“Desarrollamos un simulador que permitirá calcular el potencial resinero de cualquier pinar”

El grupo PROePLA es uno de los integrantes del proyecto Go Acrema centrado en la producción de resina. Abordamos con el profesor de la Escuela Politécnica de Lugo, Manuel Marey, que es uno de los destacados integrantes de este grupo, su participación en el proyecto.

El análisis de datos de la producción de resina que realizaron muestra diferencias entre los métodos de extracción, la influencia de las pastas y una gran variabilidad entre los árboles una vez sometidos a estos tratamientos. Conocemos más en detalle sus conclusiones iniciales y los avances prácticos que supondrá para el sector, con el desarrollo de herramientas que ayuden a conocer la capacidad resinera de una masa de pinos.

-¿Por qué decidís comenzar a trabajar sobre la resina?
-Por una parte hay una componente personal, ya que la impulsora del proyecto *Érika Martínez, fue alumna mía en la Escuela Politécnica Superior de Ingeniería. Siempre fue una alumna muy destacada y con mucha iniciativa y que mantuvo un vínculo con grupos de investigación de la Universidad una vez finalizados sus estudios. Ella conocía la trayectoria de PROePLA en la modelización y elaboración de sistemas de apoyo a la decisión, un ámbito en el que estamos especializados y cuando nos pidió colaboración decidimos ir adelante con el estudio de la resina.

-¿Ha sido la primera vez que trabajasteis sobre la resina?
-Correcto. Nosotros no éramos expertos en la resina. Nosotros somos expertos en el proceso de crear simuladores, es decir creamos artefactos informático-matemáticos que permiten simular o modelizar escenarios de comportamientos con determinadas variables. En este caso nos centramos en la producción de resina como antes habíamos hecho con la producción de leche, entre otros temas.

Nos apetecía también abrirnos a nuevos retos. Entendemos que en la Universidad hay que estar saliendo constantemente de la zona de confort y así lo hicimos con este proyecto, fue un nuevo desafío. También es interesante que fuese un tema en el que no éramos expertos porque acercarte por primera vez a él tiene la ventaja de no caer en los apriorismos que tienen aquellos profesionales de la materia.

“Buscábamos saber el potencial resineiro de una masa de pino en Galicia, Asturias y Castilla y León, sometidos a diferentes prácticas de extracción de resina de acuerdo a un diseño experimental”

-¿En qué consiste el trabajo que llevasteis a cabo?
-Nos ocupamos de formular el inventario de recogida de datos del proyecto Acrema, después de hacer todo el proceso de obtención del resultado del potencial resinero de las masas de pino pinaster de la zona del ámbito del proyecto, que abarca Galicia, Asturias y buena parte de Castilla y León.

En primer lugar hicimos el diseño y localización de esas posibles zonas en las cuales interesaría tener una parcela puntual de extracción de resina para poder tener una caracterización de la producción resinera en el ámbito de actuación del proyecto.

Luego, nos centramos en la modelización de la producción de resina, es decir, a partir de los datos obtenidos en campo por otros miembros del proyecto Acrema ser capaces de saber el potencial productor del pino pinaster para poder establecer una mapificación y caracterización. En definitiva, buscábamos saber el potencial resinero de una masa de pino en Galicia, Asturias y Castilla y León, sometidos a diferentes prácticas de extracción de resina de acuerdo a un diseño experimental.

-¿Qué datos se procesaron?
-Tenemos un set de datos muy riguroso, pero no tan amplio como nos gustaría. Existen datos históricos de producción de resina, especialmente en Castilla León, pero que tienen la dificultad de que fueron tomados con criterios distintos, lo que hacía que no pudieran ser utilizados para la construcción de modelos, pues conducirían presumiblemente a errores en los resultados obtenidos. En el proyecto Acrema se partió de una recogida de datos siguiendo premisas estadísticas y científicas, que suponían una recogida de muestras de forma controlada en todo momento y teniendo individuos de control en las parcelas en las que se producía la medición. La recogida de datos tiene su complejidad, ya que se trata de una recogida repetida durante un año en el monte, en unas 15 picas con condiciones meteorológicas cambiantes, estado del matorral, etc. En concreto, se tomaron datos de macrorresinación en tres parcelas de Galicia, una en Asturias y otra en Coca (Castilla y León).

-¿Qué margen de error tiene este modelo?
-Estamos en disposición de construir modelos que permiten predecir la producción de resina con un margen de error que puede oscilar entre un 14% (en los mejores casos) y un 27% de error (en aquellos casos con peor ajuste). Esto se consiguió ya que hicimos un tratamiento de los datos con criterios científicos y se hizo una modelización con técnicas estadísticas de las más modernas, empleando Machine Learning o algoritmos tipo Random Forest. Es la primera vez que tenemos constancia que se emplean estas técnicas en este ámbito.

-¿Estamos ante un hecho que puede tener relevancia a nivel mundial para el sector?
-En este proyecto, los investigadores Óscar López y Luis Franco hicieron una revisión exhaustiva de las publicaciones científicas a nivel mundial sobre la producción de resina y creemos que la forma de modelizar que proponemos puede resultar de mucho interés para la comunidad científica. Estamos pendientes de la publicación de varios artículos con las conclusiones obtenidas, pero nosotros estamos muy satisfechos con los resultados.

