Software para modelar el crecimiento de árboles individuales

Autores
Magalhaes, Juliana G. de S.; Polinko, Adam P.; Amoroso, Mariano Martin; Kohli, Gursimran S.; Larson, Bruce C.
Año de publicación
2022
Idioma
español castellano
Tipo de recurso
documento de conferencia
Estado
versión publicada
Descripción
La incertidumbre asociada al cambio climático justifica que la toma de decisiones utilice datos y técnicas de análisis modernos. En este sentido, los modelos de crecimiento de árboles individuales deben ser capaces de capturar la relación entre el crecimiento, el clima y las interacciones entre especies específicas e intraespecíficas, siendo éstas cada vez más importantes. Los modelos estadísticos como la regresión son el enfoque más común para predecir el desarrollo del rodal a lo largo del tiempo. Estos modelos producen una relación simple y comprensible entre los predictores y las variables respuesta, pero generalmente no son lo suficientemente flexibles para capturar patrones no lineales complejos. En cambio, y aunque el modelado con algoritmos como las redes neuronales recurrentes (RNN, por sus siglas en inglés) puede requerir alguna forma de suposición a priori sobre el formato de los datos, posee una gran flexibilidad. Este marco flexible permite aprender de los datos y dejar de lado la mayoría de las premisas estadísticas, como la homogeneidad de la varianza, la independencia de las observaciones y la distribución normal de errores. PredictingTreeGrowth es un software de aplicación gratuito y de código abierto escrito en Python 3.7 que se está desarrollando para permitir una fácil y rápida elaboración de modelos predictivos utilizando los marcos de trabajo de RNN. Las RNN tienen una arquitectura mejorada para capturar los mecanismos de crecimiento de los árboles relacionados con el orden del tiempo y la dependencia del tamaño. Esta presentación discutirá el potencial de incorporar tecnologías emergentes para mejorar la predicción del crecimiento de los árboles en un futuro incierto y presentará un estudio de caso que utiliza Predicting Tree Growth para predecir el crecimiento anual de árboles individuales en Patagonia.
Fil: Magalhaes, Juliana G. de S.. University of British Columbia; Canadá
Fil: Polinko, Adam P.. Mississippi State University; Estados Unidos
Fil: Amoroso, Mariano Martin. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Patagonia Norte. Instituto de Investigaciones En Recursos Naturales, Agroecología y Desarrollo Rural. - Universidad Nacional de Rio Negro. Instituto de Investigaciones En Recursos Naturales, Agroecología y Desarrollo Rural; Argentina
Fil: Kohli, Gursimran S.. University Fraser Simon; Canadá
Fil: Larson, Bruce C.. University of British Columbia; Canadá
VI Jornadas Forestales Patagónicas: el rol de los bosques en un mundo diferente
San Carlos de Bariloche
Argentina
Instituto Nacional de Tecnología Agropecuaria
Consejo Nacional de Investigaciones Científicas y Técnicas
Centro de Investigación y Extensión Forestal Andino Patagónico
Administración de Parques Nacionales
Universidad Nacional de Rio Negro
Universidad Nacional del Comahue
Universidad Nacional de la Patagonia San Juan Bosco
Gobierno de la Provincia de Neuquén. Ministerio de Producción e Industria
Gobierno de la Provincia de Río Negro. Ministerio de Producción y Agroindustria
Gobierno de la Provincia de Chubut
Ministerio de Agricultura, Ganadería y Pesca
Ministerio de Ambiente y Desarrollo Sostenible
Materia
DINÁMICA FORESTAL
APRENDIZAJE AUTOMÁTICO
RED NEURONAL RECURRENTE
Nivel de accesibilidad
acceso abierto
Condiciones de uso
https://creativecommons.org/licenses/by-nc-sa/2.5/ar/
Repositorio
CONICET Digital (CONICET)
Institución
Consejo Nacional de Investigaciones Científicas y Técnicas
OAI Identificador
oai:ri.conicet.gov.ar:11336/234979
Acceder
id CONICETDig_0ee9c4cc9cc0daae0dc806e51c7f02a3
oai_identifier_str oai:ri.conicet.gov.ar:11336/234979
network_acronym_str CONICETDig
repository_id_str 3498
network_name_str CONICET Digital (CONICET)
