Detección de Podocarpus oleifolius mediante aprendizaje profundo basado en VANT en un bosque montano andino

Abreviaturas: GSD (distancia de muestreo en el terreno); IoU (intersección sobre unión); m s. n. m. (metros sobre el nivel del mar); PP (compacidad de Polsby–Popper); SI (índice de forma); VANT (vehículo aéreo no tripulado).

Introducción

Podocarpus oleifolius D. Don es una conífera montana nativa de Centroamérica y Suramérica, distribuida desde el sur de México hasta Bolivia en elevaciones que van aproximadamente de 1,200 a 3,300 m s. n. m., incluidas las tierras altas de Colombia. Aunque la especie está clasificada globalmente como de Preocupación Menor debido a su amplio rango geográfico y a la presencia de múltiples poblaciones locales (Gardner, 2013), su estado de conservación en los Andes colombianos es considerablemente más precario. La tala histórica extensiva y la fragmentación continua del bosque han causado descensos poblacionales severos, y muchos de los individuos restantes quedan confinados a fragmentos de bosque pequeños y aislados (Álvarez-Díaz et al., 2018).

En Colombia, P. oleifolius está catalogada oficialmente como Vulnerable bajo la Resolución 0126 de 2024 del Ministerio de Ambiente y Desarrollo Sostenible. La detección e identificación precisa de los individuos remanentes representa por tanto una prioridad de conservación, ya que su presencia suele indicar condiciones de bosque montano relativamente bien conservadas. Estos hábitats sostienen típicamente ensamblajes de especies vegetales de sucesión tardía, entre ellas Ceroxylon, Cedrela, Magnolia, Quercus, Cyathea, así como miembros de Lauraceae y Orchidaceae, entre otras, lo que aumenta sustancialmente el valor ecológico y la relevancia para la conservación de estos remanentes de bosque.

Los inventarios tradicionales de biodiversidad en bosques tropicales dependen principalmente de enfoques de campo como los censos en parcelas y los muestreos por transectos. Aunque estos métodos aportan información directa y confiable sobre la composición y el estado de las especies, son costosos, intensivos en trabajo y suelen limitarse a escalas espaciales pequeñas (Garzon-Lopez et al., 2024). Muchos bosques montanos tropicales se encuentran en terrenos escarpados, remotos y de difícil acceso, donde el monitoreo exige desplazamientos y logística considerables, lo que eleva los costos y a menudo vuelve inviables los muestreos en regiones con infraestructura limitada. Más allá de las restricciones logísticas, el monitoreo de biodiversidad en muchos países en desarrollo se ve obstaculizado por una subfinanciación crónica, capacidad institucional limitada y una escasez severa de taxónomos y profesionales de conservación capacitados. En conjunto, estos desafíos — costos altos, recursos humanos limitados y accesibilidad restringida — limitan la capacidad de los enfoques tradicionales de campo para entregar datos de biodiversidad oportunos y a gran escala, restringiendo así la planificación efectiva de la conservación en bosques montanos tropicales bajo condiciones ambientales que cambian rápidamente.

Los avances recientes en teledetección ofrecen una alternativa transformadora para el monitoreo y la conservación de la biodiversidad. Los vehículos aéreos no tripulados (VANT) equipados con cámaras y sensores de alta resolución permiten hoy una adquisición eficiente de datos sobre terrenos abruptos e inaccesibles (Abreu-Dias et al., 2025). En particular, las plataformas VANT ligeras como la serie DJI Mavic se han adoptado ampliamente para muestreos forestales por su disponibilidad, flexibilidad operativa y capacidad de capturar imágenes con resolución espacial centimétrica (Leidemer et al., 2025). Combinados con análisis de imágenes basado en aprendizaje automático, los VANT pueden reducir sustancialmente el tiempo y los costos asociados al catálogo de especies arbóreas en paisajes complejos. En consecuencia, estudios recientes en ecosistemas tropicales emplean cada vez más enfoques con drones para cartografiar distribuciones de especies en apoyo del manejo forestal y de iniciativas de conservación (Albuquerque et al., 2022; Moura et al., 2021). Por ejemplo, un inventario de Mauritia flexuosa basado en VANT realizado para planificación de manejo logró una reducción del 99% en los costos de muestreo frente a los métodos tradicionales de campo (USD 5 ha⁻¹ frente a USD 411 ha⁻¹), mejorando al mismo tiempo la cobertura espacial y la eficiencia operativa (Tagle Casapia et al., 2025).

Los algoritmos de detección de objetos basados en aprendizaje profundo cumplen hoy un papel central en la extracción de información ecológica a partir de imágenes aéreas, y superan consistentemente a las técnicas tradicionales de análisis de imágenes tanto en exactitud como en eficiencia computacional (Topgül et al., 2024). Entre estos enfoques, los modelos de la familia You Only Look Once (YOLO) son detectores de una sola etapa que realizan la localización y la clasificación de objetos en una única pasada hacia adelante por una red neuronal convolucional. Al eliminar la etapa separada de propuesta de regiones y predecir directamente cajas delimitadoras y probabilidades de clase sobre la cuadrícula de la imagen, los modelos YOLO alcanzan velocidades de detección marcadamente superiores sin sacrificar exactitud (Hussain, 2023). Esta combinación de velocidad y desempeño permite un procesamiento en tiempo real o casi real, lo que resulta particularmente ventajoso para aplicaciones con VANT y análisis a bordo. Por ello, las arquitecturas YOLO se han adoptado ampliamente en dominios que requieren reconocimiento de objetos rápido y de alta frecuencia, incluidas la agricultura y la silvicultura (Ali & Zhang, 2024). En el contexto de la identificación de árboles mediante VANT, estas características permiten muestreos rápidos y la detección automatizada de árboles individuales, lo que apoya la toma de decisiones oportuna en el monitoreo forestal y la planificación de la conservación.

