🤖 AI

FLORA: A deep learning approach to predict forest attributes from heterogeneous LiDAR data

El artículo presenta FLORA, un marco de aprendizaje profundo que aprovecha una arquitectura base basada en octrees y un mecanismo de compuerta de fusión tardía para predecir de manera robusta seis atributos forestales clave a partir de datos LiDAR heterogéneos y de múltiples condiciones en toda Francia, logrando una alta precisión y un rendimiento interestacional mejorado en comparación con los modelos existentes.

Autores originales: Emilie Vautier, Clément Mallet, Cédric Vega

Publicado 2026-07-01

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Emilie Vautier, Clément Mallet, Cédric Vega

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que estás intentando adivinar el peso, la altura y el número de árboles en un bosque simplemente mirando un mapa digital 3D hecho de puntos láser (llamado LiDAR). De esto trata el artículo FLORA.

Los investigadores querían construir un "super-pronosticador" que pudiera mirar estos mapas láser de toda Francia y decirnos exactamente cuánta madera hay en los árboles, qué tan altos son y cuántos hay. Pero había un gran problema: los mapas láser no eran uniformes. Algunos fueron tomados en verano cuando los árboles están llenos de hojas, otros en invierno cuando están desnudos, algunos por aviones rápidos, otros por aviones lentos, y algunos desde lo alto, otros desde abajo.

Es como intentar reconocer la cara de un amigo mirando fotos tomadas con diferentes iluminaciones, con diferentes filtros, y a veces con ellos usando un sombrero y otras veces sin él. La mayoría de los programas informáticos se confunden con esto y fallan cuando las condiciones cambian.

Así es como el equipo de FLORA resolvió esto, utilizando analogías sencillas:

1. El Problema: La "Amnesia Estacional"

El artículo encontró que si entrenas un modelo informático solo con fotos de verano (con hojas), este es pésimo adivinando la estructura del bosque en invierno (sin hojas), y viceversa.

La Analogía: Imagina a un estudiante que solo estudia para un examen de matemáticas usando una calculadora. Si te quitan la calculadora el día del examen, reprueba. Del mismo modo, un modelo entrenado solo con datos "frondosos" no sabe cómo interpretar árboles "desnudos", y un modelo entrenado con árboles "desnudos" se confunde con el denso dosel "frondoso".
El Resultado: Cuando intentaron usar un modelo de "solo verano" en datos de invierno, los errores explotaron. El modelo adivinaba que el bosque era enorme cuando en realidad era pequeño, o viceversa.

2. La Solución: El "Chef de Todas las Estaciones"

En lugar de entrenar chefs separados para el verano y el invierno, los investigadores entrenaron un solo modelo (FLORA) con datos de verano e invierno al mismo tiempo.

La Analogía: Piensa en este modelo como un maestro chef que ha probado la sopa tanto en verano como en invierno. Sabe que los ingredientes cambian (las hojas aparecen o desaparecen), pero la receta base (los troncos y las ramas) permanece igual.
La Magia: Al alimentar al modelo con datos mixtos, aprendió a ignorar el "ruido" de las estaciones y a concentrarse en la estructura permanente del bosque. Este modelo único funcionó mejor que cualquier modelo especializado de "solo una estación", incluso cuando se probó en la estación específica que no era su "favorita".

3. El Ingrediente Secreto: "Pistas de Contexto"

El modelo no solo mira los puntos láser; también recibe una "hoja de trucos" con información adicional.

La Analogía: Imagina que estás intentando adivinar el precio de una casa. Podrías mirar las fotos (los puntos láser), pero ayuda saber el vecindario, el año en que fue construida y el tipo de suelo (los datos auxiliares).
El Mecanismo de Puerta (Gating Mechanism): El artículo describe un ingenioso "portero" dentro de la IA. Para algunas preguntas (como "¿Qué tan alto es el árbol?"), el portero dice: "Ignora la hoja de trucos, solo mira los puntos láser". Pero para otras preguntas (como "¿Cuánta madera hay en los pinos específicamente?"), el portero dice: "¡Mira la hoja de trucos! La ubicación y la estación nos dicen mucho sobre los pinos".
El Resultado: Esto ayudó al modelo a mejorar mucho sus estimaciones de tipos específicos de madera (como pino vs. roble), algo que suele ser muy difícil de hacer solo con los puntos láser.

4. El Bono de Superposición: "La Doble Verificación"

A veces, la misma parcela de bosque fue escaneada dos veces: una vez en verano y otra en invierno.