spelling Software para modelar el crecimiento de árboles individualesMagalhaes, Juliana G. de S.Polinko, Adam P.Amoroso, Mariano MartinKohli, Gursimran S.Larson, Bruce C.DINÁMICA FORESTALAPRENDIZAJE AUTOMÁTICORED NEURONAL RECURRENTEhttps://purl.org/becyt/ford/4.1https://purl.org/becyt/ford/4La incertidumbre asociada al cambio climático justifica que la toma de decisiones utilice datos y técnicas de análisis modernos. En este sentido, los modelos de crecimiento de árboles individuales deben ser capaces de capturar la relación entre el crecimiento, el clima y las interacciones entre especies específicas e intraespecíficas, siendo éstas cada vez más importantes. Los modelos estadísticos como la regresión son el enfoque más común para predecir el desarrollo del rodal a lo largo del tiempo. Estos modelos producen una relación simple y comprensible entre los predictores y las variables respuesta, pero generalmente no son lo suficientemente flexibles para capturar patrones no lineales complejos. En cambio, y aunque el modelado con algoritmos como las redes neuronales recurrentes (RNN, por sus siglas en inglés) puede requerir alguna forma de suposición a priori sobre el formato de los datos, posee una gran flexibilidad. Este marco flexible permite aprender de los datos y dejar de lado la mayoría de las premisas estadísticas, como la homogeneidad de la varianza, la independencia de las observaciones y la distribución normal de errores. PredictingTreeGrowth es un software de aplicación gratuito y de código abierto escrito en Python 3.7 que se está desarrollando para permitir una fácil y rápida elaboración de modelos predictivos utilizando los marcos de trabajo de RNN. Las RNN tienen una arquitectura mejorada para capturar los mecanismos de crecimiento de los árboles relacionados con el orden del tiempo y la dependencia del tamaño. Esta presentación discutirá el potencial de incorporar tecnologías emergentes para mejorar la predicción del crecimiento de los árboles en un futuro incierto y presentará un estudio de caso que utiliza Predicting Tree Growth para predecir el crecimiento anual de árboles individuales en Patagonia.Fil: Magalhaes, Juliana G. de S.. University of British Columbia; CanadáFil: Polinko, Adam P.. Mississippi State University; Estados UnidosFil: Amoroso, Mariano Martin. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Patagonia Norte. Instituto de Investigaciones En Recursos Naturales, Agroecología y Desarrollo Rural. - Universidad Nacional de Rio Negro. Instituto de Investigaciones En Recursos Naturales, Agroecología y Desarrollo Rural; ArgentinaFil: Kohli, Gursimran S.. University Fraser Simon; CanadáFil: Larson, Bruce C.. University of British Columbia; CanadáVI Jornadas Forestales Patagónicas: el rol de los bosques en un mundo diferenteSan Carlos de BarilocheArgentinaInstituto Nacional de Tecnología AgropecuariaConsejo Nacional de Investigaciones Científicas y TécnicasCentro de Investigación y Extensión Forestal Andino PatagónicoAdministración de Parques NacionalesUniversidad Nacional de Rio NegroUniversidad Nacional del ComahueUniversidad Nacional de la Patagonia San Juan BoscoGobierno de la Provincia de Neuquén. Ministerio de Producción e IndustriaGobierno de la Provincia de Río Negro. Ministerio de Producción y AgroindustriaGobierno de la Provincia de ChubutMinisterio de Agricultura, Ganadería y PescaMinisterio de Ambiente y Desarrollo SostenibleInstituto Nacional de Tecnología Agropecuaria2022info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/conferenceObjectJornadaBookhttp://purl.org/coar/resource_type/c_5794info:ar-repo/semantics/documentoDeConferenciaapplication/pdfapplication/pdfapplication/pdfhttp://hdl.handle.net/11336/234979Software para modelar el crecimiento de árboles individuales; VI Jornadas Forestales Patagónicas: el rol de los bosques en un mundo diferente; San Carlos de Bariloche; Argentina; 2022; 162-162978-987-4960-78-8CONICET DigitalCONICETspainfo:eu-repo/semantics/altIdentifier/url/https://repositorio.inta.gob.ar/xmlui/handle/20.500.12123/13997https://youtu.be/Vh6KXk-ySJUNacionalinfo:eu-repo/semantics/openAccesshttps://creativecommons.org/licenses/by-nc-sa/2.5/ar/reponame:CONICET Digital (CONICET)instname:Consejo Nacional de Investigaciones Científicas y Técnicas2025-10-22T11:20:44Zoai:ri.conicet.gov.ar:11336/234979instacron:CONICETInstitucionalhttp://ri.conicet.gov.ar/Organismo científico-tecnológicoNo correspondehttp://ri.conicet.gov.ar/oai/requestdasensio@conicet.gov.ar; lcarlino@conicet.gov.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:34982025-10-22 11:20:45.023CONICET Digital (CONICET) - Consejo Nacional de Investigaciones Científicas y Técnicasfalse
dc.title.none.fl_str_mv Software para modelar el crecimiento de árboles individuales
title Software para modelar el crecimiento de árboles individuales
spellingShingle Software para modelar el crecimiento de árboles individuales
Magalhaes, Juliana G. de S.
