Aplicación de sensores remotos e inteligencia artificial en la gestión y conservación de bosques frente al cambio climático en México
Application of remote sensors and artificial intelligence in the management and conservation of forests in the face of climate change in Mexico
DOI:
https://doi.org/10.32870/e-cucba.vi21.332Palabras clave:
Inteligencia Artificial, monitoreo de bosques, gestión forestal, pronóstico, conservación de la biodiversidadResumen
El presente trabajo de revisión se enfoca en los sensores remotos y la Inteligencia Artificial (IA) como herramientas clave para el monitoreo de bosques y la comprensión del cambio climático. Estos sensores proporcionan información detallada sobre la estructura y estado de los bosques, incluyendo la detección de deforestación, enfermedades y plagas, así como la estimación del carbono almacenado. La combinación de sensores remotos con IA ha revolucionado la gestión forestal, permitiendo la clasificación del suelo, la detección de cambios y el pronóstico de los efectos del cambio climático. También han sido útiles para la conservación de la biodiversidad, identificando áreas de alta diversidad, monitoreando ecosistemas y apoyando la planificación de estrategias de conservación. Las tecnologías avanzadas como drones, avionetas, imágenes satelitales y LiDAR han mostrado su eficacia en la monitorización ambiental. Los drones son versátiles y de bajo costo, las avionetas cubren grandes áreas, los satélites proporcionan datos globales y el LiDAR es útil para caracterizar la estructura forestal. Sin embargo, en México en general, hay una falta de aplicación y aprovechamiento de estas tecnologías, debido a la falta de datos actualizados y la escasa integración de la IA. Se requiere invertir en infraestructura tecnológica y promover la colaboración entre instituciones para superar esta brecha y aprovechar plenamente el potencial de estas herramientas en la toma de decisiones ambientales.
Citas
Asner, G. P., Knapp, D. E., Martin, R. E., Tupayachi, R., Anderson, C. B., Carranza, L., ... y Wright, S. J. (2013a). Targeted carbon conservation at national scales with high-resolution monitoring. Proceedings of the National Academy of Sciences, 110(47), E5012-E5020. DOI: 10.1073/pnas.1315021110.
Asner, G. P., Mascaro, J., Muller-Landau, H. C., Vieilledent, G., Vaudry, R., Rasamoelina, M. y Hall, J. S. (2013b). A universal airborne LiDAR approach for tropical forest carbon mapping. Oecologia, 173(2), 463-485.
Asner, G. P., Mascaro, J., Muller-Landau, H. C., Vieilledent, G., Vaudry, R., Rasamoelina, M. y Knapp, D. E. (2015). A universal airborne LiDAR approach for tropical forest carbon mapping. Oecologia, 178(2), 501-511.
Barnes, M. L., Cattau, M. E. y Husak, G. J. (2016). Using LiDAR remote sensing to predict forest development and woody plant invasion in a temperate deciduous forest. Remote Sensing, 8(11), 934.
Bastin, J. F., Rutishauser, E., Kellner, J. R., Saatchi, S. S., Pélissier, R., Hérault, B., ... & Bogaert, J. (2019). Pan-tropical prediction of forest structure and carbon stocks from Sentinel-1 and -2. Remote Sensing of Environment, 221, 24-45.
Cavender-Bares, J., Gamon, J. A., y Townsend, P. A. (2020). Remote Sensing of Plant Biodiversity. Springer Open. DOI: 10.1007/978-3-030-33157-3
Chávez, R. E., Villa, J. R., Ramírez-Mancilla, J., & Trejo-Saldaña, R. (2019). Aplicación de la inteligencia artificial para el monitoreo y seguimiento de áreas naturales protegidas en México. En Memorias del XVIII Congreso Nacional de Ingeniería de Organización (CIO 2019) (pp. 559-568). DOI: 10.4995/CIO2019.2019.10783.
FAO. (2022). Global Forest Resources Assessment 2020. Main Report. Food and Agriculture Organization of the United Nations.Recuperado de http://www.fao.org/3/CA8755EN/CA8755EN.pdf.
Flores-Rodríguez, A. G., Flores-Garnica, J. G., González-Eguiarte, D. R., Gallegos-Rodríguez, A., Zarazúa-Villaseñor, P. y Mena-Munguía, S. (2022). Estimación de regeneración mediante variables ambientales e índices espectrales en ecosistemas con incendios forestales. e-CUCBA, (18), 28–39.
Gamon, J. A. y Townsend, P. A. (2019). Remote sensing of plant biodiversity. Remote Sensing of Environment, 233, 111339. DOI:10.1016/j.rse.2019.111339.
Gislason, P. O., Benediktsson, J. A. y Sveinsson, J. R. (2019). Artificial intelligence in earth observation-based forest monitoring. Remote Sensing, 11(8), 969. DOI: 10.3390/rs11080969.
Gislason, P. O., Benediktsson, J. A. y Sveinsson, J. R. (2019). Introduction to remote sensing. CRC Press. London, UK.
Hansen, M. C., Potapov, P. V., Moore, R., Hancher, M., Turubanova, S. A., Tyukavina, A., ... y Kommareddy, A. (2013). High-resolution global maps of 21st-century forest cover change. Science, 342(6160), 850-853.