Pese a estas ventajas, identificar especies arbóreas individuales a partir de imágenes VANT en bosques tropicales sigue siendo un reto formidable. Los bosques tropicales se caracterizan por doseles densos y multiestratificados y por una alta diversidad de especies, lo que complica la discriminación a nivel de especie desde datos aéreos (Pereira Martins-Neto et al., 2023). Las copas superpuestas y los estratos de vegetación mezclados ocultan con frecuencia los árboles del sotobosque y del dosel medio, lo que dificulta delimitar copas individuales y separar de manera confiable individuos vecinos en las imágenes aéreas (Ball et al., 2023). Además, muchas especies coexistentes exhiben firmas espectrales y texturales similares en imágenes RGB, particularmente en bosques tropicales siempreverdes donde la escasa variación fenológica reduce el contraste entre especies (Zhong et al., 2024). La presencia generalizada de lianas y epífitas modifica aún más la apariencia de las copas, lo que incrementa la complejidad estructural y puede confundir la clasificación automatizada. Como resultado, incluso cuando se dispone de imágenes de alta resolución, distinguir P. oleifolius de especies simpátricas sigue siendo propenso a error. De forma coherente con estos desafíos, estudios previos de clasificación arbórea con VANT han reportado exactitudes muy variables, que van de aproximadamente 40% a más de 90%, según la resolución de la imagen, el número de especies objetivo y la complejidad estructural del bosque (Huang et al., 2024).

En este contexto, el presente estudio busca desarrollar y evaluar un enfoque basado en VANT para la detección e identificación de Podocarpus oleifolius en un bosque montano tropical de Antioquia, Colombia. Cartografiar con éxito esta especie no solo contribuirá a mejorar las evaluaciones de su estado local de conservación y de su demografía poblacional, sino que también ayudará a esclarecer el potencial y las limitaciones del monitoreo de especies mediante drones en bosques tropicales estructuralmente complejos. En última instancia, este trabajo apoya el desarrollo de inventarios forestales más detallados y de estrategias de conservación mejor informadas para los remanentes de bosque montano andino, integrando técnicas avanzadas de teledetección con prioridades urgentes de conservación.

Material y métodos

Área de estudio

La Reserva Forestal Protectora Regional de los Cañones de los Ríos Melcocho y Santo Domingo (en adelante Reserva MS) se ubica en el municipio de El Carmen de Viboral, dentro de la Cordillera Central del oriente antioqueño, Colombia. La reserva cubre un área de 26,533 ha y abarca un gradiente altitudinal de 706 a 2,937 m s. n. m. Las temperaturas medias anuales oscilan entre 16 y 35 °C, mientras que la precipitación anual varía de aproximadamente 3,073 a 5,120 mm.

La Reserva MS comprende un amplio rango de zonas ecológicas, incluidos Bosque Muy Húmedo, Bosque Muy Húmedo Montano Bajo, Bosque Pluvial Premontano, Bosque Muy Húmedo Premontano, Bosque Pluvial Montano Bajo y Bosque Pluvial Montano. Estos hábitats sostienen una alta biodiversidad e incluyen áreas clave de conservación como nacimientos de agua y acuíferos que proveen servicios ecosistémicos críticos (CORNARE, 2016; véanse las figuras en Montoya-López & Lehnert, 2024).

El área cartografiada en este estudio cubrió 89.5 ha, ubicada a una elevación promedio de 2,430 m s. n. m. (5°55′15.2″ N, 75°17′19.6″ O).

Resolución completa

Adquisición de datos con VANT

Las imágenes RGB se adquirieron con un vehículo aéreo no tripulado DJI Mavic 3 Enterprise equipado con un sensor CMOS de 4/3 de pulgada, una cámara de 20 MP y obturador mecánico. Las misiones de vuelo se realizaron en octubre de 2024 bajo condiciones despejadas y soleadas para minimizar la variabilidad de iluminación y los efectos de sombra.

La adquisición de imágenes se realizó mediante vuelos con seguimiento del terreno a una altura de 70 m sobre el nivel del suelo, lo que resultó en una distancia de muestreo en el terreno del ortomosaico de aproximadamente 1.88 cm píxel⁻¹. Los traslapes frontal y lateral se fijaron en 80% para asegurar redundancia suficiente para la reconstrucción fotogramétrica. Las ortofotos se generaron con la plataforma de procesamiento en línea Biodrone usando los parámetros por defecto.

