El texto pretende cuantificar y predecir el potencial micológico del níscalo en este tipo de bosques mediterráneos gestionados de forma sostenible utilizando modelos de aprendizaje automático.
La publicación científica Sustainability 2024, ha lanzado un número especial llamado 'Gestión y tecnologías forestales sostenibles', en el que se ha publicado este julio un artículo en el que son coautores dos integrantes del equipo de Cesefor. Concretamente, José Miguel Altelarrea y Raquel Martínez. El estudio, titulado 'Evaluación de la posibilidad micológica mediante modelos de aprendizaje automático para su inclusión efectiva en la gestión forestal sostenible' (en el original, 'Assessment of Mycological Possibility Using Machine Learning Models for Effective Inclusion in Sustainable Forest Management') ha sido realizado junto con Beatriz Águeda, Teresa Ágreda, Luz Marina Fernández-Toirán y Francisco Rodríguez-Puerta.
El artículo refiere el reconocimiento al papel integral de los hongos silvestres en los ecosistemas, incluidos los servicios de aprovisionamiento, regulación, culturales y de apoyo. Sin embargo, cuantificar y predecir el rendimiento de los hongos silvestres es un reto debido a la variabilidad espacial y temporal. En los bosques mediterráneos, las sequías inducidas por el cambio climático afectan aún más a la producción de setas. La fructificación de los hongos está influida por factores como el clima, el suelo, la topografía y la estructura del bosque. Este estudio pretende cuantificar y predecir el potencial micológico del níscalo (Lactarius deliciosus) en pinares mediterráneos gestionados de forma sostenible utilizando modelos de aprendizaje automático. Se ha utilizado un conjunto de datos a largo plazo de los rendimientos de Lactarius deliciosus en 17 parcelas de Pinus pinaster en Soria, España, integrando datos estructurales derivados del bosque, índices de vegetación de la misión Landsat de la NASA y datos climáticos.
Según el resumen del artículo en Sustainability 2024, "la base de datos multifuente resultante facilita la creación de un índice de 'aprovechabilidad micológica' en dos etapas, crucial para incorporar la producción micológica prevista a la gestión forestal sostenible, en línea con lo que se suele hacer para otros usos como la madera o la caza".
Para construir modelos de clasificación y predicción se emplearon diversas técnicas de aprendizaje automático (Machine Learning, ML), como árboles de clasificación, bosques aleatorios, máquinas de vectores de soporte lineal y radial, y redes neuronales. La muestra se dividió siempre en conjuntos de entrenamiento y validación (70-30%), mientras que las diferencias se hallaron en términos de exactitud global (OA). Las redes neuronales, que incorporan variables críticas como datos climáticos (precipitación en enero y humedad en noviembre), índices de teledetección (Índice de Vegetación Mejorado, Índice de Vegetación de Diferencia de Normalización Verde) y variables forestales estructurales (altura media, índice de sitio y área basal), produjeron los modelos más precisos e insesgados (OAtraining = 0,8398; OAvalidation = 0,7190).
Esta investigación subraya "la importancia de considerar un conjunto diverso de variables del ecosistema para cuantificar los rendimientos de los hongos silvestres y destaca el papel fundamental de las herramientas de Inteligencia Artificial (IA) y las observaciones teledetectadas en la modelización de productos forestales no madereros. La integración de estos modelos en los planes de gestión forestal sostenible es crucial para reconocer los servicios ecosistémicos que proporcionan".
Fuente: Cesefor