DINÁMICA FORESTAL
APRENDIZAJE AUTOMÁTICO
RED NEURONAL RECURRENTE
title_short Software para modelar el crecimiento de árboles individuales
title_full Software para modelar el crecimiento de árboles individuales
title_fullStr Software para modelar el crecimiento de árboles individuales
title_full_unstemmed Software para modelar el crecimiento de árboles individuales
title_sort Software para modelar el crecimiento de árboles individuales
dc.creator.none.fl_str_mv Magalhaes, Juliana G. de S.
Polinko, Adam P.
Amoroso, Mariano Martin
Kohli, Gursimran S.
Larson, Bruce C.
author Magalhaes, Juliana G. de S.
author_facet Magalhaes, Juliana G. de S.
Polinko, Adam P.
Amoroso, Mariano Martin
Kohli, Gursimran S.
Larson, Bruce C.
author_role author
author2 Polinko, Adam P.
Amoroso, Mariano Martin
Kohli, Gursimran S.
Larson, Bruce C.
author2_role author
author
author
author
dc.subject.none.fl_str_mv DINÁMICA FORESTAL
APRENDIZAJE AUTOMÁTICO
RED NEURONAL RECURRENTE
topic DINÁMICA FORESTAL
APRENDIZAJE AUTOMÁTICO
RED NEURONAL RECURRENTE
purl_subject.fl_str_mv https://purl.org/becyt/ford/4.1
https://purl.org/becyt/ford/4
dc.description.none.fl_txt_mv La incertidumbre asociada al cambio climático justifica que la toma de decisiones utilice datos y técnicas de análisis modernos. En este sentido, los modelos de crecimiento de árboles individuales deben ser capaces de capturar la relación entre el crecimiento, el clima y las interacciones entre especies específicas e intraespecíficas, siendo éstas cada vez más importantes. Los modelos estadísticos como la regresión son el enfoque más común para predecir el desarrollo del rodal a lo largo del tiempo. Estos modelos producen una relación simple y comprensible entre los predictores y las variables respuesta, pero generalmente no son lo suficientemente flexibles para capturar patrones no lineales complejos. En cambio, y aunque el modelado con algoritmos como las redes neuronales recurrentes (RNN, por sus siglas en inglés) puede requerir alguna forma de suposición a priori sobre el formato de los datos, posee una gran flexibilidad. Este marco flexible permite aprender de los datos y dejar de lado la mayoría de las premisas estadísticas, como la homogeneidad de la varianza, la independencia de las observaciones y la distribución normal de errores. PredictingTreeGrowth es un software de aplicación gratuito y de código abierto escrito en Python 3.7 que se está desarrollando para permitir una fácil y rápida elaboración de modelos predictivos utilizando los marcos de trabajo de RNN. Las RNN tienen una arquitectura mejorada para capturar los mecanismos de crecimiento de los árboles relacionados con el orden del tiempo y la dependencia del tamaño. Esta presentación discutirá el potencial de incorporar tecnologías emergentes para mejorar la predicción del crecimiento de los árboles en un futuro incierto y presentará un estudio de caso que utiliza Predicting Tree Growth para predecir el crecimiento anual de árboles individuales en Patagonia.