Determinación de la detectabilidad de Podocarpus oleifolius

Para determinar la altura de vuelo óptima que permitiera una identificación confiable de la especie, se tomaron fotografías aéreas de individuos de Podocarpus oleifolius a intervalos de 5 m, desde 5 hasta 75 m sobre el dosel. Cada imagen se inspeccionó visualmente para evaluar la detectabilidad de la especie con base en la coloración, la forma y las características texturales de la copa.

Una altura de 70 m sobre el dosel se identificó como el compromiso óptimo entre resolución espacial y eficiencia de muestreo, y representa la altura máxima a la cual P. oleifolius podía distinguirse de manera consistente y confiable de la vegetación circundante.

Resolución completa

Preparación del conjunto de datos

Se empleó un flujo de anotación en dos pasos para construir el conjunto de entrenamiento. Primero, las ortofotos se importaron a QGIS Desktop versión 3.34.4, donde se digitalizó manualmente un shapefile de polígonos para delimitar las copas de todos los individuos de P. oleifolius dentro de las 89.5 ha del área de estudio.

En el segundo paso, la ortofoto georreferenciada (formato GeoTIFF) se dividió en teselas no superpuestas de 640 × 640 píxeles usando la librería Rasterio en Python. El shapefile de polígonos se convirtió posteriormente en anotaciones de cajas delimitadoras compatibles con YOLO para cada tesela. Finalmente, todas las cajas se inspeccionaron visualmente, se corrigieron donde fue necesario y se validaron con la plataforma de anotación en línea CVAT para asegurar consistencia y exactitud en todo el conjunto de entrenamiento.

Resolución completa

Aumentación de datos

Para incrementar la diversidad del conjunto de datos y mejorar la generalización del modelo, se implementó un flujo de aumentación personalizado con la librería Albumentations. Se aplicaron diez estrategias distintas de aumentación a cada imagen de entrenamiento y a su anotación correspondiente, generando diez variantes aumentadas por muestra original (Tabla 1). Las transformaciones aplicadas incluyeron modificaciones geométricas (rotación, cizalla, transformaciones afines, deformación de perspectiva y volteo horizontal y vertical), ajustes fotométricos (cambios de tono y saturación, variación de brillo y contraste, desplazamientos RGB y permutación de canales), distorsiones locales (desenfoque de movimiento, ruido gaussiano, dropout y desenfoque) y alteraciones tonales (conversión a escala de grises, ecualización de histograma, posterización y ecualización adaptativa de histograma con contraste limitado).

Para emular mejor las condiciones de campo, se introdujeron efectos adicionales de iluminación como sombras artificiales, destellos solares y viñetas. Las cajas delimitadoras se ajustaron dinámicamente durante la aumentación para mantener la exactitud de las anotaciones, con un umbral mínimo de visibilidad del objeto del 10%. Todas las imágenes aumentadas y sus etiquetas en formato YOLO se exportaron a un conjunto de datos estructurado para el entrenamiento posterior del modelo.

Tabla 1. Aumentaciones aplicadas al conjunto de entrenamiento.

#	Descripción
1	Rotación y cizalla fuertes (enfoque geométrico)
2	Deformación de perspectiva (inclinación) + variación leve
3	Volteo horizontal + dropout grueso (simula oclusión)
4	Volteo vertical + desenfoque de movimiento (simula movimiento de la plataforma)
5	Cambio fuerte de tono–saturación–valor + brillo/contraste
6	CLAHE + enfoque (contraste local + bordes)
7	Desplazamiento RGB + permutación de canales (varianza de sensor/color)
8	Desenfoque + ruido (desenfoque óptico + ruido del sensor)
9	Escala de grises + ecualización/posterización (cambio tonal extremo)
10	Iluminación tipo destello solar / viñeta + variación leve

Entrenamiento y evaluación de los modelos

El entrenamiento se realizó en Google Colab con una GPU NVIDIA A100 (40 GB de VRAM) y 83.5 GB de memoria del sistema. El conjunto de entrenamiento consistió en 145 teselas originales con anotaciones de copas de P. oleifolius, junto con 1,450 imágenes aumentadas derivadas de esas originales. El conjunto de validación comprendió 63 teselas originales y no incluyó ninguna muestra aumentada.

YOLOv11

Se entrenó un modelo YOLOv11x (Ultralytics) para detectar copas de P. oleifolius con una resolución de entrada de 1024 × 1024 píxeles durante 250 épocas de entrenamiento. Se habilitó la precisión mixta automática para mejorar la eficiencia computacional. Para asegurar reproducibilidad se aplicó una semilla aleatoria fija (123) y se implementó parada temprana con una paciencia de 30 épocas para reducir el sobreajuste.

El desempeño del modelo se evaluó con métricas estándar de detección de objetos, incluidas precisión, sensibilidad, intersección sobre unión y precisión promedio media, calculada tanto en IoU = 0.5 (mAP@0.5) como en el rango IoU = 0.5–0.95 (mAP@0.5:0.95).

Faster R-CNN

Para Faster R-CNN se implementó una clase Dataset personalizada de PyTorch para convertir las anotaciones en formato YOLO en cajas delimitadoras expresadas en píxeles y devolver pares imagen–objetivo compatibles con el modelo. La aumentación de datos se aplicó con Albumentations e incluyó volteos aleatorios, ajustes de brillo y contraste, redimensionamiento y relleno hasta un tamaño de entrada estandarizado de 1024 × 1024 píxeles.

