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

Abstract

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)

Modeling and Optimization of Timber Production for a promising species -Melina- in Colombia using Computational Intelligence Techniques The importance of the world's forests lies in the fact that, along with the oceans, they are the largest carbon sinks, critical to mitigating climate change. Despite their importance, deforestation has reduced this forest area, placing environmental degradation and ecosystem service benefits at imminent risk. From 1990 to 2020, an estimated 420 million hectares of forests have been lost worldwide (FAO, 2020a). According to information presented by DANE (2021), the production of wood from forest plantations in our country is insufficient to cover domestic needs for this raw material, resulting in the indiscriminate logging of native forests. Colombia is a country with high forestry potential and specifically in the department of Tolima, there is a need to encourage the sector to increase the establishment of new forest plantations and provide the sector with technological decision-making tools that reduce uncertainty and attract investment. The planning for the establishment of a forest plantation must have a growth and yield modelling tool that allows estimating timber production at the end of the harvest. The major drawback in modelling is the intervention of thinning, which incorporates a large non-linear disturbance into the system. As an alternative in the modelling of plantation growth and yield, including the non-linearity generated by the intervention of thinning, this research aims to use computational intelligence tools to find the best policies of time and intensity of thinning, supported at the same time, with the modelling of growth and simulation of the yield of forest plantations, taking into account the disturbances that the system receives with this silvicultural practice and that directly affects the production. The study was carried out on the basis of information from 5 field measurements on 31 permanent plots established in plantations of the species Gmelina arborea Roxb. located in the tropical dry forest areas of the department of Tolima. The species Gmelina arborea Roxb. is an Asian species introduced in Colombia, the most important characteristics being its rapid growth and its adaptation to different climatic and soil conditions of tropical dry forests, maintaining excellent conditions of resistance which makes it a promising species (Iwuoha et al., 2021). In general, plantation forest growth and yield planning is based on allometric models and little use has been made of computational intelligence tools. For density management, thinning times and intensity are planned through Density Management Diagrams that are constructed from field trials on permanent plots, with different treatments (thinning periods and intensity), which usually last the same length of time, in years, as the harvesting periods of the species. The reference framework showed that the allometric models used for plantation growth and yield do not take into account changes in the number of competitors, which is essential for the simulation of tree and stand behaviour in the face of thinning. The proposed methodology achieves its objectives by using the main tools of machine learning such as: an Artificial Neural Network as a model of individual tree growth, where the competition index is taken into account; the simulation of stand growth by means of a network of cellular automata that simulates the interaction of each tree with its neighbours. And, finally, a Genetic Algorithm that finds the best policy of time and intensity of thinning practices, with a view to obtaining the highest volume of wood at the time of final harvesting.