“El empleo de la pasta supone que la producción se incrementa en torno a un 700%”

-Habéis analizado también diferentes técnicas de extracción, el modelo tradicional y el circular, así como el uso de las distintas pastas que favorecen la producción de resina. ¿Qué conclusiones se pueden sacar al respeto?
-La pasta explica la producción de resina. En mediana, el empleo de la pasta supone que la producción se incrementa en torno a un 700% en comparación a la producción de los pinos de control, aquellos a los que no se le aplicó ninguna pasta. A partir de ahí detectamos comportamientos un poco distintos. Mayoritariamente el método tradicional iba mejor que el circular, pese a que se aprecia que el método circular es más rápido y la curva de aprendizaje es más corta, además de resultar una recogida de la resina más limpia de impurezas. Mientras, el tradicional exige cierta pericia, esfuerzo y trabajo por parte del resinero. Lo mismo que acontece con las pastas, también se observa cierta variabilidad en las parcelas.

– A pesar de esa variabilidad, ¿es mejor un método de extracción que otro?
-La variabilidad de los resultados hace difícil escoger uno como mejor, pero sí se observa que el rendimiento del método circular en términos de tiempo de trabajo es menor.

-En el caso de la pasta, ¿hay variabilidad entre pastas o entre la reacción de los pinos?
-Tuvimos cierta homogeneidad con los ejemplares de control, situándose en torno a la media, lo que nos indica que en el potencial genético y en las características dasométricas de los árboles no se observa esa variabilidad. Así, una vez que empleas las pastas los árboles reaccionan de forma muy variable, pudiendo desde multiplicar la producción, como antes indicaba siete veces en mediana, hasta quedar en valores semejantes a los árboles de control.

-¿El propio proceso de extracción influye en la producción de resina?
-Observamos diferencias entre las distintas picas, lo que nos muestra que la producción no es homogénea a lo largo del año. También vimos que árboles que comienzan produciendo una gran cantidad de resina tienden a producir menos a final de temporada y en el caso de otros árboles se produce el fenómeno contrario. Así, a lo largo del año hay un comportamiento bastante cambiante.

-¿Ha habido variación también entre las dos campañas?
-Sí. Observamos que en determinadas parcelas el año 2021 y 2022 fueron muy distintos en cuanto a la producción obtenida a lo largo de la campaña, aunque de media tienen ciertas similitudes. Estamos trabajando en una función matemática que permita ver las variaciones que se producen a lo largo del año para que el resinero pueda tomar decisiones una vez comenzada la campaña, pero también en este sentido las variaciones antes señaladas dificultan la modelización.

“Las pastas provocan una estimulación en la producción de resina muy variable a lo largo del año”

-¿Esta variabilidad ha supuesto una dificultad para desarrollar este modelo?
-Nos hemos encontrado con procesos difíciles, pero el proceso de modelizar la producción de resina resultó uno de los más complejos por la gran variabilidad que detectamos. El modelo no se puede adaptar a una media por parcela o zona, hay que trabajar con árboles individuales. Ese fue el motivo por el que trabajamos con técnicas como el Machine Learning, que te permiten individualizar. El valor medio por parcela no resulta el mejor indicador una vez que se aplican pastas, ya que provoca una reacción de estimulación en la producción muy variable en los diferentes árboles de la parcela y también a lo largo de la campaña. Se abre un camino muy interesante para seguir investigando y así conocer por qué se producen esas variaciones.

-¿Qué perspectivas hay de que los resultados logrados por vosotros en el marco de este proyecto tengan una aplicación práctica y directa por el sector de la resina?
-Además del modelo productivo, desarrollamos una página web con un simulador, que presentaremos el próximo mes en la jornada final de exposición de resultados que se va a celebrar el 14 de marzo en la Escuela Politécnica Superior de Ingeniería de Lugo. Este simulador es una herramienta que tiene acceso a la información catastral, lo que permite seleccionar una parcela, una vez hecho esto debe introducirse el tipo de tratamiento (circular o tradicional) y el tipo de pasta que se emplea, así como los datos dasométricos de los pinos (diámetro normal, altura total y número de árboles…). Una vez introducidos estos datos se calcula el potencial resinero, el volumen de resina que se puede extraer, de esa masa de pinos. Esa página web y el simulador serán de acceso libre, por lo que cualquier persona podrá emplearla. Es una herramienta muy semejante a otras ya empleadas como el visor SigPac.

-Esta iniciativa forma parte del proyecto Go Acrema, ¿cómo lo valoras?
-Es un proyecto muy ambicioso y amplio y se están logrando resultados interesantes. Por parte de la impulsora del proyecto hubo un esfuerzo importante tanto para conseguir fondos como luego para su gestión. En nuestro caso estamos muy satisfechos con los resultados y haber colaborado en este proyecto.

-Y resúmenos, por último, qué es PROePLA, vuestro grupo de investigación.
-PROePLA y el acrónimo de Proyectos y Planificación. Es un grupo de investigación de la Universidad de Compostela, con 25 años de historia y que lleva acumulados éxitos como es ser el grupo de referencia competitiva. En estos años se ha hecho una labor de investigación y de transferencia en los sectores agrícolas, forestales y ganaderos. Es un grupo transversal que cuenta con profesionales con una alta actividad tanto investigadora como de transferencia. Es un grupo con un gran apego al rural.

Proyecto financiado por el Ministerio de Agricultura, Pesca y Alimentación en el marco del Programa Nacional de Desarrollo Rural 2014-2020 con un importe de 558.710,55 euros. El importe del proyecto es cofinanciado al 80% por el Fondo Europeo Agrícola de Desarrollo Rural (FEADER) y al 20% por fondos de la Administración General del Estado (AGE), tal como se establece en el Real Decreto 169/2018, de 23 de marzo.

El organismo responsable del contenido es el GO-ACREMA y la Dirección General de Desarrollo Rural, Innovación y Formación Agroalimentaria (DGDRIFA) como autoridad de gestión encargada de la aplicación de la ayuda FEADER y nacional correspondiente.