La arquitectura base, torchvision.models.detection.fasterrcnn_resnet50_fpn, se inicializó con pesos preentrenados en el conjunto de datos COCO. La cabeza de clasificación se reemplazó para predecir dos clases: fondo (manejado implícitamente por torchvision) y copas de Podocarpus oleifolius. Los cargadores de datos se configuraron con un tamaño de lote de 2, una función de intercalado personalizada y dos procesos de trabajo. La optimización del modelo se realizó con el optimizador AdamW y un planificador de tasa de aprendizaje por pasos que reducía la tasa en un factor de 0.5 cada cinco épocas.

Los ciclos de entrenamiento y validación calcularon los componentes estándar de pérdida de Faster R-CNN (pérdida de clasificación, pérdida de regresión de cajas, pérdida de objetidad y pérdida de la red de propuesta de regiones). Se retuvo el modelo con la menor pérdida de validación a lo largo de 15 épocas y se usó para predecir sobre el conjunto de validación. Las predicciones con puntajes de confianza superiores a 0.5 se visualizaron superponiendo cajas delimitadoras y etiquetas de clase sobre las imágenes de entrada.

Para la evaluación cuantitativa, las anotaciones en formato YOLO se convirtieron a archivos JSON conformes con COCO, con las cajas expresadas en unidades de píxel, lo que permitió calcular mAP y sensibilidad con el marco pycocotools. Reconociendo la morfología irregular de las copas de P. oleifolius y la incertidumbre inherente a las anotaciones manuales, la evaluación del modelo se extendió con criterios de emparejamiento alternativos: (i) un umbral de IoU relajado de ≥ 0.30; (ii) un criterio de «acierto de centro», según el cual una detección se consideraba correcta si su centroide caía dentro de una caja de referencia; y (iii) un enfoque de IoU dilatado, en el que las cajas de referencia se expandieron un 15% por cada lado antes de calcular el traslape. Cada criterio se evaluó en un rango de umbrales de confianza, y se reportaron los puntos óptimos de operación en términos de puntaje-F1, precisión y sensibilidad.

Índices geométricos y espaciales

La morfología de las copas y la distribución espacial de Podocarpus oleifolius se cuantificaron mediante un conjunto de índices geométricos y estadísticas espaciales calculadas en QGIS versión 3.34. Todas las métricas se derivaron de los polígonos de copa digitalizados manualmente y proyectados en un sistema de coordenadas planas (metros).

Para cada polígono de copa se calcularon las siguientes métricas: área (A, m²), la superficie total encerrada por el polígono; perímetro (P, m), la longitud del borde de la copa; el índice de forma, SI = P / (2√(πA)), que cuantifica la desviación respecto a la circularidad (SI = 1 para un círculo perfecto); el índice de compacidad de Polsby–Popper, PP = (4πA) / P², que va de 0 para formas alargadas o irregulares a 1 para un círculo perfecto; la dimensión fractal (D), estimada mediante conteo de cajas, donde valores más altos indican mayor complejidad e irregularidad del borde; y la orientación (θ), el acimut del eje más largo del rectángulo mínimo envolvente, restringido al intervalo de 0° a 180°.

La disposición espacial de las copas se analizó usando los centroides de copa y estadísticas espaciales de segundo orden. La función K de Ripley se calculó con corrección de borde como K(r) = (A / (n · nᵢₙₜ)) ΣᵢΣⱼ I(dᵢⱼ ≤ r), donde A es el área de estudio, n el número total de puntos, nᵢₙₜ el número de puntos situados al menos a r del borde y dᵢⱼ la distancia entre los puntos i y j. Para estabilizar la varianza y facilitar la interpretación, K(r) se transformó en L(r) = √(K(r)/π) y H(r) = L(r) − r, donde los valores positivos indican agregación y los negativos dispersión.

La variabilidad direccional de la orientación de las copas se resumió mediante la entropía de Shannon. Las orientaciones se agruparon en clases angulares de 10° y la entropía se calculó como H = − Σ pᵢ ln(pᵢ), normalizada como Hₙₒᵣₘ = H / ln(k), con pᵢ la proporción de copas en la clase i y k el número de clases. Los valores bajos de entropía indican una fuerte alineación direccional, mientras que los valores altos indican patrones de orientación aleatorios o isotrópicos.

Para complementar los análisis de patrón de puntos se aplicaron el análisis del vecino más cercano y el índice de Morisita. El índice de Morisita se calculó como Iₚ = (n Σ xᵢ (xᵢ − 1)) / (N (N − 1)), donde n es el número de cuadrantes (50 × 50 m), xᵢ el número de individuos en el cuadrante i y N el número total de individuos. Valores de Iₚ cercanos a 1 indican distribución aleatoria, valores > 1 agregación y valores < 1 uniformidad.

