Atribución-NoComercial 4.0 InternacionalLizarazo Salcedo, Ivan AlbertOsorio Romero, Juan Ricardo Jannereth2025-09-032025-09-032025https://repositorio.unal.edu.co/handle/unal/88567ilustraciones, diagramas, mapasEsta investigación propone una metodología para estimar biomasa aérea en bosque tropical amazónico usando imágenes de radar (Sentinel-1), ópticas (Sentinel-2) y algoritmos de aprendizaje de máquina. Se compararon dos enfoques: Random Forest clásico (RF) y su versión geográfica (GRF), que incorpora autocorrelación espacial. Los resultados muestran que RF alcanzó valores de R² entre 0.53 y 0.57, mientras que GRF logró hasta 0.66. Esto indica una mejora sustancial en la precisión del modelo. La metodología demuestra el potencial de integrar sensores remotos y técnicas espaciales para estimar biomasa en regiones de difícil acceso. Sus resultados pueden apoyar iniciativas de monitoreo forestal y conservación, especialmente en contextos de deforestación y cambio climático. (Texto tomado de la fuente)This research proposes a methodology to estimate aboveground biomass in tropical Amazonian forest using radar (Sentinel-1), optical imagery (Sentinel-2), and machine learning. Two approaches were compared: classic Random Forest (RF) and its geographical version (GRF), which includes spatial autocorrelation. RF achieved R² values between 0.53 and 0.57, while GRF reached up to 0.66, showing a significant improvement in accuracy. This confirms the advantage of including spatial structure in biomass modeling. The results highlight the potential of integrating remote sensing and spatial methods in forest biomass estimation, especially in inaccessible tropical areas. The methodology supports forest monitoring and conservation efforts in deforestation and climate mitigation contexts.xiv, 136 páginasapplication/pdfspa000 - Ciencias de la computación, información y obras generales600 - Tecnología (Ciencias aplicadas)520 - Astronomía y ciencias afines::526 - Geografía matemática550 - Ciencias de la tierra::558 - Ciencias de la tierra de América del SurTeledetecciónRemote sensingTrabajo de grado - MaestríaUniversidad Nacional de ColombiaRepositorio Institucional Universidad Nacional de Colombiahttps://repositorio.unal.edu.co/Bosques tropicalesTropical forestsReconocimiento de bosquesForest surveysDeforestaciónDeforestationBiomasa forestalForest biomassBiomasa aéreaAprendizaje de máquinaRandom ForestSensores remotosAmazoníaAutocorrelación espacialRandom forest geográfico