Inteligencia artificial para predecir las producciones de setas

Investigadores del Centro de Servicios y Promoción Forestal y de su Industria de Castilla y León (Cesefor) publicaron un estudio sobre cómo cuantificar y predecir el potencial micológico en pinares mediterráneos gestionados de forma sostenible utilizando modelos de aprendizaje automático. La 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”, aludieron los investigadores. La publicación científica ‘Sustainability’ 2024, lanzó un número especial denominado 'Gestión y tecnologías forestales sostenibles', en el que se publicó en el que son coautores dos integrantes del equipo de Cesefor. Concretamente, José Miguel Altelarrea y Raquel Martínez, informa Ical.

El estudio, titulado 'Evaluación de la posibilidad micológica mediante modelos de aprendizaje automático para su inclusión efectiva en la gestión forestal sostenible' fue elaborado 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, agrega que 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 de lactarius deliciosus (níscalos) en pinares mediterráneos gestionados de forma sostenible utilizando modelos de aprendizaje automático”, resalta,

En concreto, se ha utilizado un conjunto de datos a largo plazo de los rendimientos de níscalos en 17 parcelas de pinus pinaster en Soria, integrando datos estructurales derivados del bosque, índices de vegetación de la misión Landsat de la NASA y datos climáticos.

Los investigadores concluyen que 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 como árboles de clasificación, bosques aleatorios, máquinas de vectores de soporte lineal y radial, y redes neuronales.