José Luis Cárdenas Domínguez - Academia.edu (original) (raw)

Uploads

Papers by José Luis Cárdenas Domínguez

Research paper thumbnail of Aplicación de Machine Learning para la Estimación de la Biomasa Forestal con Sensores Remotos

Modeling of Aboveground Biomass with Landsat 8 OLI and Machine Learning in Temperate Forests, 2019

La cobertura boscosa de ecosistemas templados que se distribuye en el territorio mexicano, consti... more La cobertura boscosa de ecosistemas templados que se distribuye en el territorio mexicano, constituye un importante sumidero de carbono, hecho que tiene como potencial la disminución de efectos adversos que contribuyan negativamente al cambio climático. El estado de Durango presenta una amplia extensión de bosque templado, por lo cual es el principal productor forestal maderable de la república mexicana, actividad relevante en la gestión de los recursos forestales que contribuyen a la captura de carbono. Los objetivos planteados en esta tesis fueron que a través de la implementación de métodos geomáticos, sensores remotos, técnicas estadísticas de machine learning (RF y SVR) y biomasa estimada con variables dasométricas, se lograra establecer un modelo geoespacial que permitiera predecir la distribución espacial de la biomasa en el estado de Durango, específicamente en el área de bosques templados. Se desarrollaron múltiples campos de investigación geomática mediante la implementación de programación y modelación estadística satelital, y métodos geoestadísticos. El procesamiento de la información mediante estas metodologías, permitió confeccionar la base de datos geoespacial que conformarían las cuarenta y cuatro variables predictivas. El rendimiento estadístico de los modelos de machine learning evaluados denota que SVR es un modelo robusto y estable en la evaluación de grandes bases de datos espaciales, ya que, dentro de su entrenamiento y optimización, ninguna variable necesita ser excluida. El costo computacional de SVR es mejor respecto a RF. Se precisa que con SVR se obtiene una confiabilidad estadística del 80 % en la estimación de la biomasa forestal en el estado de Durango, por lo cual se puede considerar un modelo de fácil aplicación, bajo costo computacional y muy optimo en la estimación de atributos forestales.

Research paper thumbnail of Aplicación de Machine Learning para la Estimación de la Biomasa Forestal con Sensores Remotos

Modeling of Aboveground Biomass with Landsat 8 OLI and Machine Learning in Temperate Forests, 2019

La cobertura boscosa de ecosistemas templados que se distribuye en el territorio mexicano, consti... more La cobertura boscosa de ecosistemas templados que se distribuye en el territorio mexicano, constituye un importante sumidero de carbono, hecho que tiene como potencial la disminución de efectos adversos que contribuyan negativamente al cambio climático. El estado de Durango presenta una amplia extensión de bosque templado, por lo cual es el principal productor forestal maderable de la república mexicana, actividad relevante en la gestión de los recursos forestales que contribuyen a la captura de carbono. Los objetivos planteados en esta tesis fueron que a través de la implementación de métodos geomáticos, sensores remotos, técnicas estadísticas de machine learning (RF y SVR) y biomasa estimada con variables dasométricas, se lograra establecer un modelo geoespacial que permitiera predecir la distribución espacial de la biomasa en el estado de Durango, específicamente en el área de bosques templados. Se desarrollaron múltiples campos de investigación geomática mediante la implementación de programación y modelación estadística satelital, y métodos geoestadísticos. El procesamiento de la información mediante estas metodologías, permitió confeccionar la base de datos geoespacial que conformarían las cuarenta y cuatro variables predictivas. El rendimiento estadístico de los modelos de machine learning evaluados denota que SVR es un modelo robusto y estable en la evaluación de grandes bases de datos espaciales, ya que, dentro de su entrenamiento y optimización, ninguna variable necesita ser excluida. El costo computacional de SVR es mejor respecto a RF. Se precisa que con SVR se obtiene una confiabilidad estadística del 80 % en la estimación de la biomasa forestal en el estado de Durango, por lo cual se puede considerar un modelo de fácil aplicación, bajo costo computacional y muy optimo en la estimación de atributos forestales.