La Analogía: Esto es como si un amigo te describiera una habitación, y luego te la describiera de nuevo después de que movieron los muebles. Puedes comparar las dos descripciones para entender mejor la forma real de la habitación.
El Resultado: El uso de estas parcelas "doblemente escaneadas" ayudó al modelo a mejorar sus estimaciones del volumen de árboles de hoja ancha (como los robles), pero sorprendentemente, no ayudó mucho con los pinos. Los investigadores sospechan que esto se debe a que los pinos se ven similares durante todo el año, por lo que la "doble verificación" no añadió mucha información nueva, mientras que los árboles de hoja ancha cambian tanto que ver ambas versiones fue de gran ayuda.

La Conclusión

El artículo concluye que no necesitas construir un modelo diferente para cada estación, sensor o tipo de bosque. Si tienes suficientes datos y entrenas un modelo grande y robusto (FLORA) con una mezcla enorme y desordenada de todo, este aprende a manejar el caos por sí solo.

Lo que hizo bien: Predijo la altura de los árboles con mucha precisión (casi un 90% de exactitud) y el volumen total de madera bastante bien.
Lo que fue difícil: Todavía le cuesta un poco contar exactamente cuántos troncos individuales hay (densidad de tallos) y separar el volumen exacto de pino frente al de roble, aunque los datos de la "hoja de trucos" ayudaron a mejorar esas estimaciones.

En resumen, FLORA es una herramienta de aprendizaje profundo que demuestra que puedes construir un "traductor universal" para los bosques, capaz de leer los mapas láser desordenados e inconsistentes de todo un país y convertirlos en estadísticas forestales fiables, sin necesidad de corregir los datos manualmente primero.

Resumen Técnico: FLORA – Un enfoque de aprendizaje profundo para la predicción de atributos forestales a partir de datos LiDAR heterogéneos

Planteamiento del problema
Los Inventarios Forestales Nacionales (IFN) dependen de datos auxiliares de teledetección, particularmente LiDAR aerotransportado, para estimar atributos forestales a escala nacional. Sin embargo, la predicción operativa "muro a muro" (wall-to-wall) sigue siendo un desafío debido a la heterogeneidad de las condiciones de adquisición de LiDAR. Los programas nacionales suelen implicar variaciones en la altitud de vuelo, tipos de sensores, ángulos de escaneo y, fundamentalmente, condiciones fenológicas (con follaje o sin follaje/leaf-on vs. leaf-off). Los modelos existentes, a menudo entrenados con datos locales y parámetros de adquisición uniformes, tienen dificultades para generalizar a través de estas diversas condiciones. Específicamente, aplicar modelos entrenados con datos de "con follaje" a adquisiciones "sin follaje" (y viceversa) introduce un sesgo y error significativos, particularmente en masas forestales caducifolias donde la presencia de follaje altera drásticamente la estructura de la nube de puntos. Además, los enfoques tradicionales de aprendizaje automático que dependen de características estadísticas diseñadas manualmente a menudo no logran capturar la plena complejidad estructural 3D de los bosques ni aprender representaciones robustas y transferibles a través de conjuntos de datos heterogéneos.

Metodología
Los autores proponen FLORA (Forest LiDAR Octree Regression with Auxiliary Data), un marco de aprendizaje profundo diseñado para predecir seis atributos forestales (altura dominante, volumen total, volumen de caducifolios, volumen de coníferas, área basal y densidad de tallos) directamente a partir de nubes de puntos LiDAR heterogéneas.

Arquitectura: FLORA utiliza un enfoque basado en vóxeles, convirtiendo las nubes de puntos originales en estructuras de octree para preservar la información estructural 3D manteniendo la eficiencia computacional. El núcleo es una Red Neuronal Convolucional de Octree (OCNN) adaptada con una arquitectura de Red de Alta Resolución (HRNet). Este diseño procesa mapas de características en múltiples resoluciones espaciales en paralelo, lo que permite al modelo capturar tanto detalles de grano fino como el contexto estructural grueso.
Datos de entrada: El modelo opera principalmente sobre las coordenadas espaciales 3D (XYZ) de los puntos. Aunque se consideraron los atributos de intensidad y eco, estos fueron excluidos durante la optimización de hiperparámetros ya que no proporcionaron mejoras de rendimiento consistentes e introdujeron ruido específico del sensor.
Integración de datos auxiliares: Para abordar la heterogeneidad de la adquisición, FLORA incorpora variables auxiliares ecológicas y espacio-temporales (por ejemplo, ecorregión silvicultural, clase de cobertura de dosel, fecha de adquisición y brecha temporal respecto al inventario de campo). Estas se codifican mediante embeddings aprendibles y se concatenan con las características geométricas.
Mecanismo de fusión: Se emplea una estrategia de "fusión tardía" donde los datos auxiliares se combinan con las características de LiDAR. Crucialmente, se introduce un mecanismo de compuerta (gating) específico para el objetivo. Este aprende un coeficiente ( $g_k$ ) para cada objetivo de predicción para interpolar dinámicamente entre las características impulsadas por la geometría y las representaciones fusionadas. Esto permite al modelo ponderar adaptativamente la información contextual según el atributo específico que se predice, proporcionando un grado de interpretabilidad respecto a la contribución de los datos auxiliares.
Estrategia de entrenamiento: El modelo fue entrenado con 32,052 parcelas de Inventario Forestal Nacional (IFN) en la Francia continental, cubriendo diversos tipos de bosques y condiciones de adquisición (tanto con follaje como sin follaje). El entrenamiento involucró una optimización sistemática de hiperparámetros mediante optimización bayesiana (Optuna) para adaptar la arquitectura a la tarea de regresión específica.