Gradiente ambiental

Para evaluar la influencia de los gradientes ambientales sobre la morfología de las copas, se extrajeron la elevación, la pendiente y la orientación de ladera de un modelo digital de elevación SRTM de 30 m de resolución del área de estudio usando QGIS. Los centroides de copa derivados de los polígonos digitalizados se intersectaron espacialmente con el MDE para asignar a cada árbol los valores correspondientes de elevación y pendiente, mientras que la orientación de ladera se extrajo como una variable circular de 0–360°.

Las métricas geométricas a nivel de copa (área, compacidad y dimensión fractal) se evaluaron en relación con las variables topográficas mediante análisis de correlación de rangos de Spearman, para valorar posibles relaciones monótonas entre morfología y terreno. Los patrones de orientación se analizaron además agrupando las orientaciones en intervalos de 10° y calculando la entropía de Shannon normalizada por el número de clases. Este marco permitió evaluar si la variación microtopográfica en elevación, pendiente u orientación influía sistemáticamente en el tamaño, la forma o la orientación de las copas dentro del rodal.

Resultados

El modelo YOLOv11x entrenado para la detección de copas de Podocarpus oleifolius mostró un desempeño robusto y estable en todas las métricas de evaluación. Las pérdidas de entrenamiento descendieron de forma sostenida y convergieron con el tiempo: la pérdida de caja pasó de 1.8 a 0.94, la de clasificación de 4.2 a aproximadamente 1.2 y la focal de distribución de 2.2 a 1.4. Las pérdidas de validación se estabilizaron en valores ligeramente superiores (caja ≈ 1.4, clasificación ≈ 1.3, focal de distribución ≈ 1.9), lo que indica buena convergencia sin evidencia clara de sobreajuste.

Resolución completa

La precisión del modelo aumentó hasta un máximo de 0.91 (media = 0.77), mientras que la sensibilidad alcanzó un pico de 0.84 (media = 0.72). El puntaje-F1 más alto (0.80) se logró con un umbral de confianza de 0.455. La exactitud de detección se respaldó además con valores de precisión promedio media de 0.864 en IoU = 0.5 y de 0.51 a través de umbrales de IoU de 0.5 a 0.95.

El análisis de la matriz de confusión indicó que el 86% de las copas anotadas de P. oleifolius se identificaron correctamente, con un 14% no detectado y una baja tasa de falsos positivos respecto a las predicciones de fondo, lo que refleja un comportamiento de detección conservador. El valor de uno en la matriz de confusión normalizada para la clase fondo frente a Podocarpus refleja que el conjunto de validación contenía anotaciones exclusivamente de instancias positivas. El análisis de las distribuciones de etiquetas confirmó que los tamaños y las posiciones espaciales de las cajas estaban bien representados en el conjunto de datos.

Resolución completa

Al evaluarse con el criterio estándar de IoU ≥ 0.50, Faster R-CNN pareció tener un desempeño inferior, en buena medida por la geometría irregular y la delimitación manual gruesa de los bordes de las copas de Podocarpus. Para ofrecer una evaluación ecológicamente más realista del desempeño de detección, se aplicaron tres criterios alternativos de emparejamiento: un umbral de IoU relajado (≥ 0.30), una regla de «acierto de centro» basada en el centroide y un criterio de IoU dilatado con un margen del 15% alrededor de las cajas de referencia (Tabla 2).

Con IoU ≥ 0.30 el modelo alcanzó su mejor equilibrio entre precisión y sensibilidad, con un puntaje-F1 de 0.82 y un umbral de confianza de 0.83. La precisión llegó a 0.79 y la sensibilidad a 0.86, correspondientes a 61 verdaderos positivos, 16 falsos positivos y 10 falsos negativos. La regla de acierto de centro privilegió aún más la precisión, con el valor más alto (0.85) y un puntaje-F1 de 0.83, reduciendo los falsos positivos a 10, aunque con una ligera disminución de la sensibilidad (0.82). En contraste, el criterio de IoU dilatado incrementó la tolerancia a formas irregulares de copa pero resultó en menor precisión (0.72) y un puntaje-F1 de 0.76, con un aumento de falsos positivos (n = 23), pese a mantener una sensibilidad de 0.82.

Tabla 2. Desempeño del modelo Faster R-CNN bajo criterios alternativos de evaluación diseñados para considerar la geometría irregular de las copas y la incertidumbre de las anotaciones.

Criterio de evaluación	Umbral de confianza	Precisión	Sensibilidad	Puntaje-F1	VP	FP	FN
IoU ≥ 0.30	0.83	0.79	0.86	0.82	61	16	10
Acierto de centro	0.88	0.85	0.82	0.83	58	10	13
IoU dilatado (+15%)	0.80	0.72	0.82	0.76	58	23	13

Resolución completa

Se identificaron en total 207 copas de Podocarpus oleifolius dentro del área cartografiada, correspondientes a una densidad de dosel de 2.31 copas ha⁻¹. A nivel de rodal, las copas de P. oleifolius ocuparon solo una pequeña proporción del paisaje, con una cobertura de dosel estimada del 0.42%.

