FONDECYT Regular 2027 · RegEng
Anota tu nombre para que el resto del equipo vea quién aportó cada cosa. No hay login ni contraseñas, solo tu nombre.
Aportes de IA · Equipo Donoso et al.
Dónde la IA suma valor real en los cuatro objetivos de la propuesta, con diagramas del proyecto ya hechos y listos para reproducir. Un espacio para que el equipo revise, vote y sume lo suyo.
Empieza acá
Este es el espacio del equipo para revisar y decidir los aportes de inteligencia artificial a la propuesta RegEng. No necesitas saber de IA: mira, opina y suma lo tuyo. Son cinco pasos.
Parte por la lectura ejecutiva: retorno, riesgo y siguiente acción.
2Herramientas, protocolos, datos, publicación y trazabilidad.
3Cuatro párrafos listos para la propuesta: vótalos y coméntalos.
4Revisa citas, defensa de comité y figuras candidatas.
5Propón lo tuyo al final. Todo queda guardado para el equipo.
Este es un espacio compartido para que el equipo revise los aportes de IA a la propuesta y los diagramas que armamos para el proyecto. La propuesta del 2 de junio pasó de tres a cuatro objetivos (se sumó el O4 de simulación con ForClim y una hipótesis nueva, la H4), así que todo acá ya está alineado a esa versión.
Hay tres cosas para hacer: revisar y votar los cuatro aportes pensados como párrafos enchufables en el manuscrito, mirar la galería de diagramas (con el prompt para que cada uno genere los suyos), y sumar ideas propias al final. Todo lo que escriben queda guardado y visible para el resto.
Los aportes son conservadores por diseño: declaran herramientas open source ya validadas en la literatura, sin comprometer al equipo a entrenar modelos desde cero. La sección final queda abierta para ideas más ambiciosas.
Centro de mando
Una lectura ejecutiva para decidir rápido: qué aporte tiene más retorno, dónde está el riesgo y qué queda listo para pegar antes del cierre del equipo.
El argumento paraguas: IA como ventaja metodológica integrada en O1, O3 y O4.
Mejora reproducibilidad y velocidad en la revisión sistemática sin prometer modelos propios.
Convierte el TLS en métricas de árbol, biomasa y complejidad con herramientas open source.
El salto más ambicioso: escenarios climáticos con incertidumbre y costo computacional manejable.
Utilidad inmediata
Partir por el panel. La página irá priorizando votos, evidencia y cierre según avance el equipo.
Esperando votos del equipo.
Esperando verificación de evidencia.
Checklist pendiente de completar.
Sin participación registrada todavía.
Research OS pendiente de activar.
Copia los cuatro párrafos en bloque para llevarlos a la propuesta o a un documento de discusión.
Votar A1-A4 y dejar comentarios donde haya dudas técnicas.
Pegar A1 como novedad y A2-A4 en métodos por objetivo.
Elegir 2-3 diagramas para propuesta y guardar el resto para presentaciones.
Dejar la versión final antes del 8 de junio con riesgos explícitos.
Research OS · tecnología científica
Una capa práctica para que RegEng no solo diga “IA”, sino que opere como proyecto moderno: búsqueda abierta, revisión trazable, datos FAIR, código reproducible, publicación con DOI, roles claros y uso responsable de IA.
Arquitectura recomendada
El stack junta herramientas abiertas y servicios consolidados: Zotero para referencias, OpenAlex para mapa bibliográfico, PRISMA/Rayyan/Elicit para revisión, OSF/Zenodo/DataCite para registro y DOI, Quarto/Jupyter/DVC para análisis reproducible, CRediT para roles y FAIR para datos reutilizables.
Ruta por objetivo
Biblioteca compartida, PDFs, notas, citas y bibliografía en Word/Docs.
RegEng: una colección por O1-O4 y tags por evidencia, figura y método. Mapa abiertoCatálogo abierto de trabajos, autores, instituciones, fuentes, grants y citas.
RegEng: mapa de literatura, temas y redes de citación sin depender solo de bases pagadas. ReportingChecklist de reporte para revisiones sistemáticas y transparencia metodológica.
RegEng: columna vertebral del O1, con criterios, flujo, exclusiones y anexos. ScreeningScreening colaborativo, deduplicación, etiquetas y priorización asistida.
RegEng: revisión O1 con doble lectura, conflictos visibles y auditoría de decisiones. IA científicaBúsqueda, screening, extracción y síntesis asistida con citas a nivel de fuente.
RegEng: apoyo para preguntas, extracción tabular y vigilancia bibliográfica. RegistroProyecto, preregistro, archivos, permisos y enlaces de solo lectura.
RegEng: registro del protocolo, decisiones de screening y materiales de apoyo. DOIRepositorio generalista para datos, software, figuras, preprints y releases con DOI.
RegEng: dataset final, scripts y figuras suplementarias citables. Manuscrito vivoDocumentos, notebooks, dashboards, artículos y presentaciones reproducibles.
RegEng: métodos y resultados que se renderizan desde código y datos. Datos limpiosLimpieza, transformación, clustering y reconciliación de datos tabulares.
RegEng: depurar metadatos bibliográficos, especies, sitios y tablas de campo. VersionadoVersionado de datos, pipelines y experimentos sobre Git.
RegEng: trazabilidad para TLS, ForClim, emuladores y escenarios climáticos. IdentidadIdentificadores persistentes para personas e instituciones de investigación.
RegEng: autores, afiliaciones y outputs conectados sin ambigüedad. AutoríaRoles de contribución y principios Findable, Accessible, Interoperable, Reusable.
RegEng: cierre transparente de autorías, datos y responsabilidades.Checklist tecnológico
Sala de cierre
Esta parte transforma los votos y comentarios del equipo en una síntesis accionable. Sirve para mandar por WhatsApp, correo o pegar en el documento de trabajo sin recomponer todo a mano.
Cargando lectura del equipo...
Apenas entren votos o comentarios, acá aparecerá una minuta corta con acuerdos, dudas y siguiente acción sugerida.
IA integrada a una red experimental de 45 años, no como adorno sino como método para responder preguntas ecológicas.
Herramientas open source y validación manual: el proyecto gana velocidad sin depender de entrenar modelos desde cero.
Entrega revisión reproducible, métricas TLS de árbol individual y escenarios climáticos con incertidumbre manejable.
O4 queda como el tramo ambicioso; A1-A3 pueden declararse con bajo riesgo y alto retorno metodológico.
Defensa del proyecto
Una capa pensada para conversar con evaluadores, directores de proyecto o colegas escépticos: el argumento corto, las respuestas difíciles y el avance fino hacia la versión final.
RegEng no incorpora inteligencia artificial como una promesa abstracta, sino como una forma concreta de aumentar rigor, reproducibilidad y capacidad analítica en una red experimental excepcional: bosques templados medidos 45 años después de cortas de regeneración. La IA entra donde aporta valor verificable: acelera y transparenta la revisión sistemática en O1, extrae métricas de árbol individual desde TLS en O3 y permite explorar escenarios climáticos de O4 con menor costo computacional y mejor trazabilidad de incertidumbre. El núcleo ecológico del proyecto no cambia; se fortalece. La pregunta sigue siendo silvicultural y climática, pero la caja de herramientas queda al nivel metodológico de frontera.
No: se declara solo donde mejora una tarea verificable. En O1 aumenta reproducibilidad del screening con validación manual; en O3 procesa TLS con herramientas ya publicadas; en O4 acelera escenarios y cuantifica incertidumbre. La pregunta científica sigue siendo forestal.
No como condición base. El texto propone herramientas open source y modelos validados en literatura. El equipo puede usar IA como procesamiento asistido y dejar entrenamiento propio solo como extensión si aparece capacidad y tiempo.
Con validación manual cruzada en O1, comparación con benchmarks y métodos publicados en O3, y calibración/diagnóstico de incertidumbre en O4. La IA no reemplaza medición ni criterio experto; amplifica procesamiento y trazabilidad.
Se puede declarar en capas: primero calibración y simulación ForClim con datos O2/O3; luego emulador ML como acelerador para escenarios. Así el aporte mantiene novedad sin quedar amarrado a una promesa técnica frágil.
Blindaje científico
Un registro auditable de las afirmaciones fuertes sobre IA. Sirve para revisar que cada promesa tenga respaldo, ubicación en la propuesta y una referencia verificable antes de cerrar.
Marca las referencias cuando estén verificadas en el manuscrito final. El avance se guarda en tu navegador.
Afirmación: un LLM calibrado puede apoyar screening de título/resumen y extracción estructurada, manteniendo validación manual cruzada.
Uso: método O1, antes de bibliometría y topic modeling.
Afirmación: TreeLearn y SegmentAnyTree permiten delineación de árboles individuales en nubes de puntos forestales.
Uso: método O3, después del procesamiento FARO SCENE / point clouds.
Afirmación: post-procesar QSM con Real Twig reduce fuertemente el sesgo de biomasa frente a estimaciones sin corrección.
Uso: argumento de carbono y biomasa no destructiva en O3.
Afirmación: parámetros de regeneración y dinámica pueden calibrarse contra datos observados usando inferencia bayesiana y diagnósticos de convergencia.
Uso: método O4, conectando crecimiento O2 y estructura O3 con simulación futura.
Afirmación: un surrogate/emulador de ML puede reducir costo computacional y permitir exploración amplia de escenarios climáticos.
Uso: aceleración del workflow O4 y análisis de incertidumbre 2025-2100.
Afirmación: la estrategia usa herramientas publicadas, reproducibles y auditables, con validación manual donde la IA decide o clasifica.
Uso: defensa ante comité y sección de factibilidad metodológica.
El proyecto en una mirada
45 años después de las cortas de regeneración de 1983, ¿cuánto convergen los bosques manejados (clearcutting vs irregular shelterwood) hacia bosques no manejados (old-growth)? ¿Y cómo cambia esa convergencia entre el rango andino y el costero?
O1
Convergencia de bosques manejados hacia atributos de old-growth. ROSES + bibliometría.
O2
Clearcutting vs shelterwood, vía stem analysis (cores y secciones).
O3
Complejidad estructural, productividad, carbono y convergencia, vía TLS.
O4 nuevo
Simular el bosque bajo cambio climático y evaluar resistencia y resiliencia.
Aportes para la propuesta
Cada uno está pensado para insertarse sin alterar la estructura de la propuesta. Vótalo, coméntalo y, si te sirve, cópialo al portapapeles. Las citas que aparecen son reales y verificables; donde dice [ref] falta pegar una.
Aporte 01 · Novedad científica
Es el de mayor retorno y menor riesgo: no cambia la ciencia, refuerza el argumento de novedad que ya está escrito, conectando los tres frentes de IA (O1, O3, O4) en una sola frase.
Aporte 02 · Objetivo O1
Agrega rigor metodológico moderno citando guías ya publicadas, y es donde la IA ahorra más tiempo concreto. No obliga a entrenar modelos custom: es un protocolo de screening asistido con validación manual cruzada.
Aporte 03 · Objetivo O3
Suma análisis a nivel de árbol individual (volumen, biomasa, arquitectura de copa) sin destruir nada. FSCT, TLS2Trees y TreeQSM son open source y están validadas en bosques templados. Es estado del arte y posiciona la novedad metodológica del proyecto.
Aporte 04 · Objetivo O4 · nuevo
Es el aporte de mayor novedad tecnológica y cubre el objetivo nuevo. Conecta con los datos del propio proyecto (crecimiento de O2, estructura de O3) para calibrar el modelo. Conviene conversar la capacidad técnica del equipo antes de declararlo a fondo.
IA para diagramas · la sección estrella
Esto es lo que Pablo quería: usar IA para crear figuras. Acá están diez figuras reales del proyecto, generadas con IA y renderizadas en vivo: conceptuales, de método y de datos. Cada una trae el prompt para que generes la tuya y la adaptes.
flowchart LR
A[Iniciación del rodal] --> B[Exclusión de fustes] --> C[Reinicio del sotobosque] --> D[Bosque maduro / old-growth]
CC([Clearcutting]) -.parte de cero.-> A
SW([Shelterwood irregular]) -.conserva estructura.-> C
classDef ph fill:#e7efe8,stroke:#2d5a3d,color:#16170f;
classDef trt fill:#f4ecd8,stroke:#9a6312,color:#16170f;
class A,B,C,D ph;
class CC,SW trt;
Para qué sirve: ubicar visualmente cómo cada método de corta entra en la secuencia clásica de fases (Oliver y Larson) y por qué el shelterwood parte con ventaja estructural.
Para qué sirve: es la figura central de H2 y H4. Muestra dos trayectorias en el tiempo: el shelterwood (verde) converge antes a la línea de old-growth que el clearcutting (tierra).
mindmap
root((Respuesta del bosque a 45 años))
Estructura
Complejidad SSCI / UCI
Arquitectura de copa
Diversidad
Especies
Funcional
Productividad
Volumen
Crecimiento
Carbono
Biomasa aérea
Resiliencia climática
Resistencia
Recuperación
Para qué sirve: comunica de un vistazo que el proyecto mide respuestas multidimensionales, no un solo atributo. Útil para la introducción y para presentaciones.
flowchart TD
S[Búsqueda: WoS + Scopus + Dimensions] --> D[Deduplicación · revtools]
D --> SC{Screening título/abstract
LLM calibrado}
SC -->|incluidos + dudosos| FT[Full-text + extracción asistida a JSON]
SC -->|excluidos| X[Re-screen manual del 10%]
FT --> AN[Bibliometría + topic modeling]
AN --> GAP[Detección de research gaps]
GAP --> OUT[Manuscrito de revisión + dataset abierto]
classDef g fill:#e7efe8,stroke:#2d5a3d,color:#16170f;
classDef a fill:#f4ecd8,stroke:#9a6312,color:#16170f;
class S,D,FT,AN,GAP,OUT g;
class SC,X a;
Para qué sirve: es el diagrama de flujo (estilo PRISMA/ROSES) que toda revisión sistemática necesita, con el punto donde entra el screening asistido por IA marcado en tierra.
flowchart TD
R[Nube de puntos cruda · FARO M70] --> F[Filtrado en FARO SCENE]
F --> CO[Co-registro de scans por parcela]
CO --> CL[Clasificación de puntos · FSCT]
CL --> SG[Segmentación de árboles · TLS2Trees]
SG --> QSM[QSM: volumen y biomasa · TreeQSM]
SG --> SP[Clasificación de especies · PointNet++]
QSM --> IX[Índices: SSCI, UCI, ENL, box-dimension]
SP --> IX
IX --> AN[Análisis treatment x range]
classDef g fill:#e7efe8,stroke:#2d5a3d,color:#16170f;
classDef a fill:#f4ecd8,stroke:#9a6312,color:#16170f;
class R,F,CO,IX,AN g;
class CL,SG,QSM,SP a;
Para qué sirve: muestra el pipeline completo de procesamiento de point clouds, con los pasos de deep learning (clasificación, segmentación, especies) destacados en tierra.
flowchart LR
O1[O1 · Revisión sistemática] -.parámetros y benchmarks.-> O4
O2[O2 · Crecimiento · stem analysis] --> CV[Convergencia a old-growth]
O3[O3 · Estructura · TLS] --> CV
O2 --> O4[O4 · ForClim · clima futuro]
O3 --> O4
O4 --> PR[Proyecciones con incertidumbre]
classDef g fill:#e7efe8,stroke:#2d5a3d,color:#16170f;
classDef k fill:#1d3d29,stroke:#1d3d29,color:#eef3ec;
class O1,O2,O3,CV,PR g;
class O4 k;
Para qué sirve: deja claro que los objetivos no son islas. El stem analysis (O2) y el TLS (O3) alimentan tanto la convergencia como el ForClim (O4). Refuerza el argumento de propuesta integrada.
flowchart TD
CM[Proyecciones CMIP6] --> DS[Downscaling ML + bias correction]
DS --> CLI[Clima mensual por sitio]
CLI --> FC[ForClim · gap model]
FC --> EM[Emulador / surrogate ML]
OBS[Datos observados: O2 crecimiento + O3 estructura] --> CAL[Calibración bayesiana de parámetros]
CAL --> FC
EM --> PRJ[Proyecciones 2025-2100 con incertidumbre]
classDef g fill:#e7efe8,stroke:#2d5a3d,color:#16170f;
classDef a fill:#f4ecd8,stroke:#9a6312,color:#16170f;
class CM,CLI,FC,PRJ,OBS g;
class DS,EM,CAL a;
Para qué sirve: abre la caja negra del O4. Muestra dónde entra la IA (downscaling, emulador, calibración bayesiana) y cómo los datos del proyecto calibran el modelo.
Para qué sirve: hallazgo del estado del arte (Morales y MacFarlane 2024) traído por la investigación: post-procesar los QSM del TLS con Real Twig baja el error medio de biomasa de 76,8% a 1,2%, validado contra cosecha real. Es un argumento de rigor fuerte para el carbono de O3. Gráfico hecho con Vega-Lite.
Para qué sirve: hallazgo de la investigación (GMD 2025): un emulador de machine learning de un modelo de vegetación reduce el tiempo de cómputo un 95%, clave para correr muchos escenarios climáticos en O4.
Para qué sirve: benchmark del estado del arte (coverage en el dataset L1W): TreeLearn 88,8% vs SegmentAnyTree 77,5% y ForAINet 73,8%. Da números concretos para citar en O3.
Recetas genéricas para que el equipo genere sus propias figuras con cualquier IA (Claude, Gemini, ChatGPT).
Para pipelines y procesos. El código Mermaid se pega en Notion, GitHub, Obsidian o esta misma página.
Para esquemas e ilustraciones. Pídela como SVG editable o como imagen con un generador.
Para resultados. Genera el código (R ggplot o Python) listo para correr con tus datos.
Para ubicar Correntoso y Hueicolla. Pídelo como código que use coordenadas reales.
Describe el diagrama que necesitas y la IA lo dibuja al momento. Abajo te queda el código Mermaid para copiar y editar.
Funciona mejor con diagramas de flujo, líneas de tiempo, mapas mentales y secuencias.
Correntoso, Andes · Hueicolla, Costa
Cómo posicionarlo
No son excluyentes. La recomendación para esta versión: Ruta A en O1, O3 y O4 (donde la novedad pesa), Ruta B en O2 y lo transversal.
Se incluye explícitamente en el método. Suma en el criterio de novedad científica y tecnológica, pero exige respaldo bibliográfico. Es el caso de los cuatro aportes de arriba.
Se usa sin declararla como innovación. El proyecto se evalúa por sus preguntas y resultados; la IA es solo cómo el equipo es más productivo. Cero riesgo, sin puntos de novedad.
Espacio abierto
Sumen sus propias propuestas de integración de IA. No hay que llenar todos los campos: si solo tienes una idea suelta, escríbela en el cuerpo y listo.
Todo lo que escriben acá se guarda y se ve entre el equipo. Si quieren conversar algo antes del 8, también vale por teléfono o en persona.
Con cariño,
Amparo