Avella Muñoz, Edgar AndrésBarreto Puerto, Eddy Santiago2025-05-072025-05-072024-04-19http://hdl.handle.net/11349/95270El bosque seco tropical (bs-T) es uno de los ecosistemas más vulnerables a nivel global debido a su alto grado de deforestación y fragmentación, lo que resalta su importancia para la conservación de la biodiversidad y su papel crucial en el almacenamiento de carbono. En este contexto, se desarrolló un modelo predictivo utilizando algoritmos de aprendizaje automático (Machine Learning) para estimar la biomasa aérea en las inmediaciones del proyecto hidroeléctrico El Quimbo. El objetivo de este estudio fue identificar el modelo que mejor predijera el stock de biomasa aérea en dicha región. Para ello, se emplearon imágenes satelitales Sentinel-2 junto con diversas variables topográficas, como el Modelo Digital de Elevación (DEM), el aspecto y la pendiente, además de datos de campo para la predicción de biomasa aérea. Se implementaron tres modelos predictivos: XGBoost, Random Forest (RF) y Redes Neuronales Artificiales (ANN). Entre estos, el modelo XGBoost demostró el mejor desempeño, con un coeficiente de determinación (R²) de 0,72, un error medio absoluto (MAE) de 17,38 t ha⁻¹, una raíz del error cuadrático medio (RMSE) de 27,61 t ha⁻¹ y un Huber Loss de 22,62 t ha⁻¹.The tropical dry forest (bs-T) is among the most vulnerable ecosystems globally due to extensive deforestation and fragmentation. This underscores its critical importance for biodiversity conservation and its essential role in carbon storage. In this context, a predictive model was developed using machine learning algorithms to accurately estimate aboveground biomass in the tropical dry forest near the El Quimbo hydroelectric project. The objective of this study was to identify the model that most accurately predicted the aboveground biomass stock in this region. To achieve this, Sentinel-2 satellite images were utilized alongside various topographic variables, such as the Digital Elevation Model (DEM), aspect, and slope, in addition to field data for aboveground biomass prediction. Three predictive models were implemented: XGBoost, Random Forest (RF), and Artificial Neural Networks (ANN). Among these, the XGBoost model demonstrated the best performance, with a coefficient of determination (R²) of 0.72, a mean absolute error (MAE) of 17.38 t ha⁻¹, a root mean square error (RMSE) of 27.61 t ha⁻¹, and a Huber Loss of 22.62 t ha⁻¹.pdfspaBosque seco tropicalAprendizaje automáticoBiomasa aéreaProyecto hidroeléctrico El QuimboImagenes satelitalesbachelorThesisIngeniería Forestal -- Tesis y disertaciones académicasModelos predictivos en ecologíaAprendizaje automático aplicado a ecosistemasBiomasa aérea y almacenamiento de carbonoTeledetección y monitoreo ambientalRestrictedAccessTropical dry forestMachine learningAboveground biomassEl QuimboSatellite imagesRestringido (Solo Referencia)