Las estadísticas descriptivas de la geometría de las copas revelaron una heterogeneidad pronunciada tanto en tamaño como en forma (Tabla 3). Las áreas de copa variaron desde < 1 m² en individuos suprimidos hasta > 100 m² en árboles dominantes, con un área media de 16.57 m². Los valores de perímetro fueron igualmente variables (media = 16.13 m), reflejando un continuo desde contornos compactos hasta altamente irregulares. El índice de forma promedió 1.24, lo que indica una desviación consistente respecto a la circularidad, mientras que los valores de compacidad de Polsby–Popper (media = 0.68) sugirieron desviaciones moderadas de las formas redondeadas. Las estimaciones de dimensión fractal (D = 0.41–2.44, conteo de cajas) destacaron además la complejidad estructural y la irregularidad de los bordes de copa.

Tabla 3. Estadísticas descriptivas de la geometría de copa de Podocarpus oleifolius en el área de estudio.

Estadístico	Media	DE	Mínimo	Máximo
Área (m²)	16.57	17.08	0.75	100.36
Perímetro (m)	16.13	8.77	3.63	52.68
Índice de forma (SI)	1.24	0.16	1.04	1.83
Compacidad (PP)	0.68	0.15	0.30	0.93

Resolución completa

La distribución espacial de los individuos de P. oleifolius fue fuertemente agregada. El análisis del vecino más cercano arrojó una distancia media observada entre copas de 16.2 m, aproximadamente la mitad de la distancia esperada bajo un patrón espacial aleatorio (30.8 m). Esto resultó en un índice del vecino más cercano de 0.53 y un valor Z fuertemente negativo (−13.06), lo que indica una desviación significativa de la aleatoriedad espacial. De forma coherente con este patrón, el índice de Morisita (Iₚ = 8.01) aportó evidencia adicional de agrupamiento pronunciado, con individuos concentrados en parches discretos en lugar de distribuidos uniformemente en el paisaje.

Los análisis espaciales de segundo orden corroboraron el agrupamiento a través de múltiples escalas espaciales. Las funciones K y L de Ripley exhibieron valores positivos de H(r) hasta los 134 m, lo que demuestra que la agregación se extiende más allá de los vecindarios locales y persiste a escalas más amplias. El análisis de conglomerados identificó dos grupos principales de copas y un número reducido de individuos aislados, con el grupo mayor conteniendo la mayoría de los individuos. Dentro de los grupos, las métricas de copa se mantuvieron muy variables: el área y el perímetro abarcaron rangos amplios, y los valores de compacidad distinguieron formas de copa más circulares de otras más alargadas. El análisis de orientación basado en rectángulos mínimos envolventes arrojó una entropía de Shannon normalizada alta (≈ 0.86), lo que indica una elongación de copa mayormente isotrópica, sin evidencia de alineación preferencial relacionada con la orientación de ladera o con las direcciones dominantes del viento.

Las relaciones entre la morfología de la copa y los gradientes ambientales fueron en general débiles (Tabla 4). El área de copa mostró poca asociación con la elevación dentro del rango muestreado, lo que sugiere que la posición vertical en el paisaje no influyó fuertemente en la expansión de la copa a la escala espacial considerada. De manera similar, la pendiente no se correlacionó con la compacidad ni con la dimensión fractal, lo que indica que la inclinación local del terreno no afectó sistemáticamente la complejidad ni la elongación de la forma de copa. La orientación de ladera abarcó casi los 360° completos, y la entropía consistentemente alta de las orientaciones de copa respaldó aún más la ausencia de un patrón direccional determinado por la topografía.

Tabla 4. Correlaciones de Spearman entre métricas de copa y gradientes topográficos.

	Área	Compacidad PP	Dimensión fractal	Elevación	Pendiente
Área	1.00	−0.20	0.02	−0.09	−0.02
Compacidad PP	−0.20	1.00	0.67	−0.02	−0.08
Dimensión fractal	0.02	0.67	1.00	0.03	−0.03
Elevación	−0.09	−0.02	0.03	1.00	0.27
Pendiente	−0.02	−0.08	−0.03	0.27	1.00

Resolución completa

Resolución completa

Discusión

La arquitectura de las copas y su disposición espacial son determinantes clave de la estructura del dosel, la intercepción de luz y la dinámica competitiva en los ecosistemas forestales (Purves et al., 2007; Shenkin et al., 2020). Usando delimitación de copas derivada de VANT, este estudio muestra que Podocarpus oleifolius exhibe distribuciones espaciales fuertemente agregadas y una heterogeneidad pronunciada en el tamaño y la forma de las copas dentro de un bosque montano andino.

La distribución agrupada de las copas, respaldada por un índice del vecino más cercano de 0.53, un valor Z fuertemente negativo, un índice de Morisita de 8.01 y valores positivos de H(r) de Ripley hasta los 134 m, indica que los individuos se concentran en parches discretos en lugar de distribuirse aleatoriamente. Tal agregación es consistente con un reclutamiento espacialmente restringido, una idoneidad de micrositio localizada y efectos heredados de disturbio o tala selectiva, todos ellos comunes en bosques montanos fragmentados. La persistencia del agrupamiento a través de múltiples escalas espaciales sugiere que la agregación no se limita a efectos de vecindario local, sino que refleja una estructuración más amplia a nivel de rodal.

