Resumen

MARIEL GUERA, Ouorou Ganni et al. Proyección de supervivencia en plantaciones de Pinus caribaea Morelet var. caribaea Barrett & Golfari. Rev cubana ciencias forestales [online]. 2018, vol.6, n.1, pp. 15-30. ISSN 2310-3469.

El presente estudio fue realizado con el objetivo de obtener ecuaciones de regresión y Redes Neuronales Artificiales (RNAs) para la proyección de la supervivencia de Pinus caribaea var. caribaea en la empresa forestal Macurije, provincia de Pinar del Río, Cuba. Los datos utilizados en las modelaciones provienen de la medición de las variables edad (años) y supervivencia (densidad) en parcelas permanentes circulares de 500 m², establecidas en plantaciones de P. caribaea var. caribaea. El estudio se dividió en tres etapas: 1) Ajuste de modelos de regresión tradicionales para proyección de supervivencia; 2) Entrenamientos de RNAs para la proyección de supervivencia, incluyendo variables categóricas «sitio» y «Unidades Básicas de Producción Forestal»; 3) Comparación de los desempeños de las ecuaciones de regresión con los de las RNAs en la proyección de la supervivencia. Los mejores modelos y RNAs fueron seleccionados y basados en: coeficiente de determinación ajustado -R2 aj (%), raíz cuadrada del error medio cuadrático - RMSE (%) y análisis de distribución de residuos. La evaluación de la bondad de ajuste de los modelos también incluyó la verificación de los supuestos de normalidad, homocedasticidad y ausencia de autocorrelación serial en los residuos por las pruebas de Kolmogorov-Smirnov, White y Durbin-Watson, respectivamente. El modelo de Pienaar y Shiver en 1981 resultó ser el de mejor ajuste en la proyección de la supervivencia. La RNA de arquitectura MLP 13-10-1 fue la de mejor capacidad de generalización y presentó un desempeño similar al de la ecuación obtenida del ajuste del modelo de Pienaar y Shiver.

Palabras clave : plantaciones forestales; mortalidad regular; regresión no lineal; Redes Neuronales Artificiales.

        · resumen en Inglés     · texto en Español     · Español ( pdf )