JavaScript está deshabilitado
La función JavaScript de su navegador está deshabilitada. Deberá habilitarla para utilizar esta función de ConfTool.
Podrá encontrar aquí información sobre cómo habilitar JavaScript
Si tiene algún problema, póngase en contacto con los organizadores en info@aetcc2026.es.

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 - D: SISTEMAS AGROFORESTALES
Lugar: SALA GARCÍA MATOS
Presidente de la sesión: Juan Pedro Carbonell Rivera

Presentación 1

Clasificación automatizada basada en series temporales y variables estructurales a partir de sensores remotos (S2, S1 y LiDAR).

TOMAS LUIS PUGNI STANEK^1,2, ISABEL GONZÁLEZ GONZÁLEZ¹, JOSE LUIS TOMÉ¹, JESSICA ESTEBAN CAVA¹, NUR ALGEET ABAQUERO¹, LAURA RECUERO PAVON², SILVIA MERINO DE MIGUEL²

1: Agresta Sociedad Cooperativa, C/ Duque de Fernán Núñez, 2, 1º, 28012, Madrid, España.; 2: Grupo de investigación Geo-QuBiDy, Universidad Politécnica de Madrid, Avda. Ramiro de Maeztu. s/n 28040 Madrid. España

La clasificación precisa de las masas forestales es esencial para la gestión sostenible y la modelización de riesgos naturales. Este estudio evalúa la capacidad de discriminación de tres especies forestales (Pinus sylvestris, Quercus pyrenaica y Fagus sylvatica) en el Monte de Utilidad Pública de Villoslada de Cameros (La Rioja), mediante un enfoque de teledetección multitemporal y multisensor. Se integraron datos ópticos (Sentinel-2), de radar (Sentinel-1) y estructurales (LiDAR-PNOA) para caracterizar la fenología y estructura de la vegetación. La metodología partió de parcelas monoespecíficas del Inventario Forestal Nacional (IFN4) y datos locales, aplicando un sobremuestreo espacial mediante puntos aleatorios para corregir el desbalanceo de clases entre coníferas y frondosas. Tras generar un vector de 416 características, se utilizó el algoritmo de Eliminación Recursiva de Características con Validación Cruzada (RFECV) para seleccionar las 20 variables más robustas, optimizando el modelo. Los resultados mostraron una precisión global del 96,1%, identificando como predictores críticos la banda del Red-Edge (B6), el índice de Verdor del Tasseled Cap (TCG) y la polarización VH. Aunque la separación entre coníferas y frondosas fue excelente, se observó una ligera confusión entre las especies de frondosas debido a su similitud fenológica. Se concluye que las series temporales y las variables estructurales podrían ser determinante para mejorar la precisión en la automatización de la identificación de especies en inventarios forestales a gran escala.