Monitoreo de la Salud Forestal Basado en UAV: Una Revisión Sistemática

En los últimos años, los avances tecnológicos han llevado al uso creciente de vehículos aéreos no tripulados (UAV) para aplicaciones forestales. Un campo emergente para la aplicación de drones es el monitoreo de la salud forestal (FHM). Los enfoques comunes para el FHM involucran trabajo de campo a pequeña escala y con extensos recursos combinados con plataformas de teledetección tradicionales. Sin embargo, la naturaleza altamente dinámica de los bosques requiere la adquisición de datos oportuna y repetitiva, a menudo con una alta resolución espacial, donde las técnicas convencionales de teledetección alcanzan los límites de viabilidad. Los UAV han demostrado que pueden satisfacer las demandas de operación flexible y alta resolución espacial. Esto también se refleja en un creciente número de publicaciones que utilizan drones para estudiar la salud forestal. Solo existen unas pocas revisiones que no cubren toda la historia de la investigación del FHM basado en UAV. Dado que una revisión integral se está volviendo crítica para identificar brechas de investigación, tendencias y desventajas, ofrecemos un análisis sistemático de 99 artículos que cubren los últimos diez años de investigación relacionada con el monitoreo basado en UAV de bosques amenazados por estresores bióticos y abióticos. Los avances en la tecnología de drones se están adoptando rápidamente y poniendo en práctica, mejorando además el uso económico de los UAV. A pesar de las muchas ventajas de los UAV, como su flexibilidad, costos relativamente bajos y la posibilidad de volar por debajo de la cobertura de nubes, también identificamos algunas deficiencias: (1) el monitoreo multitemporal y a largo plazo de los bosques está claramente subrepresentado; (2) el uso raro de sensores hiperespectrales y LiDAR debe aumentar drásticamente; (3) los datos complementarios de otras fuentes de RS no se están explotando suficientemente; (4) la falta de flujos de trabajo estandarizados representa un problema para garantizar la uniformidad de los datos; (5) los complejos algoritmos de aprendizaje automático y flujos de trabajo oscurecen la interpretabilidad y obstaculizan la adopción generalizada; (6) la tubería de datos desde la adquisición hasta el análisis final a menudo depende de software comercial en detrimento de herramientas de código abierto.