Evaluación de modelos de aprendizaje profundo para el conteo automático de Quercus ilex en dehesas del sur de España

Este depósito contiene la memoria del Trabajo Final de Máster titulado “Evaluación de modelos de aprendizaje profundo para el conteo automático de Quercus ilex en dehesas del sur de España”, desarrollado en el Máster en Geomática, Teledetección y Modelos Espaciales Aplicados a la Gestión Forestal (Universidad de Córdoba, España).

El trabajo evalúa el uso de modelos de detección de objetos basados en YOLO para identificar y contar encinas (Quercus ilex) en dehesas mediterráneas a partir de ortoimágenes RGB del Plan Nacional de Ortofotografía Aérea (PNOA). El enfoque se basa en el uso de datos geográficos abiertos y herramientas reproducibles para desarrollar un flujo de trabajo capaz de estimar densidad de arbolado a escala territorial.

El conjunto de datos de referencia se construyó mediante fotointerpretación de 6000 encinas en tres fincas de dehesa del norte de Córdoba (España). A partir de estos datos se entrenaron y evaluaron distintos modelos YOLO, analizando el efecto del tamaño de las cajas, los aumentos de datos y los umbrales de inferencia.

Los resultados muestran un alto rendimiento en detección (F1 ≈ 0.98 y mAP@0.5 ≈ 0.99) y errores medios absolutos de aproximadamente 4–5 árboles/ha en validación. En un conjunto independiente de test el error medio absoluto fue de 9.7 árboles/ha, con una tendencia a subestimar en parcelas de alta densidad debido al solapamiento de copas.

El trabajo demuestra el potencial de combinar datos geográficos abiertos como el PNOA con técnicas de aprendizaje profundo para desarrollar herramientas reproducibles de monitoreo del arbolado en sistemas agroforestales mediterráneos.