Integración y comparación de técnicas de aprendizaje automático y modelos de regresión por bosques aleatorios en el proceso de predicción de parámetros de ecuaciones de perfil fustal para la especie Eucalyptus pellita

Leal Pulido, Robert OrlandoLevy Molano, Juan Sebastián2025-04-222025-04-222024-11-26http://hdl.handle.net/11349/94986Este estudio evalúa y compara la eficacia de modelos de ahusamiento tradicionales optimizados mediante redes neuronales (RN) y bosques aleatorios (BA) para estimar con precisión el volumen de árboles individuales de Eucalyptus pellita. Se ajustaron nueve modelos tradicionales utilizando el algoritmo Levenberg-Marquardt, seleccionando los tres mejores (Riemer, Bigging y Rentería) con coeficientes de determinación (R²) de 99.54%, 99.2% y 98.57% y RMSE de 0.17, 0.22 y 0.29, respectivamente. Posteriormente, los modelos se optimizaron utilizando RN (retropropagación y recurrentes) y BA, demostrando un mejor rendimiento en comparación con los modelos base. Las RN recurrentes mostraron una menor pérdida de entrenamiento y prueba, y el modelo de Riemer optimizado con retropropagación (RMSE: 0.183, R²: 0.944) destacó por su equilibrio entre precisión y complejidad, siendo adecuado para aplicaciones prácticas en ingeniería forestal por su sólido valor de R² y menor número de parámetros. Este estudio resalta el potencial del aprendizaje automático para la predicción simultánea de parámetros de perfil fustal y volumen, mejorando la eficiencia en el cálculo del volumen forestal con implicaciones significativas para la planificación y manejo forestal.This study evaluates and compares the effectiveness of traditional taper models optimized using neural networks (NN) and random forests (RF) to accurately estimate the volume of individual Eucalyptus pellita trees. Nine traditional models were fitted using the Levenberg-Marquardt algorithm, with the three best models (Riemer, Bigging, and Rentería) selected, achieving coefficients of determination (R²) of 99.54%, 99.2%, and 98.57%, and RMSE values of 0.17, 0.22, and 0.29, respectively. The models were then optimized using NN (backpropagation and recurrent networks) and RF, demonstrating superior performance compared to the base models. Recurrent NNs showed lower training and testing losses, and the Riemer model optimized with backpropagation (RMSE: 0.183, R²: 0.944) stood out for its balance between accuracy and complexity, making it suitable for practical forestry applications due to its robust R² and fewer parameters. This study highlights the potential of machine learning for simultaneous prediction of stem profile parameters and volume, enhancing efficiency in forest volume estimation with significant implications for forestry planning and management.pdfspaModelos de ahusamientoRedes neuronalesBosques aleatoriosPredicción de parámetrosEstimación de volumenEucalyptus pellitaIntegración y comparación de técnicas de aprendizaje automático y modelos de regresión por bosques aleatorios en el proceso de predicción de parámetros de ecuaciones de perfil fustal para la especie Eucalyptus pellitabachelorThesisIngeniería Forestal -- Tesis y disertaciones académicasAprendizaje automáticoModelos de regresiónPredicción de volumen forestalBosques aleatoriosOpenAccessIntegration and Comparison of Machine Learning Techniques and Random Forest Regression Models for Predicting Stem Profile Equation Parameters in Eucalyptus pellitaAper modelsNeural networksRandom forestsParameter predictionVolume estimationEucalyptus pellitaAbierto (Texto Completo)