La geometría de las copas reveló además una variabilidad sustancial en las estrategias de crecimiento individuales. El área de copa varió de < 1 m² a > 100 m², y los índices de forma se apartaron consistentemente de la circularidad, con valores de dimensión fractal que indican bordes de copa complejos e irregulares. Esta amplia variación probablemente refleja una fuerte plasticidad de copa impulsada por la competencia asimétrica por la luz, donde los individuos se expanden lateralmente hacia las aberturas del dosel. Relaciones similares entre competencia y asimetría de copa se han documentado en sistemas de coníferas, donde el sombreado de los vecinos ejerce una influencia dominante sobre el desarrollo de la copa (Owen et al., 2021).

Pese a esta heterogeneidad, la morfología de las copas mostró asociaciones débiles con los gradientes topográficos. El tamaño, la compacidad y la complejidad de las copas fueron en gran medida independientes de la elevación y la pendiente, y la orientación de copa mostró una entropía de Shannon alta (≈ 0.86), lo que indica elongación isotrópica sin sesgo direccional. Estos resultados sugieren que, a la escala espacial examinada, las interacciones competitivas locales y la historia de crecimiento individual ejercen una influencia más fuerte sobre la forma de la copa que las variables de terreno de gran escala, en concordancia con los modelos generales de plasticidad del dosel y de dinámica forestal impulsada por claros (Purves et al., 2007; Shenkin et al., 2020).

Tanto YOLOv11x como Faster R-CNN lograron una alta exactitud de detección para las copas de P. oleifolius, pese a la geometría irregular de las copas y a la incertidumbre en las anotaciones manuales. El modelo YOLO exhibió alta precisión (0.91) y sensibilidad (0.84), lo que refleja un comportamiento de detección conservador, bien adaptado a inventarios de copas específicos por especie en doseles estructuralmente complejos.

Para Faster R-CNN, los criterios estrictos de IoU ≥ 0.50 subestimaron el desempeño debido al desajuste geométrico entre las predicciones y las copas delimitadas manualmente. Cuando las métricas de evaluación se ajustaron para reflejar el realismo ecológico — usando IoU relajado (≥ 0.30) o una regla de acierto de centro basada en el centroide — el modelo alcanzó de forma consistente puntajes-F1 altos (0.82–0.83). El criterio de acierto de centro maximizó la precisión, mientras que el IoU relajado mejoró la sensibilidad, lo que evidencia un compromiso entre confianza y exhaustividad de la detección.

Estos resultados subrayan la importancia de adaptar las métricas de evaluación para aplicaciones de teledetección ecológica. A diferencia de los objetos manufacturados, las copas de los árboles carecen de bordes bien definidos, y el traslape geométrico estricto puede no corresponder al éxito funcional de la detección. Las métricas que consideran la incertidumbre de las anotaciones y la irregularidad de las copas ofrecen una evaluación más realista del desempeño del modelo para el monitoreo de biodiversidad y las aplicaciones de inventario forestal.

La delimitación de copas mediante VANT ha avanzado rápidamente, particularmente cuando se combina con datos LiDAR o hiperespectrales (Weinstein et al., 2021). Sin embargo, muchos estudios priorizan la exactitud de la segmentación por encima de la interpretación ecológica. En este estudio, los polígonos de copa derivados de VANT permitieron un análisis cuantitativo de la geometría de las copas y de la estructura espacial, aportando información sobre la organización ecológica de los rodales de P. oleifolius.

Las formas de copa observadas probablemente reflejan entornos competitivos contrastantes. Las copas grandes e irregulares indican mayor acceso a la luz y menor competencia, mientras que las copas pequeñas y compactas probablemente corresponden a individuos suprimidos dentro de parches de dosel denso. La arquitectura densamente ramificada característica de P. oleifolius es consistente con una adaptación a las condiciones del bosque nublado montano, donde la exposición al viento y las restricciones mecánicas moldean el desarrollo de la copa.

La fuerte agregación de las copas, combinada con la alta variabilidad dentro de los grupos, sugiere que la morfología de copa codifica información sobre las interacciones de vecindario local más que sobre gradientes ambientales uniformes. Esto destaca el potencial de las métricas de copa derivadas de VANT como indicadores indirectos del estatus competitivo y de la estructura del rodal en bosques remotos o inaccesibles.

Si bien las imágenes RGB fueron suficientes para una detección precisa de copas en este estudio, la discriminación de especies en bosques tropicales sigue limitada por la similitud espectral entre taxones coexistentes. Las especies de coníferas suelen ser más fácilmente identificables que las latifoliadas por su textura y coloración de copa relativamente consistentes (Beloiu et al., 2023; Fricker et al., 2019). De manera importante, la evaluación de detectabilidad resalta una ventaja práctica de las imágenes VANT de baja altura para especies dominantes del dosel en bosques tropicales cerrados. Debido a que las imágenes se adquieren directamente sobre el dosel, ofrecen vistas sin obstrucción del follaje vivo, la textura de la copa y la arquitectura de ramificación, con frecuencia inaccesibles desde observaciones a nivel del suelo bajo un dosel cerrado. En estas condiciones, las imágenes aéreas de baja altura pueden aportar claves visuales más claras e informativas para el reconocimiento de especies que las observaciones de campo realizadas a ras de suelo. Aunque esta identificación basada en imágenes no reemplaza la verificación taxonómica mediante mediciones directas de campo, sí ofrece una base robusta y operativamente realista para la identificación experta de copas en bosques montanos remotos donde la validación terrestre tradicional está limitada por la logística.

