Evaluación del efecto de las estructuras de redes neuronales convolucionales en la discriminación de árboles plus de algarrobo en la zona norte del Perú como estrategia para enfrentar la deforestación y la desertificación

• Autor: Guerra Lima, Saire Roenfi
• Formato: tesis doctoral
• Fecha de Publicación: 2024
• Institución: Universidad Nacional del Altiplano
• Repositorio: UNAP-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.unap.edu.pe:20.500.14082/22486
• Enlace del recurso: https://repositorio.unap.edu.pe/handle/20.500.14082/22486
• Nivel de acceso: acceso abierto
• Materia: Algarrobo; Aprendizaje profundo; Deforestación; Desertificación; Redes neuronales convolucionales; https://purl.org/pe-repo/ocde/ford#1.05.00

Los bosques secos del norte peruano tienden a deforestarse, por lo que se requiere implementar estrategias para la gestión de especies protegidas como el algarrobo, basados en la identificación y selección de productores de semillas de calidad que lo proporcionan los algarrobos plus. El objetivo de esta investigación fue evaluar el efecto de las estructuras de redes neuronales convolucionales para discriminar árboles plus de algarrobo en la zona norte del Perú como estrategia para enfrentar la deforestación y la desertificación. Se evaluaron 624 algarrobos ubicados en localidades de Tumbes, Piura y Lambayeque; mediante análisis de imágenes obtenidas con dron y comparadas con sus características morfológicas que fueron proporcionadas por el Servicio Forestal Nacional del Perú (SERFOR) que aseguraron sus caracteres plus y no plus para este estudio, luego de la corrección y segmentación de las imágenes, los datos se alimentaron al Matlab 2019a para ser analizados con redes convolucionales conocidas como AlexNet, DenseNet, MobileNet y GoogleNet, así como una arquitectura nueva, denominada AlgarroboNet. Las redes convolucionales lograron una clasificación exitosa de los árboles, destacándose AlexNet como el modelo más preciso y estable, con una precisión F-measure de 0,96, seguido de DenseNet y MobileNet (0,95 para ambos), GoogleNet (0,94) y finalmente AlgarroboNet (0,87). A pesar del menor rendimiento de AlgarroboNet, se puede concluir que esta propuesta al incrementar su entrenamiento, por contener menor número de capas y cantidad de parámetros, es eficiente para la selección masiva y caracterización de árboles de algarrobo plus para implementarlo en programas de reforestación.