Huete, A. R., Didan, K., Miura, T., Rodriguez, E. P., Gao, X. y Ferreira, L. G. (2002). Overview of the radiometric and biophysical performance of the MODIS vegetation indices. Remote Sensing of Environment, 83(1-2), 195-213. DOI: 10.1016/S0034-4257(02)00096-2
IPCC. (2018). Global warming of 1.5°C. An IPCC Special Report on the impacts of global warming of 1.5°C above pre-industrial levels and related global greenhouse gas emission pathways, in the context of strengthening the global response to the threat of climate change, sustainable development, and efforts to eradicate poverty. En V. Masson-Delmotte, P. Zhai, H. O. Pörtner, D. Roberts, J. Skea, P. R. Shukla, ... y T. Waterfield (Eds.). IPCC. https://www.ipcc.ch/sr15/.
Krause, J. M., Bellosi, E. S. y Bouza, P. J. (2018). Edafología y Paleosuelos. XVI Reunión Argentina de Sedimentología. Universidad Nacional de Río Negro
Korhonen, L., Hantula, J., & Härkönen, M. (2017). Remote sensing in forest health assessment—A review. Current Forestry Reports, 3(1), 1-14.
Liu, X., Zhang, L., Wu, Y., Huang, Y., Chen, G., Chen, X., ... & Chen, J. (2018). A comparison of classification algorithms for mapping tropical rainforest in the Amazon basin using multi-temporal L-band SAR imagery. Remote Sensing, 10(10), 1607. DOI: 10.3390/rs10101607.
López-Caloca, A. A., González-González, J. J., Zárate-Domínguez, E. D., Carrera-Hernández, J. J. y Palacios-Vargas, J. G. (2020). Análisis de la deforestación y cambio de uso de suelo en México: Limitantes en la adquisición de datos espaciales. Política y Cultura, (53), 13-41. DOI:10.24201/pyc.v0i53.2320.
McFeeters, S. K. (1996). The use of the Normalized Difference Water Index (NDWI) in the delineation of open water features. International Journal of Remote Sensing, 17(7), 1425-1432. DOI: 10.1080/01431169608948714
Molina, J. R., Vega-Garcia, C., Chuvieco, E., y Aguado, I. (2015). Mapping postfire vegetation recovery with high-resolution imagery: A case study in Central Spain using GeoEye-1 and WorldView-2. Journal of Applied Remote Sensing, 9(1), 096073.
Morsdorf, F., Kükenbrink, D., Schneider, F. D., Schaepman, M. E. y Gastellu-Etchegorry, J. P. (2018). Combined airborne laser scanning and imaging spectroscopy for forest canopy characterization. ISPRS Journal of Photogrammetry and Remote Sensing, 139, 38-55.
Muraoka, H., Nagai, S., Koizumi, H., Saitoh, T. M., Tamura, M., Suzuki, R., ... y Kajimoto, T. (2019). Remote sensing of vegetation function and traits: An overview. Remote Sensing, 11(19), 2275.
Palacios-Vargas, J. G., Ángeles-Pérez, G. y López-Caloca, A. A. (2020). Uso de drones en el monitoreo de la biodiversidad y la conservación de ecosistemas en México. En Memorias del XVIII Congreso Nacional de Ingeniería de Organización (CIO 2019) (pp. 1091-1098).
Romo-López, M. R., Muñoz-García, M. A., Ortega-Gutiérrez, F., Romero-Romero, J. L., y Tzompantzi-González, S. L. (2020). Aplicación de sensores remotos en el monitoreo de humedales costeros en México: estado actual y perspectivas futuras. Terra Latinoamericana, 38(1), 37-54.
Rouse, J. W., Haas, R. H., Schell, J. A. y Deering, D. W. (1974). Monitoring vegetation systems in the Great Plains with ERTS. En Third Earth Resources Technology Satellite-1 Symposium, NASA SP-351, (1), 309-317.
Van Wagtendonk, J. W., Root, R. R. y Key, C. C. (2013). Comparison of airborne and satellite high-resolution image data for emergency response to a forest fire. Remote Sensing, 5(5), 2303-2322.
Vihemäki, H., Repola, J., Korhonen, L. y Lähde, E. (2017). Mapping degraded peatlands for restoration planning using airborne laser scanning and hyperspectral data. Remote Sensing, 9(11), 1132.
Wulder, M. A., Masek, J. G., Cohen, W. B., Loveland, T. R., Woodcock, C. E. y Fosnight, E. A. (2018). Opening the archive: How free data has enabled the science and monitoring promise of Landsat. Remote Sensing of Environment, 204, 2-10.
Wulder, M. A., White, J. C., Loveland, T. R., Woodcock, C. E., Belward, A. S., Cohen, W. B., ... y Olofsson, P. (2019). The global Landsat archive: Status, consolidation, and direction. Remote Sensing of Environment, 225, 161-176. DOI: 10.1016/j.rse.2019.02.029.
Zhu, Z. y Woodcock, C. E. (2014). Continuous change detection and classification of land cover using all available Landsat data. Remote Sensing of Environment, 144, 152-171.
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2024 Eliceo Ruiz Guzmán, Agustín Gallegos Rodríguez, José Germán Flores Garnica, Salvador Mena Munguía
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
