Clasificación y predicción de tipos de árboles en la reserva Roosevelt usando datos cartográficos
Date
2022-01
Type:
Thesis
item.page.extent
48 p.
item.page.accessRights
Authors
item.contributor.advisor
ORCID:
Journal Title
Journal ISSN
Volume Title
Publisher
Universidad del Desarrollo. Facultad de Ingeniería
item.page.isbn
item.page.issn
item.page.issne
item.page.doiurl
item.page.other
item.page.references
Abstract
Debido a las restricciones en reservas naturales es complejo realizar el estudio de estas. En este trabajo presentamos distintos modelos de machine learning para predecir el tipo de cobertura de ´arbol utilizando el dataset Forest Cover Type, de la Roosevelt National Forest en Colorado. Este set de datos contiene 581.012 observaciones, 54 atributos con informaci´on cartogr´afica y 7 categor´ıas de ´arboles a predecir, cada instancia corresponde a un ´area de 30x30m donde la categor´ıa tenga predominancia. Para realizar las predicciones se utilizaron dos modelos de machine learning: Random Forest y LightGBM, Se experiment´o utilizando la funci´on de p´erdida Focal Loss y adicionando informaci´on sint´etica de las categor´ıas minoritarias utilizando redes CTGAN. Con este ´ultimo enfoque se alcanz´o un valor para la m´etrica F1 de 0.943 y accuracy de 0.966. Un an´alisis de la interpretabilidad del modelo revel´o uno de los atributos m´as importantes para predecir la cobertura de arboles es la Elevaci´on, Distancia horizontal a carreteras y Distancia horizontal a puntos de incendios
Description
Proyecto de Grado presentado a la Facultad de Ingeniería de la Universidad del Desarrollo para optar al grado académico de Magıster en Data Science
item.page.coverage.spatial
item.page.sponsorship
Citation
Keywords
Áreas protegidas, Conservación, Censo forestal, Metodologías, 070037S