Un árbol de decisión es una técnica de aprendizaje automático bien conocida. Recientemente, su popularidad ha aumentado debido al potente método de conjunto Gradient Boosting que permite aumentar gradualmente la precisión a costa de ejecutar un gran número de árboles de decisión. En este artículo presentamos un acelerador diseñado para optimizar la ejecución de estos árboles mientras se reduce el consumo de energía. Lo hemos implementado en un FPGA para sistemas integrados, y lo hemos probado con un caso de estudio relevante: la clasificación de píxeles de imágenes hiperespectrales. En nuestros experimentos con diferentes imágenes, nuestro acelerador puede procesar las imágenes hiperespectrales a la misma velocidad a la que son generadas por los sensores hiperespectrales. En comparación con un procesador de alto rendimiento que ejecuta software optimizado, en promedio nuestro diseño es dos veces más rápido y consume 72 veces menos energía. En comparación con un procesador integrado, es 30 veces más rápido y consume 23 veces menos energía.