Optimización de un problema integral de construcción de caminos, planificación y distribución espacial de cosecha forestal mediante la aplicación de un modelo de Deep Reinforcement Learning

Abstract

La administración forestal es esencial para garantizar un manejo sostenible y eficiente de los recursos forestales. Este estudio se centra en la optimización de la toma de decisiones en la administración forestal, específicamente en la cosecha de rodales y la construcción de caminos, considerando la maximización de las utilidades de los administradores forestales y la satisfacción de las demandas de madera. La investigación aborda la comparación de dos enfoques: modelos matemáticos de programación entera mixta (MIP) y agentes de aprendizaje por refuerzo profundo o deep reinforcement learning(DRL). Se desarrolló un modelo MIP para determinar el calendario óptimo de cosechas y construcción de caminos en un bosque pequeño. Posteriormente, se diseñó un entorno personalizado que representa los estados del bosque para entrenar agentes de DRL utilizando Deep Q-learning (DQN). Los agentes DQN y el modelo MIP se compararon en términos de convergencia y rendimiento en un ejemplo de bosque pequeño, demostrando que los agentes de DRL pueden alcanzar soluciones similares a la obtenida mediante el modelo MIP con vastos episodios de entrenamiento. Los resultados de esta investigación sugieren que los agentes de DRL, especialmente aquellos basados en el algoritmo DQN, pueden ser una alternativa viable a los modelos MIP en la resolución de problemas de optimización en la administración forestal. Se espera que los hallazgos de este estudio contribuyan al desarrollo de nuevas metodologías y enfoques en la gestión de los recursos forestales y proporcionen una base para futuras investigaciones en el campo