Programa del congreso

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.

Los bosques maduros tienen un papel crucial en la mitigación del cambio climático, el ciclo del agua, la conservación de la biodiversidad y la provisión de servicios ecosistémicos. Esto está relacionado con la mayor complejidad estructural y diversidad funcional asociada a la madurez del bosque. Por lo tanto, la madurez forestal debe considerarse una característica clave para desarrollar políticas de conservación y gestión forestal; sin embargo, su definición y cuantificación siguen siendo complejas. En este estudio proponemos la caracterización de la madurez del bosque usando métricas estructurales derivadas de LiDAR, algoritmos de clasificación no supervisada y segmentación por formaciones forestales. Para ello, se calcularon diversas métricas estructurales relacionadas con la estructura 3D del bosque. La clasificación se aplicó, por separado, a las formaciones forestales naturales con mayor extensión en la región de Cantabria: hayedos, robledales, melojares y encinares. El número de componentes principales necesarios para explicar el 80 % de la varianza y las métricas más relevantes en su diferenciación varió entre formaciones. No obstante, hubo un patrón consistente para todas ellas, donde el primer componente principal estuvo asociado a métricas relacionadas con mayores alturas de copa, mientras que el segundo componente se relacionaba más con la heterogeneidad y complejidad vertical. La interpretación de las clases de madurez obtenidas se llevó a cabo combinando la interpretación de las distribuciones de cada una de las métricas estructurales y fotointerpretación, encontrándose diferentes patrones entre formaciones. Los resultados muestran que la metodología propuesta es capaz de discriminar de forma robusta grupos de madurez forestal y presenta un elevado potencial para su aplicación en planificación y gestión forestal y territorial.

La fenología vegetal, o fitofenología, constituye un indicador clave de la dinámica ecológica y de la respuesta al cambio global. El producto fenológico High-Resolution Vegetation Phenology and Productivity (HR-VPP), desarrollado en el marco del Copernicus Land Monitoring Service (CLMS), proporciona métricas fenológicas (fenométricas) derivadas de Sentinel-2 a una alta resolución espacial (10 m). Sin embargo, la evaluación de su exactitud en regiones mediterráneas, caracterizadas por una elevada heterogeneidad paisajística y fenológica, apenas se ha empezado a abordar recientemente.

Este trabajo analiza la representatividad de las fenométricas de HR-VPP en la España mediterránea mediante su validación frente a las observaciones fenológicas de campo gestionadas por la Agencia Estatal de Meteorología (AEMET). Se comparan las fenométricas del inicio y final de la estación de crecimiento (SOS y EOS) con fenofases observadas en campo durante el periodo 2018–2020, considerando distintos tipos funcionales de vegetación (i.e., frondosas caducifolias y frondosas perennifolias). La validación se basa en una agregación por fenofases, cubiertas y tipos funcionales en un buffer de 4 km alrededor de cada estación de campo y un posterior análisis de correlación y sesgo temporal.

Los resultados muestran una concordancia moderada-alta entre el producto y las observaciones de AEMET, especialmente para EOS (End Of Season, final de la estación de crecimiento). La correlación media para EOS fue de r=0.60 mientras que para el SOS (Start of Season, comienzo de la estación de crecimiento), fue de r=0.58. Las especies perennifolias exhiben los mayores valores de correlación (r=0.75 en promedio), aunque acompañados de sesgos temporales relevantes en primavera. Estos prometedores resultados confirman la utilidad operativa de HR-VPP para el seguimiento fenológico en la España mediterránea. Además, el diferente comportamiento con respecto a otras regiones biogeográficas de Europa subraya la importancia de emplear redes de observación regionales para una validación representativa en biomas complejos.