Selvicultura de precisión en plantaciones de Pinus Radiata L. basada en inteligencia artificial y teledetección

Abstract

Chile es uno de los países con mayor superficie de plantaciones forestales del mundo, con 2.3 millones de ha, de las cuales el pino radiata (Pinus radiata D. Don, 1836) ocupa 1.2 millones de ha, siendo la especie con mayor superficie plantada del país. Estas plantaciones de pino radiata tienen, por tanto, gran impacto económico, al suministrar tanto madera como pulpa de papel a la importante industria forestal de Chile. El pino radiata en Chile se maneja como un monocultivo forestal basado en una selvicultura muy intensiva, en la que la información precisa y actualizada sobre la calidad y cantidad de la madera es esencial para el apoyo a la toma de decisiones en la planificación operacional, táctica y estratégica. Además, en los últimos años existe una evolución de la gestión forestal hacia una selvicultura a escala de rodal o árbol individual. Esta necesidad de información de calidad, unida al alto valor del producto final, hace que en estas plantaciones pueda y deba implementarse una selvicultura de precisión basada en tecnologías como la teledetección y la inteligencia artificial. La teledetección, y en especial la tecnología LiDAR aerotransportada (ALS, del inglés Aerial Laser Scanner), está totalmente implementada en los procesos de evaluación de los recursos forestales, proporcionando información muy precisa y espacialmente continua de los bosques. Además, el uso de estas tecnologías puede suponer una disminución de costes en relación con los inventarios de muestreo tradicionales. Estos inventarios digitales necesitan de una importante capacidad de análisis para gestionar un gran volumen de datos, así como para el desarrollo de modelos de alto rendimiento. El uso de técnicas de aprendizaje automático (machine learning) se está generalizando para esta finalidad. Algunos de los algoritmos de aprendizaje automático más utilizados para la estimación de variables selvícolas en inventarios LiDAR son los Vecinos más próximos (KNN, del inglés k-Nearest Neighbors), Máquinas de vectores soporte (SVM, del inglés Support Vector Machine) y Random Forest (RF). Los resultados de esta tesis abordan diferentes aspectos de la selvicultura de precisión, específicamente en la aplicación de la teledetección y de la inteligencia artificial para el apoyo a una gestión forestal orientada a escala de rodal. Se han ajustado y evaluado 3 ecuación de perfil para la estimación del volumen (V) de madera a escala de árbol individual. El modelo de Fang mostró mejor ajuste o (MSE=0.0115 y R2adj=95.41%) que los modelos de Kozak y Max y Burkhart, con diferencias de calidad de ajuste muy bajos entre ellos (ΔMSE<0.005m3 y ΔR2adj <0.007). Asimismo, se ha desarrollado una metodología para la delimitación automática de rodales en plantaciones forestales de Pinus radiata y Eucaliptus spp. Para ello se ha evaluado el uso de imágenes satélite multiespectrales (i.e. RapidEye, Sentinel 2 y Planet) y de datos LiDAR, y diferentes algoritmos de aprendizaje automático. Nuestros resultados muestran que el algoritmo SVM con datos combinados de Sentinel 2 y ALS tienen el mejor rendimiento para elaborar cartografía de alta precisión de los rodales forestales (AUC=0.97). Esta cartografía automática ofrece información necesaria para la correcta implementación de inventarios digitales basados en tecnología LiDAR al definir espacialmente los estratos de inventario. Los inventarios digitales pueden ser implementados por diferentes metodologías, principalmente por métodos de masa (ABA, del inglés Area-Based Approach) o de árbol individual (ITC, del inglés Individual Tree Crown). Ambas metodologías difieren en la calidad y cantidad de información necesaria, lo que influye en los costes de implementación y la precisión de los resultados obtenidos. Los resultados de esta tesis comparan ambos modelos, y muestran que su rendimiento está relacionado con la densidad de árboles de la plantación (N), lo que permite seleccionar el método más eficiente en costos y precisión según las características selvícolas de la plantación. El método ITC muestra mejores rendimientos a bajas densidades (N<400 pies ha-1). En densidades medias (N=400-600 pies ha-1) no existen diferencias entre ambos métodos para la estimación del V y del área basimétrica (G), aunque el método ITC predijo con mayor precisión la densidad y la altura dominante (Ho). En densidades altas (N>600 pies ha-1), el método ABA mostró errores más bajos en todas las variables forestales, excepto en altura dominante (Ho), donde el rendimiento de ambos métodos fue similar. Por otro lado, se simularon diversas estrategias de adquisición de datos para los inventarios digitales, evaluando su impacto en la precisión de los resultados. Esto permitió evaluar el equilibrio necesario entre los costes y la precisión en los inventarios ALS. En concreto, se estudió el efecto de la metodología de medición de las alturas en campo, la precisión en la georreferenciación de las parcelas, la densidad de la nube de puntos ALS utilizada, el número de parcelas utilizadas para la modelización y el algoritmo de aprendizaje automático con mejor rendimiento. Se determinó que el algoritmo de aprendizaje automático que mejor estima N y Ho fue SVM, mientras que para las variables G y V el mejor rendimiento fue mostrado por RF. Los mejores resultados se obtuvieron para el procedimiento de medición de todos los árboles en la parcela, tanto en Ho (RMSE=12.5%, MAE=8.8%) como en V (RMSE=25.6%, MAE=18.9%). El mayor impacto de la georreferenciación de la parcela se manifestó en la variable N (RMSE=15.2%, MAE=12.1%) G (RMSE=14%, MAE=9%). La reducción de la densidad de puntos del ALS mostro bajo impacto en el rendimiento de los modelos. Por último, se determinó un tamaño muestral óptimo para el ajuste de los modelos en 26 parcelas, no observando mejoras en la estimación de los atributos forestales para un mayor número de parcelas. En el análisis de la estimación del V, como variable de mayor interés para la planificación, el mayor impacto en la precisión lo mostró con el método de medición de las alturas (RMSE=25%), seguido de la precisión en la geolocalización de las parcelas (RMSE=11.9%) y la densidad de puntos ALS (RMSE=5.5%). Los resultados de esta tesis muestran metodologías que mejoran la precisión, la capacidad de actualización y la eficiencia en costes, de la elaboración de cartografía estratégica para la planificación de selvicultura de precisión, a escala de rodal, en plantaciones forestales de Pinus radiata., ofreciendo soluciones de interés estratégico para el sector forestal.

