el Perú
DOI:
https://doi.org/10.21704/rfp.v39i1.2065Palavras-chave:
inteligencia artificial, machine learning, ecuación alométrica, biomasa forestalResumo
En este artículo se explican conceptos básicos de la Inteligencia Artificial (IA) ligados a la estimación de la biomasa forestal, y se revisan tres investigaciones realizadas en zonas tropicales que emplean modelos de IA conjuntamente con las tradicionales ecuaciones alométricas. Los resultados muestran que los métodos basados en IA tienen mayor precisión y capacidad para relacionar variables clave en el desarrollo de la biomasa forestal que las ecuaciones alométricas. Estos hechos resaltan la necesidad de que los ingenieros forestales peruanos deban desarrollar capacidades para el uso de la IA en la estimación de la biomasa forestal en el país. Este desarrollo de capacidades implicaría un currículo más exigente en matemática, estadística y ciencias informáticas para los ingenieros forestales; así como la instalación de una extensa red de parcelas permanentes para la creación de una sólida base de datos de las variables que intervienen en el desarrollo de la biomasa forestal. Se propone iniciar la discusión al respecto entre la comunidad forestal peruana con la finalidad de no perder oportunidades en el mercado de bonos de carbono, que según los casos revisados, requerirá mediciones más precisas que las actuales realizadas mediante el uso de las ecuaciones alométricas.
Downloads
Referências
Greenfield, P. 2023. Revealed: more than 90% of rainforest carbon offsets by biggest certifier are worthless, analysis shows (en línea). The Guardian, Reino Unido. Consultado 23 ago. 2023. Disponible en https://www.theguardian.
Hurwitz, J; Kirsch, D. 2018. Machine Learning for Dummies. (en línea) Nueva Jersey, Estados Unidos. IBM Limited Edition. 75 p. Visitado el 3 de noviembre 2023. Disponible en https://www.ibm.com/downloads/cas/GB8ZMQZ3.
Liu, J; Yue, C; Pei, C; Li, X; Zhang, Q. 2023. Prediction of Regional Forest Biomass Using Machine Learning: A Case Study of Beijing, China. Forests 14(59):1008. DOI: https://doi.org/10.3390/f14051008.
Montaño, RA; Sanquetta, C R; Wojciechowski, J; Mattar, E.; Dalla, AP. 2017. Artificial Intelligence Models to Estimate Biomass of Tropical Forest. (en línea) POLIBITS 56:29-37. DOI: https://doi.org/10.17562/PB-56-4.
Rouahianen, L. 2018. Inteligencia Artificial, 101 cosas que debes saber hoy sobe nuestro futuro. Editorial Planeta. 22 p. Consultado 22 may. 2024. Disponible en https://proassetspdl-com.cdnstatics2.com/usuaris/libros_contenido/arxius/40/39307_Inteligencia_artificial.pdf.
Saavedra, N. 2023. UNI enseñará Ingeniería de Inteligencia Artificial desde 2024: ¿qué se sabe sobre esta nueva carrera? (en línea). La República, Perú, 4 oct. Consultado 04 oct. 2023. Disponible en https://larepublica.pe/sociedad/2023/10/03/uni-ensenara-ingenieria-de-inteligencia-artificial-desde-2024-que-se-sabe-sobre-esta-nueva-carrera.177540.
Theobald, O. 2017. Machine Learning for Absolute Beginners. (en línea) Second Edition. 128 p. Consultado 05 nov. 2023. Disponible en https://bmansoori.ir/book/Machine%20Learning%20For%20Absolute%20Beginners.pdf.
Wang, H; Niu, SK; Shao, X; Zhang, C. 2014. Study on biomass estimation methods of understory shrubs and herbs in forest ecosystem. Acta Prataculturrae Sinica, 23(3):20-29. DOI: https://doi.org/10.11686/cyxb20140303.
Wongchai, W; Onsree, T; Sukkam, N; Promwungkwa, A; Tippayawong, N. 2022. Machine learning models for estimating above ground biomass of fast-growing trees. Expert Systems with Applications 199:117186. DOI: https://doi.org/10.1016/j.eswa.2022.117186.
Xu, X; Cao, M; Li, K 2007. Temporal-spatial dynamics of carbon storage vegetation in China. Progress in Geography 26(6):1-16. DOI: https://doi.org/10.11820/dlkxjz.2007.06.001.
Downloads
Publicado
Edição
Secção
Licença
Direitos de Autor (c) 2024 Álvaro Manuel Ormachea Ramos
Este trabalho encontra-se publicado com a Licença Internacional Creative Commons Atribuição 4.0.