Contribuciones clave

Gestión de la heterogeneidad: FLORA demuestra que un único modelo de aprendizaje profundo entrenado conjuntamente con datos adquiridos bajo condiciones fenológicas contrastantes (con y sin follaje) puede generalizar eficazmente a través de estaciones y tipos de bosque, superando a los modelos específicos de cada estación.
Línea base robusta a escala nacional: El estudio establece una línea base robusta para la estimación de atributos forestales a gran escala utilizando un conjunto de datos único y masivo (programa de LiDAR HD francés), abordando la brecha en la literatura existente respecto a modelos genéricos para datos de escala nacional y múltiples condiciones.
Fusión interpretable: La introducción del mecanismo de compuerta permite cuantificar cuánto contribuyen los datos auxiliares contextuales a predicciones específicas, revelando que la utilidad de tales datos depende del atributo.
Perspectivas fenológicas: La investigación cuantifica la asimetría en la generalización entre estaciones, mostrando que los modelos de "sin follaje" se degradan severamente cuando se aplican a datos "con follaje", mientras que los modelos "con follaje" se transfieren de manera más robusta a condiciones "sin follaje".

Resultados

Rendimiento: El modelo completo logró un sólido desempeño para la altura dominante (rRMSE ≈ 12.3%, $R^2$ ≈ 0.88) y resultados competitivos para el volumen total (rRMSE ≈ 39%, $R^2$ ≈ 0.74). La densidad de tallos siguió siendo el atributo más desafiante ( $R^2$ < 0.47), lo cual es consistente con la literatura general.
Generalización estacional: Un único modelo entrenado en ambas estaciones superó a los modelos entrenados en estaciones específicas, incluso dentro del dominio de calibración de dichas estaciones. Las pruebas de validación cruzada estacional revelaron que los modelos de "sin follaje" aplicados a datos "con follaje" sufrieron una degradación severa (por ejemplo, el rRMSE del volumen aumentó aproximadamente un 24%), mientras que los modelos "con follaje" aplicados a "sin follaje" mantuvieron un desempeño aceptable.
Desequilibrio de clases: Equilibrar el conjunto de entrenamiento (forzando una representación igual de con y sin follaje) resultó en solo una degradación moderada del desempeño, lo que sugiere que el desequilibrio original no sesgó críticamente al modelo.
Adquisiciones superpuestas: El uso de parcelas muestreadas en ambas estaciones como estrategia de entrenamiento mejoró las predicciones para el volumen total y de caducifolios, pero degradó el desempeño para el volumen de coníferas, probablemente debido a la limitada diversidad geográfica del subconjunto de traslape.
Impacto de los datos auxiliares: Las variables auxiliares proporcionaron ganancias moderadas en general, pero revelaron contribuciones dependientes del atributo. Mejoraron significativamente las predicciones para volúmenes de especies específicas (coníferas y caducifolios) y estabilizaron la generalización entre estaciones. Sin embargo, ofrecieron una mejora insignificante para la altura dominante y, en ocasiones, degradaron las predicciones de densidad de tallos en contextos de la misma estación.

Significancia
El artículo posiciona a FLORA como un paso significativo hacia el monitoreo forestal operativo a gran escala. Demuestra que el aprendizaje profundo puede armonizar eficazmente datos LiDAR heterogéneos sin requerir una estratificación explícita por estación, sensor o tipo de bosque. Los hallazgos sugieren que el entrenamiento en conjuntos de datos diversos a escala nacional es una estrategia viable para superar las limitaciones de los modelos locales específicos de cada condición. El trabajo destaca que, si bien la predicción de volumen de especies específicas sigue siendo un desafío, un enfoque de aprendizaje profundo genérico puede proporcionar estimaciones robustas para atributos estructurales clave, apoyando la integración de los programas nacionales de LiDAR en los Inventarios Forestales Multifuente (MSNFIs). El estudio concluye que la capacidad de manejar la heterogeneidad de la adquisición es crítica para futuras aplicaciones a escala nacional donde la cobertura de los datos es espacial y temporalmente fragmentada.