Uso del aprendizaje automático para identificar los límites de las copas de los árboles urbanos: Explorando un nuevo método para desarrollar políticas forestales urbanas

La recopilación y gestión de datos sobre árboles concretos es una actividad fundamental para las estrategias de sostenibilidad medioambiental. Las administraciones locales pueden recopilar fácilmente inventarios detallados de los árboles públicos; sin embargo, los datos sobre los árboles situados en terrenos privados son mucho más difíciles y costosos de recopilar. Esto significa que las nuevas normativas destinadas a limitar la tala de árboles en terrenos privados no se someten a pruebas antes de su aplicación, o no superan los procesos de revisión normativa. Sin conocer la ubicación de los árboles ni la variedad de sus diferentes tamaños, las autoridades de los gobiernos locales no pueden predecir dónde una nueva política para prohibir la tala de árboles de un determinado tamaño probablemente tenga mayor efecto, dónde debe concentrarse la aplicación de la ley, ni convencer al gobierno, al sector de la construcción y a las comunidades locales de la necesidad de actuar para preservar los árboles.

El objetivo de este estudio fue explorar el potencial de un algoritmo de aprendizaje automático supervisado como método rentable para conocer el tamaño y la ubicación de los árboles en terrenos privados, y analizar cómo podría utilizarse esta información para el enverdecimiento urbano sostenible.

Concluimos analizando algunas de las ventajas de este enfoque para orientar mejor la protección de la vegetación nativa y proteger los árboles de gran tamaño; e informamos sobre la precisión y la recuperación de la detección del bosque urbano.

Título Original:

"Using machine learning to identify urban forest crown bounding boxes (CBB): Exploring a new method to develop urban forest policy"

Autor/es: