Generación de un modelo para la detección de extracción selectiva de árboles en el departamento de Ucayali mediante aprendizaje automático

Universidad Nacional Agraria La Molina. Facultad de Ciencias Forestales. Departamento Académico de Manejo Forestal

Actualmente no hay investigaciones nacionales referentes a la detección satelital de la extracción selectiva de árboles. Debido a la dificultad de obtener información geoespacial y cartográfica relacionada a esta actividad y el corto periodo de tiempo con el cual es posible detectarla. El presente estudio busca generar un modelo en base a algoritmos de aprendizaje automático (del inglés machine learning), capaz de detectar extracción selectiva de árboles en el departamento de Ucayali. El modelo consta de la aplicación de un metamodelo, creado a partir de datos satelitales de índices espectrales de Sentinel-2 provenientes del año 2019, cuyas predicciones son empleadas para generar bandas de densidad, las cuales funcionan como insumo para el modelo final, junto a índices espectrales de Sentinel-2 provenientes al año 2020, y una imagen de distancias a caminos/campamentos activos. Este modelo se generó en una máquina virtual de Google Colab, en donde se realizó el entrenamiento, mientras que su aplicación se realizó en la nube (Google Earth Engine). En ambos modelos, se dividió el conjunto de datos en entrenamiento y prueba, con una proporción del 70% y 30% respectivamente, se probaron 11 tipos diferentes de algoritmos en base a una validación cruzada “k-fold” con 10 repeticiones. Se seleccionó el Extra Trees Classifier, al ser el que tuvo el mayor porcentaje de acierto (mayor al 98%). Se optimizaron los hiperparámetros del algoritmo y se evaluó el modelo en base al conjunto de datos de prueba. Finalmente, el modelo se validó con un diseño de muestreo estratificado, con una distribución de puntos aleatoria. Se obtuvo un porcentaje de acierto general del 75,42%. El modelo final tiene el potencial de ser usado en otros departamentos además de Ucayali con resultados rápidos producto de la computación en la nube

Currently, there is no national research regarding satellite detection of selective tree extraction. This is due to the difficulty of obtaining geospatial and cartographic information related to this activity and the short period of time in which it is possible to detect it. The present study seeks to generate a model based on machine learning algorithms, capable of detecting selective tree extraction in the region of Ucayali. The model consists of the application of a metamodel, created from satellite data of Sentinel-2 spectral indices from 2019, whose predictions are used to generate density bands, which function as input for the final model, together with Sentinel-2 spectral indices from 2020, and an image of distances to active roads/camps. This model was generated in a Google Colab virtual machine, where the training was carried out, while its application was carried out in the cloud (Google Earth Engine). In both models, the data set was divided into training and testing, with a proportion of 70% and 30% respectively. Eleven different types of algorithms were tested based on a “k-fold” cross-validation with 10 repetitions. The Extra Trees Classifier was selected, as it had the highest percentage of success (greater than 98%). The hyperparameters of the algorithm were optimized and the model was evaluated based on the test data set. Finally, the model was validated with a stratified sampling design, with a random distribution of points. An overall success rate of 75.42% was obtained. The final model has the potential to be used in other regions besides Ucayali with fast results due to cloud computing.