Bogotá - Ingeniería - Doctorado en Ingeniería - Sistemas y Computación · 2023
Modelado y optimización del manejo silvicultural de la producción de madera de la especie Gmelina arborea Roxb. en Colombia mediante el uso de técnicas de inteligencia computacional
Modelado y Optimización del Manejo Silvicultural de la Producción de Madera de la Especie Gmelina arborea Roxb. en Colombia Mediante el uso de Técnicas de Inteligencia Computacional. La importancia de los bosques del mundo radica en que, junto con los océanos, son los mayores sumideros de carbono, fundamentales para mitigar el cambio climático. A pesar de su importancia, la deforestación ha reducido esta superficie forestal colocando en riesgo inminente el deterioro del medio ambiente y los beneficios obtenidos por los servicios ecosistémicos. Desde 1990 hasta 2020, se estima que se han perdido 420 millones de hectáreas de bosques en todo el mundo (FAO, 2020a). De acuerdo a la información presentada por el DANE (2021), la producción de madera de las plantaciones forestales en nuestro país es insuficiente para cubrir las necesidades internas de esta materia prima, trayendo como consecuencia la tala indiscriminada de los bosques nativos. Colombia es un país con alto potencial forestal y específicamente en el departamento del Tolima, se necesita incentivar el sector para aumentar el establecimiento de nuevas plantaciones forestales y dotar al sector con herramientas tecnológicas de toma de decisiones que disminuyan la incertidumbre y atraigan la inversión. La planeación para el establecimiento de una plantación forestal, debe contar con una herramienta de modelado de crecimiento y rendimiento que permita estimar la producción de madera al final de la cosecha. El mayor inconveniente que se tiene en el modelado, se debe a la intervención de los raleos, que incorporan una gran perturbación, no lineal, al sistema. Como una alternativa en el modelado del crecimiento y rendimiento de las plantaciones y que incluya la no linealidad que genera la intervención de raleos, esta investigación tiene como objetivo el uso de herramientas de inteligencia computacional con miras a encontrar las mejores políticas de tiempo e intensidad de raleos, apoyado a la vez, con el modelado del crecimiento y la simulación del rendimiento de las plantaciones forestales, teniendo en cuenta las perturbaciones que recibe el sistema con ésta práctica silvícola y que incide directamente en la producción. El estudio se realizó con base en la información de 5 mediciones de campo sobre 31 parcelas permanentes establecidas en plantaciones de la especie Gmelina arborea Roxb., ubicadas en las zonas de Bosque seco tropical del departamento del Tolima. La especie Gmelina arborea Roxb., es una especie asiática introducida en Colombia, siendo las características más importantes su rápido crecimiento y su adaptación a diferentes condiciones climáticas y de suelo de los bosques secos tropicales, manteniendo excelentes condiciones de resistencia que la hace una especie promisoria (Iwuoha et al., 2021). En general, la