Software para modelar el crecimiento de árboles individuales

Abstract

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.