Predicción del rebrote de Platanus × hispanica tras la poda de ramas mediante aprendizaje automático

El rebrote es una estrategia de supervivencia crucial tras la pérdida de ramas, ya sea por causas naturales o por podas artificiales. La predicción del rebrote sobre una base fisiológica es un enfoque muy complejo. Sin embargo, los jardineros entrenados intentan predecir el rebrote de un árbol tras la poda basándose únicamente en sus conocimientos empíricos.

En este estudio, se explora hasta qué punto estas predicciones también pueden realizarse mediante aprendizaje automático. Los árboles Platanus × hispanica podados anualmente en un vivero fueron escaneados con LiDARLiDAR es la sigla de "Light Detection and Ranging o Laser Imaging Detection and Ranging". Es una tecnología de teledetección que utiliza pulsos de luz láser para medir distancias con gran precisión. Se emplea comúnmente... durante dos años consecutivos. Las estructuras topológicas de estos árboles se abstrajeron mediante ajuste cilíndrico. A continuación, se etiquetaron los brotes nuevos y las ramas recortadas en los cilindros correspondientes. Se probaron modelos de clasificación binaria y multiclase para predecir la localización y el número de nuevos brotes.

La precisión para predecir si hay o no nuevos brotes en cada cilindro alcanza el 90,8% con el clasificador LGBMC, la precisión equilibrada es del 80,3%. La precisión para predecir el número exacto de nuevos brotes con el modelo GaussianNB es del 82,1%, pero su precisión equilibrada se reduce al 42,9%.

Los resultados se validaron con un conjunto de datos independiente, demostrando la viabilidad de la predicción de rebrotes tras la poda utilizando este enfoque. Diferentes especies de árboles, formas de árboles y otras variables deben ser abordadas en futuras investigaciones.

Título Original:

"Predicting resprouting of Platanus × hispanica following branch pruning by means of machine learning"

Autor/es: