🌲 Forest Cover Type Prediction

Sector: Environmental Science, Biotechnology, Sustainability
Tools: Python (Pandas, NumPy, Matplotlib, Seaborn, Scikit-learn, SciPy)

---

📋 Overview

This project uses the Forest Cover Type dataset from the UCI Machine Learning Repository to predict forest cover types based on cartographic variables such as elevation, slope, soil type, and distances to roads or water sources.

The goal is to enhance environmental monitoring and conservation decision-making, supporting sustainability initiatives and biodiversity management.

---

📊 Dataset

• Source: UCI Machine Learning Repository – Forest Cover Type Dataset
• Size: 581,012 instances, 54 features, 7 classes
• File: covtype.data

---

🔍 Methodology

1. Data Cleaning

   • Dataset loaded without headers; feature names assigned manually.
   • Confirmed 0 missing values.

2. Exploratory Data Analysis (EDA)

   • Classes 1 and 2 dominate (~85% total), showing class imbalance.
   • Skewed distributions in Slope and other numeric features.
   • Boxplots show significant elevation differences across classes.
   • Strong correlations among hillshade variables (Hillshade_9am vs Hillshade_3pm: r = -0.78).

3. Hypothesis Testing

   • ANOVA for Elevation vs Cover_Type: F = 155,307, p ≈ 0.00 → significant differences confirmed.

4. Modeling

   • 80/20 stratified split (train/test).
   • Scaled numeric variables.
   • Model: Random Forest Classifier (100 trees, depth = 20).

5. Model Evaluation

   • Accuracy: 88.91%
   • F1-scores: Class 1 (0.88), Class 2 (0.90), Class 5 (0.56).
   • Top predictor: Elevation (importance = 0.289).

6. Visualizations

   • Confusion matrix.
   • Feature importance chart.

---

🌎 Key Findings

• Elevation is the strongest predictor of forest cover type.
• Major classes (Spruce/Fir and Lodgepole Pine) achieve high F1-scores (>88%).
• Road and fire distance features also contribute meaningfully.

---

🧠 Real-World Applications

• Predictive tools for forest and biodiversity management.
• Conservation planning and land-use optimization.
• Integration with GIS platforms for geospatial analysis and mapping.

---

⚙️ Execution Requirements

• Python 3.8+
• Libraries: pandas, numpy, matplotlib, seaborn, scikit-learn, scipy
• File: covtype.data

Quick install:

pip install pandas numpy matplotlib seaborn scikit-learn scipy

---

🚀 How to Run

1. Download the dataset and place it in the project directory.
2. Open Prediccion_cobertura_forestal.ipynb in Jupyter Notebook.
3. Run all cells sequentially (training time: ~5–10 min).

---

🔧 Future Improvements

• Apply SMOTE to handle class imbalance.
• Experiment with XGBoost or neural networks to boost performance.
• Integrate geospatial data for interactive map visualizations.

---

👤 Author

Adrián Galván
Date: September 2025

---

🌲 Predicción de Tipos de Cobertura Forestal

Sector: Medio Ambiente, Biotecnología, Sostenibilidad
Herramientas: Python (Pandas, NumPy, Matplotlib, Seaborn, Scikit-learn, SciPy)

---

📋 Descripción General

Este proyecto utiliza el dataset Forest Cover Type del UCI Machine Learning Repository para predecir tipos de cobertura forestal basados en variables cartográficas como elevación, pendiente, tipo de suelo y distancia a carreteras o fuentes de agua.

El objetivo es mejorar el monitoreo ambiental y la toma de decisiones en conservación forestal, apoyando estrategias de sostenibilidad y gestión territorial en empresas ecológicas y organizaciones ambientales.

---

📊 Dataset

• Fuente: UCI Machine Learning Repository – Forest Cover Type Dataset
• Tamaño: 581,012 instancias, 54 características, 7 clases
• Archivo: covtype.data

---

🔍 Metodología

1. Carga y Limpieza de Datos

   • Dataset cargado sin encabezados; se asignaron nombres manualmente.
   • Verificación de 0 valores faltantes.

2. Análisis Exploratorio (EDA)

   • Las clases 1 y 2 representan el 85% del total, indicando desbalance.
   • Histogramas muestran sesgo en Slope y otras variables cuantitativas.
   • Boxplots revelan diferencias significativas de elevación entre tipos de cobertura.
   • Correlaciones altas entre variables de sombreado (p. ej. Hillshade_9am y Hillshade_3pm: r = -0.78).

3. Pruebas de Hipótesis

   • ANOVA entre Elevation y Cover_Type: F = 155,307, p ≈ 0.00 → diferencias significativas entre grupos.

4. Preparación y Modelado

   • Split 80/20 (train/test) con estratificación.
   • Escalado de 10 variables cuantitativas.
   • Modelo: Random Forest Classifier (100 árboles, profundidad = 20).

5. Evaluación del Modelo

   • Accuracy: 88.91%
   • F1-scores: Clase 1 (0.88), Clase 2 (0.90), Clase 5 (0.56).
   • Variable más importante: Elevation (importancia = 0.289).

6. Visualizaciones Clave

   • Matriz de confusión.
   • Gráfico de importancia de variables.

---

🌎 Principales Hallazgos

• Elevación es el factor más relevante para clasificar tipos de bosque.
• Clases dominantes (Spruce/Fir y Lodgepole Pine) muestran alto rendimiento (>88% F1).
• Las variables de distancia a carreteras y fuego también contribuyen significativamente.

---

🧠 Aplicaciones en el Mundo Real

• Modelos predictivos para monitoreo de biodiversidad.
• Optimización de zonas de conservación.
• Integración con sistemas GIS para análisis geoespacial y mapas interactivos.

---

⚙️ Requisitos de Ejecución

• Python 3.8+
• Librerías: pandas, numpy, matplotlib, seaborn, scikit-learn, scipy
• Archivo: covtype.data

Instalación rápida:

pip install pandas numpy matplotlib seaborn scikit-learn scipy

---

🚀 Cómo Ejecutar

1. Descarga el dataset y colócalo en la carpeta del notebook.
2. Abre Prediccion_cobertura_forestal.ipynb en Jupyter Notebook.
3. Ejecuta las celdas en orden (tiempo de entrenamiento: ~5–10 min).

---

🔧 Mejoras Futuras

• Aplicar SMOTE para balancear clases minoritarias.
• Probar XGBoost o redes neuronales para mejorar el rendimiento.
• Integrar datos geoespaciales para visualizaciones interactivas.

---

👤 Autor

Adrián Galván
Fecha: Septiembre 2025