Programa del congreso
Resúmenes y datos de las sesiones para este congreso. Seleccione una fecha o ubicación para mostrar solo las sesiones en ese día o ubicación. Seleccione una sola sesión para obtener una vista detallada (con resúmenes y descargas, si están disponibles).
|
Resumen diario |
| Sesión | |
|
SESIÓN 04 - B: SISTEMAS AGROFORESTALES Lugar: SALA GARCÍA MATOS Presidente de la sesión: Jose Luis Tomé Morán | |
    | |
Evaluación del potencial de los modelos de Deep Learning para la clasificación de árboles a nivel de género utilizando datos LiDAR 1: Universidad de Córdoba. Departamento de Ciencia de la Computación e Inteligencia Artificial. Edif. Albert Einstein (C2)–3ª Planta. Campus de Rabanales Ctra. N-IV km. 396 C.P. 14071, Córdoba, España.; 2: Universidad de Córdoba. Departamento de Ingeniería Gráfica y Geomática. Edif. Gregor Mendel (C5)–2ª Planta. Campus de Rabanales Ctra. N-IV km. 396 C.P. 14071, Córdoba, España. La identificación y reconocimiento de especies forestales es crucial en el sector agroforestal para garantizar una gestión adecuada de los recursos naturales, promover la conservación de la biodiversidad, optimizar los servicios ecosistémicos y mejorar la productividad y sostenibilidad de los ecosistemas forestales. Los avances en Deep Learning (DL) han revolucionado esta tarea, permitiendo el procesamiento y el análisis de datos LiDAR aéreos y terrestres. En este contexto, el presente estudio evalúa el potencial de dos redes neuronales, PointNet y PointNet++, para clasificar individuos en áreas forestales donde coexisten principalmente tres géneros: Eucalyptus, Pinus y Quercus. Dos técnicas de muestreo efectivas (FPS y SMOTE) se aplicaron para determinar la densidad de puntos óptima por árbol. Los análisis estadísticos basados en Kolmogorov-Smirnov y la prueba t de Student revelaron que el número de puntos y la metodología óptimas fueron 1.024, 2.048 y 4.096, y PointNet++, respectivamente. Por lo tanto, la metodología propuesta servirá como base para futuros trabajos que requieran una clasificación precisa, tales como cambios en hábitat y ecosistemas, secuestro de carbono e inventarios forestales. | |