planificación del crecimiento y rendimiento de las plantaciones forestales se basa en modelos alométricos y poco se han utilizado las herramientas de la inteligencia computacional. Para el manejo de densidad, se planifican los tiempos e intensidad de los raleos, a través de Diagramas de Manejo de Densidad que se construyen a partir de ensayos en campo sobre parcelas permanentes, con diferentes tratamientos (periodos e intensidad de raleos), que suelen durar el mismo tiempo, en años, que los periodos de aprovechamiento de la especie. En el marco de referencia se evidenció que los modelos alométricos utilizados para el crecimiento y rendimiento de las plantaciones, no contemplan los cambios en el número de competidores, indispensable para la simulación del comportamiento del árbol y del rodal frente a los raleos. La metodología propuesta logra conseguir sus objetivos planteados, al utilizar las principales herramientas del aprendizaje automático como son: una Red Neuronal Artificial como modelo de crecimiento del árbol individual, donde se tiene en cuenta el índice de competencia; la simulación del crecimiento del rodal mediante una red de autómatas celulares que simula la interacción de cada árbol con sus vecinos. Y, finalmente un Algoritmo Genético que encuentra la mejor política de tiempos e intensidad de las prácticas de raleo, con miras a obtener el mayor volumen de madera al momento del aprovechamiento final. (Texto tomado de la fuente)
Full text 150 pages with text
Read the full thesis Record in the repository
Contents
- INTRODUCCIÓNp. 21
- 1. MARCO TEÓRICOp. 29
- 1.1 REVISIÓN DE LOS MODELOS EXISTENTES DE CRECIMIENTO Y RENDIMIENTOp. 30
- 1.2 INTERVENCIÓN SILVÍCOLA DE DENSIDADp. 34
- 1.3 ÍNDICES DE COMPETENCIAp. 35
- 1.4 DIAGRAMAS DE MANEJO DE DENSIDADp. 38
- 1.4.1 ÍNDICE DE DENSIDAD DEL RODAL (IDR) DE REINEKEp. 39
- 1.4.2 ÍNDICE DE ESPACIAMIENTO RELATIVOp. 20
- 1.5 TÉCNICAS DE LA INTELIGENCIA COMPUTACIONALp. 43
- 1.5.1 REDES NEURONALES ARTIFICIALESp. 44
- 1.5.2 RED DE AUTÓMATAS CELULARESp. 20
- 1.5.3 ALGORITMOS GENÉTICOSp. 20
- PROBLEMA DE INVESTIGACIÓN:p. 55
- 2.1 PROCESO DE PRODUCCIÓNp. 56
- 2.1.1 PRIMERA ETAPA: SELECCIÓN DEL OBJETIVO ECONÓMICOp. 56
- 2.1.2 SEGUNDA ETAPA: SELECCIÓN DE LA ESPECIE FORESTALp. 57
- 2.1.3 TERCERA ETAPA: ESTABLECIMIENTO DE PLANTACIONESp. 59
- 2.1.3.1 ÁREA DE ESTUDIOp. 61
- 2.1.3.2 MUESTREO DE PARCELASp. 61
- 2.1.4 CUARTA ETAPA: MANEJO DE PLANTACIONES:p. 64
- 2.1.4.1. LAS PODAS:p. 65
- 2.1.4.2. LOS RALEOS O RALEOS:p. 66
- 2.1.5. QUINTA ETAPA: APROVECHAMIENTO (COSECHA FINAL):p. 68
- 2.2 DEFINICIÓN DEL PROBLEMA:p. 70
- 2.3 OBJETIVO GENERALp. 74
- 2.4 OBJETIVOS ESPECÍFICOS:p. 74
- 2.4.1 OBJETIVO ESPECÍFICO 1:p. 74
- 2.4.2 OBJETIVO ESPECÍFICO 2:p. 74
- 3 FASES DEL DESARROLLO METODOLÓGICOp. 76
- 3.1 FASE 1. MODELO DE CRECIMIENTO DEL ÁRBOLp. 77
- 3.1.1 MODELO DE CRECIMIENTO CON ÍNDICE DE COMPETENCIAp. 77
- 3.1.2 MANEJO DE LA DENSIDAD DEL RODALp. 79
- 3.1.3 RNA COMO MODELO DE CRECIMIENTOp. 81
- 3.1.4 CONSIDERACIONES DE DISEÑO DE UNA RED NEURONALp. 81
- 3.1.5 IMPLEMENTACIÓN DE LA RED NEURONAL ARTIFICIALp. 83
