Todos los días, parece que los científicos publican una nueva tecnología o algoritmo. La inteligencia artificial y el aprendizaje automático son herramientas poderosas que pueden ayudar a las personas en todo el mundo y acelerar la investigación. Uno podría preguntarse si estos enfoques todavía requieren alguna supervisión humana.

Una tarea que requiere mucha mano de obra para los ecologistas y conservacionistas de todo el mundo es catalogar y monitorear los hábitats forestales. Escaneo láser terrestre (TLS) se está convirtiendo en uno de los enfoques principales para tomar un escaneo 3D de un árbol individual o parche de bosque para extraer diferentes medidas (por ejemplo, número de árboles, altura del árbol, diámetro del árbol). Este enfoque desafiante desde el punto de vista computacional es propenso a altas tasas de error, ya que se basa en algoritmos que determinan qué es un árbol o una parte del árbol en una nube de puntos 3D (es decir, una imagen).

Dr. Olivier Martin-Ducup de la Universidad de Montpellier y colegas de la Universidad de Yaundé, la Universidad Aalto y la Universidad de Tampere comparó mediciones de árboles automáticas y asociadas a humanos en una parcela de una hectárea en la Reserva de Fauna de Dja en Camerún. Los investigadores descubrieron que cuando aislaron árboles en los escaneos láser, redujeron los errores de medición en un factor de tres a diez veces.

En 2018, Martin-Ducup y sus colegas establecieron una parcela forestal de 1 ha en la Reserva de Fauna de Dja. El equipo midió 391 árboles y escaneó la parcela en un patrón serpenteante. El árbol, Uapaca guineensis, fue la especie más común, mientras que Irvingia grandifolia tuvo el mayor diámetro (1.2 m).

Los científicos probaron cinco tuberías totalmente automatizadas utilizando diferentes software, algoritmos y configuraciones. Los tres pasos principales fueron primero localizar y aislar árboles individuales de la nube de puntos 3D generada por LIDAR, segmentar las hojas y la madera, y reconstruir árboles utilizando modelos estructurales cuantitativos.

Los científicos probaron si la asistencia humana en las diferentes etapas de procesamiento podría reducir las tasas de error a nivel de parcela, subparcela y árbol. Se estimó la altura del árbol, diámetro, área de copa, área basal y volumen de madera y se comparó con las mediciones manuales.

A escala de árbol, el investigador descubrió que aislar árboles con ayuda humana reducía el error en el volumen de madera por un factor de diez. A escala de parcela de 1 ha, la ubicación de árboles con ayuda humana redujo el error en un factor de tres.

“Los resultados mostraron que todas las canalizaciones arrojaron resultados poco confiables cuando se realizaron de forma totalmente automática”, escriben Martin-Ducup y sus colegas.

“Este hallazgo destaca el riesgo de usar a ciegas estos tratamientos automatizados a escala de parcela. Sin embargo, demostramos que brindar asistencia humana, incluso asistencia limitada, en pasos críticos en los métodos de canalización automatizados podría ayudar en gran medida a reducir los errores de estimación”.

El escaneo LIDAR, el aprendizaje automático y la inteligencia artificial son herramientas nuevas y emocionantes que pueden ayudar a los científicos, conservacionistas y administradores de tierras. Pero contar árboles en una imagen 3D aún puede hacerlo mejor una persona.