| Descripción de la propuesta: |
Descripción
Las cosechadoras forestales modernas están equipadas con dispositivos automáticos de recolecciónde datos. Estos datos que tienen un formato estándar, que pueden ser extraídos y analizados en una computadora. Esto permite estudiar la productividad de la cosecha con miles de registros, en lugarde tener unos pocos cientos como sería posible registrando mediante métodos tradicionales(inspección visual o filmación). Sin embargo, los métodos analíticos tradicionales, como laregresión lineal, no son capaces de tratar este volumen de datos (o, al menos, no aprovechan todo elpotencial de los datos), por lo que hay que plantearse nuevos enfoques.
Resultados esperados
Esta propuesta pretende abordar esta carencia mencionada utilizando métodos de aprendizaje automático. La idea es estudiar cómo diferentes variables (diámetro a la alturadel pecho -DBH-, especie del árbol, turno de la cosecha y experiencia del operario) afectan ala productividad de una cosechadora forestal considerando datos de escenarios reales.
El producto final será un algoritmo que permita predecir con cierto margen, la productividad (medidaen m³/h) de un frente de cosecha.
Bibliografía
- Rossit, D. A., Olivera, A., Viana, V., & Broz, D. (2019). A Big Data approach to forestry harvesting productivity. Computers and Electronics in Agriculture, 161, 29-52.
- Eriksson, M., & Lindroos, O. (2014). Productivity of harvesters and forwarders in CTL operationsin northern Sweden based on large follow-up datasets. International Journal of Forest Engineering,25(3), 179-200.Liski,
- E., Jounela, P., Korpunen, H., Sosa, A., Lindroos, O., & Jylhä, P. (2020). Modeling theproductivity of mechanized CTL harvesting with statistical machine learning methods. InternationalJournal of Forest Engineering, 31(3), 253-262
|