Limitaciones

Varias limitaciones delimitan el alcance de inferencia de este estudio y deben considerarse al interpretar los resultados. La identificación de especies y la delimitación de copas se basaron en la interpretación visual experta de imágenes RGB de VANT, y no en verificación independiente de campo (por ejemplo, individuos georreferenciados con GPS o mediciones dendrométricas). Aunque la confiabilidad de las anotaciones se respaldó con una evaluación controlada de detectabilidad que demostró que las copas de Podocarpus oleifolius podían reconocerse sin ambigüedad a bajas alturas de vuelo sobre el dosel, el desempeño del modelo refleja en última instancia la consistencia con anotaciones basadas en imágenes, y no una confirmación taxonómica absoluta en terreno.

El estudio estuvo además restringido a un único sitio de bosque montano, adquirido bajo condiciones ambientales, fenológicas y de iluminación específicas, lo que puede limitar la transferibilidad a otras regiones o tipos de bosque sin entrenamiento y validación adicionales. Asimismo, las métricas de evaluación se adaptaron para considerar la geometría irregular de las copas y la incertidumbre de las anotaciones, empleando umbrales de IoU relajados y emparejamiento basado en centroides; si bien son ecológicamente significativos, estos criterios reducen la comparabilidad directa con estudios que se apoyan estrictamente en los estándares convencionales de detección de objetos. Finalmente, pese a la aumentación extensiva de datos, el número efectivo de copas anotadas originales sigue siendo modesto, y la aumentación no puede sustituir la variabilidad ecológica entre sitios o condiciones de rodal. En consecuencia, este trabajo se interpreta mejor como una prueba de concepto que demuestra la viabilidad de la detección de copas centrada en una especie y del análisis espacial mediante VANT en bosques montanos tropicales estructuralmente complejos, más que como una solución definitiva de cartografía de especies.

Valor aplicado

A escalas local y regional, sin embargo, el enfoque aquí demostrado aporta un valor aplicado sustancial. Al permitir la detección rápida y espacialmente explícita de Podocarpus oleifolius a partir de imágenes VANT, este marco permite a investigadores, gestores de conservación y autoridades ambientales públicas identificar focos poblacionales, evaluar patrones espaciales de persistencia y detectar áreas potencialmente afectadas por tala selectiva o degradación forestal. Dado que las especies arbóreas dominantes del dosel y de vida larga actúan con frecuencia como anclas ecológicas de la estructura del bosque montano, sus distribuciones cartografiadas pueden servir como indicadores indirectos de la integridad del hábitat. Además, una vez incorporadas otras especies de dosel visualmente distintivas o relevantes para la conservación, el mismo flujo de trabajo puede apoyar una zonificación preliminar de refugios forestales prioritarios, orientando los muestreos de campo, la planificación de la restauración y las labores de control y vigilancia. En este sentido, incluso sin una validación terrestre exhaustiva, la detección de especies mediante VANT ofrece una herramienta pragmática y escalable de apoyo a la decisión para la gestión de la conservación en paisajes andinos remotos.

La detección y cartografía autónoma de copas de Podocarpus oleifolius a partir de imágenes VANT, sin depender de mediciones terrestres extensivas, representa no obstante un avance sustancial para el monitoreo de la conservación en bosques andinos remotos. Este enfoque complementa esfuerzos locales recientes por caracterizar la composición de las comunidades vegetales (Montoya-López, 2025; Montoya-López & Bota-Sierra, 2023; Montoya-López & Lehnert, 2024) y demuestra la viabilidad de inventarios escalables a nivel de especie derivados de datos VANT.

Conclusión

Este estudio demuestra la viabilidad de combinar imágenes VANT de alta resolución con detección de objetos basada en aprendizaje profundo para identificar y caracterizar copas individuales de una conífera amenazada dentro de un bosque montano andino estructuralmente complejo. Al integrar la detección centrada en una especie con análisis cuantitativos de la geometría de copa y del patrón espacial, el enfoque va más allá de las métricas de desempeño puramente técnicas y aporta información ecológicamente interpretable sobre la estructura poblacional y la organización del dosel. Los resultados resaltan la importancia de adaptar los criterios de evaluación a objetos biológicos con bordes irregulares e inciertos, y refuerzan la necesidad de métricas ecológicamente significativas en los estudios forestales basados en teledetección.

Desde una perspectiva de conservación y manejo, el flujo de trabajo aquí presentado ofrece una herramienta práctica de apoyo a la decisión para identificar focos poblacionales, evaluar la agregación espacial y priorizar áreas para verificación de campo, protección o restauración. En regiones donde el acceso es limitado y los recursos para muestreos terrestres extensivos son escasos, la detección de especies mediante VANT puede mejorar sustancialmente la resolución espacial y la oportunidad de la información disponible para las autoridades ambientales y los gestores de conservación, apoyando un manejo más informado y proactivo de las especies arbóreas amenazadas en los bosques tropicales montanos.