Fil: Magalhaes, Juliana G. de S.. University of British Columbia; Canadá
Fil: Polinko, Adam P.. Mississippi State University; Estados Unidos
Fil: Amoroso, Mariano Martin. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Patagonia Norte. Instituto de Investigaciones En Recursos Naturales, Agroecología y Desarrollo Rural. - Universidad Nacional de Rio Negro. Instituto de Investigaciones En Recursos Naturales, Agroecología y Desarrollo Rural; Argentina
Fil: Kohli, Gursimran S.. University Fraser Simon; Canadá
Fil: Larson, Bruce C.. University of British Columbia; Canadá
VI Jornadas Forestales Patagónicas: el rol de los bosques en un mundo diferente
San Carlos de Bariloche
Argentina
Instituto Nacional de Tecnología Agropecuaria
Consejo Nacional de Investigaciones Científicas y Técnicas
Centro de Investigación y Extensión Forestal Andino Patagónico
Administración de Parques Nacionales
Universidad Nacional de Rio Negro
Universidad Nacional del Comahue
Universidad Nacional de la Patagonia San Juan Bosco
Gobierno de la Provincia de Neuquén. Ministerio de Producción e Industria
Gobierno de la Provincia de Río Negro. Ministerio de Producción y Agroindustria
Gobierno de la Provincia de Chubut
Ministerio de Agricultura, Ganadería y Pesca
Ministerio de Ambiente y Desarrollo Sostenible
description La incertidumbre asociada al cambio climático justifica que la toma de decisiones utilice datos y técnicas de análisis modernos. En este sentido, los modelos de crecimiento de árboles individuales deben ser capaces de capturar la relación entre el crecimiento, el clima y las interacciones entre especies específicas e intraespecíficas, siendo éstas cada vez más importantes. Los modelos estadísticos como la regresión son el enfoque más común para predecir el desarrollo del rodal a lo largo del tiempo. Estos modelos producen una relación simple y comprensible entre los predictores y las variables respuesta, pero generalmente no son lo suficientemente flexibles para capturar patrones no lineales complejos. En cambio, y aunque el modelado con algoritmos como las redes neuronales recurrentes (RNN, por sus siglas en inglés) puede requerir alguna forma de suposición a priori sobre el formato de los datos, posee una gran flexibilidad. Este marco flexible permite aprender de los datos y dejar de lado la mayoría de las premisas estadísticas, como la homogeneidad de la varianza, la independencia de las observaciones y la distribución normal de errores. PredictingTreeGrowth es un software de aplicación gratuito y de código abierto escrito en Python 3.7 que se está desarrollando para permitir una fácil y rápida elaboración de modelos predictivos utilizando los marcos de trabajo de RNN. Las RNN tienen una arquitectura mejorada para capturar los mecanismos de crecimiento de los árboles relacionados con el orden del tiempo y la dependencia del tamaño. Esta presentación discutirá el potencial de incorporar tecnologías emergentes para mejorar la predicción del crecimiento de los árboles en un futuro incierto y presentará un estudio de caso que utiliza Predicting Tree Growth para predecir el crecimiento anual de árboles individuales en Patagonia.
publishDate 2022
dc.date.none.fl_str_mv 2022
dc.type.none.fl_str_mv info:eu-repo/semantics/publishedVersion
info:eu-repo/semantics/conferenceObject
Jornada
Book
http://purl.org/coar/resource_type/c_5794
info:ar-repo/semantics/documentoDeConferencia
status_str publishedVersion
format conferenceObject
dc.identifier.none.fl_str_mv http://hdl.handle.net/11336/234979
Software para modelar el crecimiento de árboles individuales; VI Jornadas Forestales Patagónicas: el rol de los bosques en un mundo diferente; San Carlos de Bariloche; Argentina; 2022; 162-162
978-987-4960-78-8
CONICET Digital
CONICET
url http://hdl.handle.net/11336/234979
identifier_str_mv Software para modelar el crecimiento de árboles individuales; VI Jornadas Forestales Patagónicas: el rol de los bosques en un mundo diferente; San Carlos de Bariloche; Argentina; 2022; 162-162
978-987-4960-78-8
CONICET Digital
CONICET
dc.language.none.fl_str_mv spa
language spa
dc.relation.none.fl_str_mv info:eu-repo/semantics/altIdentifier/url/https://repositorio.inta.gob.ar/xmlui/handle/20.500.12123/13997
https://youtu.be/Vh6KXk-ySJU
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
https://creativecommons.org/licenses/by-nc-sa/2.5/ar/
eu_rights_str_mv openAccess
rights_invalid_str_mv https://creativecommons.org/licenses/by-nc-sa/2.5/ar/
dc.format.none.fl_str_mv application/pdf
application/pdf
application/pdf
dc.coverage.none.fl_str_mv Nacional
dc.publisher.none.fl_str_mv Instituto Nacional de Tecnología Agropecuaria
publisher.none.fl_str_mv Instituto Nacional de Tecnología Agropecuaria
dc.source.none.fl_str_mv reponame:CONICET Digital (CONICET)
instname:Consejo Nacional de Investigaciones Científicas y Técnicas
reponame_str CONICET Digital (CONICET)
collection CONICET Digital (CONICET)
instname_str Consejo Nacional de Investigaciones Científicas y Técnicas
repository.name.fl_str_mv CONICET Digital (CONICET) - Consejo Nacional de Investigaciones Científicas y Técnicas
repository.mail.fl_str_mv dasensio@conicet.gov.ar; lcarlino@conicet.gov.ar
_version_ 1846781701946081280
score 12.982451

Publicaciones similares