Chile is one of the countries with the largest area of forest plantations in the world, with 2.3 million ha, of which radiata pine (Pinus radiata D.Don, 1836) occupies 1.2 million ha, being the species with the largest planted area in the country. These radiata pine plantations therefore have a great economic impact, supplying both timber and pulp to Chile’s important forestry industry. Radiata pine in Chile is managed as a monoculture forest based on very intensive silviculture, where accurate and up-to-date information on timber quality and quantity is essential for decision support in operational, tactical, and strategic planning. In addition, in recent years there has been a shift in forest management towards silviculture at stand or individual tree scale. This need for quality information, together with the high value of the final product, means that precision forestry based on technologies such as remote sensing and artificial intelligence can and should be implemented in these plantations. Remote sensing, and in particular Aerial Laser Scanner technology (ALS), is fully implemented in forest resource assessment processes, providing highly accurate and spatially continuous information on forests. In addition, the use of these technologies can lead to cost savings compared to traditional sampling inventories. These digital inventories require significant analytical capacity to handle large volumes of data, as well as the development of high-performance models. The use of machine learning techniques is becoming widespread for this purpose. Some of the most widely used machine learning algorithms for the estimation of forestry variables in LiDAR inventories are k-Nearest Neighbors (KNN), Support Vector Machines (SVM) and Random Forest (RF). The results of this thesis address different aspects of precision forestry, specifically in the application of remote sensing and artificial intelligence to support stand-scale forest management. Three tapper equations for the estimation of wood volume (V) at individual tree scale have been fitted and evaluated. The Fang model showed better performance (MSE=0.0115 and R2adj=95.41%) than the Kozak and Max and Burkhart models, with very low yield differences between them (ΔMSE<0.005m3 and ΔR2adj <0.007). A methodology for automatic stand delimitation in Pinus radiata and Eucalyptus spp. plantations has also been developed. The use of multispectral satellite images (i.e., RapidEye, Sentinel 2 and Planet) and LiDAR data, and different machine learning algorithms have been evaluated. Our results show that the SVM algorithm with combined Sentinel 2 and ALS data has the best performance in producing high-precision mapping of forest stands (AUC=0.97). This automated mapping provides necessary information for the correct implementation of digital inventories based on LiDAR technology by spatially defining the inventory strata. Digital inventories can be implemented by different methodologies, mainly by Area- Based Approach (ABA) or Individual Tree Crown (ITC) methods. Both methodologies differ in the quality and quantity of information required, which influences the implementation costs and the accuracy of the results obtained. The results of this thesis compare both models and show that their performance is related to the density of tres in the plantation (N), which allows selecting the most cost-efficient and accurate method according to the silvicultural characteristics of the plantation. The ITC method shows better yields at low densities (N<400 trees ha-1). At medium densities (N 400-600 trees ha-1) there are no differences between the two methods for the estimation of V and basal area (G), although the ITC method predicted N and dominant height (Ho) more accurately. At high densities (N> trees ha-1) the ABA method showed lower errors in all forest variables, except for dominant height (Ho), where the performance of both methods was similar. On the other hand, various data acquisition strategies for digital inventories were simulated and their impact on the accuracy of the results was assessed. This made it possible to evaluate the necessary trade-off between costs and accuracy in ALS inventories. In particular, the effect of the methodology of measuring heights in the field, the accuracy of the georeferencing of the plots, the density of the ALS point cloud used, the number of plots used for modelling and the best performing machine learning algorithm were studied. It was determined that the machine learning algorithm that best estimated N and Ho was SVM, while for the variables G and V the best performance was shown by RF. The best results were obtained for the procedure of measuring all trees in the plot, both for Ho (RMSE=12.5%, MAE=8.8%) and V (RMSE=25.6%, MAE=18.9%). The greatest impact of plot georeferencing was on the variable N (RMSE=15.2%, MAE=12.1%) G (RMSE=14%, MAE=9%). Reducing the ALS point density showed Little impact on model performance. Finally, an optimal sample size for model fitting was determined at 26 plots, with no improvement in the estimation of forest attributes observed for a larger number of plots. In the analysis of V estimation, as the variable of greatest interest for planning, the greatest impact on accuracy was shown by the height measurement method (RMSE=25%), followed by plot geolocation accuracy (RMSE=11.9%) and ALS point density (RMSE=5.5%). The results of this thesis show methodologies that improve the accuracy, updating capacity and cost efficiency of strategic mapping for precision silvicultural planning at stand scale in forest plantations of Pinus radiata L., offering solutions of strategic interest to the forestry sector.