- 3.1.6 ESPECIFICACIONES DE LA REDp. 84
- 3.1.7 ARQUITECTURA DE LA RED NEURONAL ARTIFICIALp. 85
- 3.2 FASE 2. SIMULADOR DE CRECIMIENTO DE LA PLANTACIÓN FORESTAL (AC)p. 87
- 3.2.1 IMPLEMENTACIÓN DE LA RED DE AUTÓMATAS CELULARESp. 87
- 3.3 FASE 3. MEJORAMIENTO POLÍTICA DE MANEJO DE RALEO (AG):p. 90
- 3.3.1 IMPLEMENTACIÓN DEL ALGORITMO GENÉTICOp. 90
- 3.3.2 CÁLCULO DE BIOMASA Y CAPTURA DE CARBONOp. 92
- 4 EXPERIMENTACIÓN Y ANÁLISIS DE RESULTADOSp. 95
- 4.1 ESTUDIO DE DENSIDAD DE LA ESPECIE SELECCIONADAp. 95
- 4.1.1 ZONAS DE DENSIDADp. 96
- 4.2 MODELO EMPÍRICO DE CRECIMIENTO CON ÍNDICE DE COMPETENCIAp. 97
- 4.2.1 SELECCIÓN DEL ÍNDICE DE COMPETENCIAp. 97
- 4.2.2 MODELO DE VALIDACIÓN:p. 98
- 4.3 MODELO DE CRECIMIENTO A PARTIR DE UNA RED NEURONAL ARTIFICIALp. 98
- 4.4 RESULTADOS DE LA SIMULACIÓN DEL RODAL CON AUTÓMATAS CELULARESp. 105
- 4.5 OPTIMIZACIÓN POR ALGORITMOS GENÉTICOSp. 109
- 4.6 VALIDACIÓN DEL MODELOp. 111
- 4.7 RESULTADOS DEL CÁLCULO DE BIOMASA Y CAPTURA DE CARBONOp. 113
- 4.8 DISCUSIÓN DE LOS RESULTADOS:p. 114
- 5 CONCLUSIONES Y RECOMENDACIONESp. 120
- 5.1 CONCLUSIONESp. 120
- 5.2 INVESTIGACIONES FUTURASp. 121
- REFERENCIASp. 97
- ANEXOSp. 135
- ANEXO 1 : VALORES DE LOS INDICESp. 136
- ANEXO 2: CÓDIGO PRINCIPAL DEL AGp. 140
- ANEXO 3: REDES NEURONALES CON PYTHONp. 141
- Figura 1. Impacto de la deforestación en el cambio climáticop. 21
- Figura 2.Deforestación a nivel global en millones de hectáreas por añop. 22
- Figura 3: Superficie deforestada en Colombiap. 24
- Figura 4: Extracción anual de madera en Colombiap. 25
- Figura 5: Establecimiento anual de nuevas plantaciones forestalesp. 26
- con el valor del crecimientop. 40
- Figura 7: Aspecto de un DMD con líneas de valores constantes (o isolíneas)p. 43
- Figura 8: Representación de una neurona biológica vs una neuronaartificialp. 45
- Figura 9: Red Neuronal Artificial Multicapap. 46
- Figura 10: Representación gráfica de las funciones de activaciónp. 47
- celulares bidimensional (2D)p. 50
- Figura 12: Diagrama de flujo del algoritmo genético como algoritmo de optimizaciónp. 52
- Figura 13: Proceso de producción de una plantación forestalp. 56
- (CURDN– UT)p. 58
- Figura 15: Patrón y distancia de siembrap. 60
- Figura 16: Plantaciones de Gmelina arborea Roxb, en el Departamento del Tolimap. 62
- rama gruesap. 65
- Figura 18: Diagrama de intensidad de raleadop. 67
- cortarp. 67
- restriccionesp. 71
- Figura 22: Diagramas de influencia de aplicación de políticas de raleop. 73
- Figura 23:Relación entre los objetivos propuestos y su desarrollo metodológicop. 76
- Figura 24: Diagrama del entrenamiento supervisado de la red neuronal artificialp. 84
- Figura 25: Información de mediciones de campo (variables dasométricas)p. 85
- Figura 26: Diagrama de red neuronal de una capa oculta con cinco entradasp. 86
- Figura 27: Diagrama de red neuronal de una capa oculta con siete entradasp. 86
- Figura 28: Diagrama de red neuronal de una capa oculta con ocho entradasp. 86
- Figura 29: Distribución de los vecinos en una RAC de 2 dimensionesp. 88
- Figura 30: Estructura del cromosomap. 91