Modelos de transfer learning y uso de vants de bajo peso y costo como herramientas para la planificación y evaluación de planes de restauración ecológica tras incendios forestales...

Autores
Diaz Dávila, Laura; Letourneau, Federico Jorge; Almarcha, Matías; Aybar, Lourdes; Prieto, Julieta; Stimolo, María Inés; Laclau, Pablo; Furlan, Natalia; Vorraber, Leslie Barbara; Tallarico, Gabriela Adriana
Año de publicación
2024
Idioma
español castellano
Tipo de recurso
documento de conferencia
Estado
versión publicada
Descripción
En este artículo se presenta el uso de Inteligencia Artificial para detectar y caracterizar el estado de la vegetación en zonas afectadas por incendios forestales. El corpus de datos se construyó a partir de las imágenes producidas por drones de bajo peso y costo, equipados con cámaras RGB. La metodología incluyó la captura de imágenes de alta resolución, la elección de los modelos de Aprendizaje Automático Profundo (Transfer learning, nativos para imágenes), el tratamiento de los datos, el entrenamiento y el testeo. Se muestran los avances, a modo de prueba de concepto, para analizar áreas afectadas por incendios en los bosques andinopatagónicos. Los resultados proporcionan información que permite evaluar estrategias para la recuperación de la vegetación tras incendios forestales.
This article describes the use of Artificial Intelligence to identify and characterize the condition of vegetation in areas impacted by forest fires. The data set was created from images captured by lightweight, inexpensive drones equipped with RGB cameras. The approach involves capturing high-resolution images, selecting Deep Machine Learning models (specifically designed for image analysis), data processing, as well as training and testing. As a proof of concept, progress is demonstrated through the analysis of fire-affected areas in the AndeanPatagonian forests. The findings offer valuable insights for evaluating strategies aimed at rehabilitating vegetation following forest fires.
EEA Bariloche
Fil: Diaz Dávila, Laura. Universidad Nacional de Córdoba (UNC). Facultad de Ciencias Exactas, Físicas y Naturales. Laboratorio de Investigación y Desarrollo de Software en Inteligencia Artificial (LIDeSIA); Argentina
Fil: Letourneau, Federico Jorge. Instituto Nacional de Tecnología Agropecuaria (INTA). Estación Experimental Agropecuaria Bariloche. Instituto de Investigaciones Forestales y Agropecuarias Bariloche (IFAB); Argentina
Fil: Letourneau, Federico Jorge. Consejo Nacional de Investigaciones Científicas y Técnicas (CONICET). Instituto de Investigaciones Forestales y Agropecuarias Bariloche (IFAB); Argentina
Fil: Almarcha, Matías. Universidad Nacional de Córdoba (UNC). Facultad de Ciencias Exactas, Físicas y Naturales. Laboratorio de Investigación y Desarrollo de Software en Inteligencia Artificial (LIDeSIA); Argentina
Fil: Aybar, Lourdes. Universidad Nacional de Córdoba (UNC). Facultad de Ciencias Exactas, Físicas y Naturales. Laboratorio de Investigación y Desarrollo de Software en Inteligencia Artificial (LIDeSIA); Argentina
Fil: Prieto, Julieta. Universidad Nacional de Córdoba (UNC). Facultad de Ciencias Exactas, Físicas y Naturales. Laboratorio de Investigación y Desarrollo de Software en Inteligencia Artificial (LIDeSIA); Argentina
Fil: Stimolo, María Inés. Universidad Nacional de Córdoba (UNC). Instituto de Estadística y Demografía; Argentina
Fil: Laclau, Pablo. Instituto Nacional de Tecnología Agropecuaria (INTA). Estación Experimental Agropecuaria Bariloche. Instituto de Investigaciones Forestales y Agropecuarias Bariloche (IFAB); Argentina
Fil: Laclau, Pablo. Consejo Nacional de Investigaciones Científicas y Técnicas (CONICET). Instituto de Investigaciones Forestales y Agropecuarias Bariloche (IFAB); Argentina
Fil: Furlan, Natalia. Instituto Nacional de Tecnología Agropecuaria (INTA). Estación Experimental Agropecuaria Bariloche. Instituto de Investigaciones Forestales y Agropecuarias Bariloche (IFAB); Argentina
Fil: Furlan, Natalia. Consejo Nacional de Investigaciones Científicas y Técnicas (CONICET). Instituto de Investigaciones Forestales y Agropecuarias Bariloche (IFAB); Argentina
Fil: Vorraber, Leslie Barbara. Instituto Nacional de Tecnología Agropecuaria (INTA). Estación Experimental Agropecuaria Bariloche. Instituto de Investigaciones Forestales y Agropecuarias Bariloche (IFAB); Argentina
Fil: Vorraber, Leslie Barbara. Consejo Nacional de Investigaciones Científicas y Técnicas (CONICET). Instituto de Investigaciones Forestales y Agropecuarias Bariloche (IFAB); Argentina
Fil: Tallarico, Gabriela Adriana. Instituto Nacional de Tecnología Agropecuaria (INTA). Dirección Nacional Asistente de Sistemas de Información, Tecnologías y Procesos; Argentina
Fuente
II Jornada de IA en la UNC - Conviviendo con la Inteligencia Artificial, Córdoba, Argentina. 5 y 6 de diciembre 2024
Materia
Inteligencia Artificial
Cobertura de Suelos
Incendios Forestales
Vehículo Aéreo No Tripulado
Restauración del Paisaje Forestal
Aprendizaje Automático
Artificial Intelligence
Land Cover
Forest Fires
Unmanned Aerial Vehicles
Forest Landscape Restoration
Machine Learning
Nivel de accesibilidad
acceso abierto
Condiciones de uso
http://creativecommons.org/licenses/by-nc-sa/4.0/
Repositorio
INTA Digital (INTA)
Institución
Instituto Nacional de Tecnología Agropecuaria
OAI Identificador
oai:localhost:20.500.12123/25279
Acceder
id INTADig_3d2e98023e18c82eec34400c01ddd8b2
oai_identifier_str oai:localhost:20.500.12123/25279
network_acronym_str INTADig
repository_id_str l
network_name_str INTA Digital (INTA)
spelling Modelos de transfer learning y uso de vants de bajo peso y costo como herramientas para la planificación y evaluación de planes de restauración ecológica tras incendios forestalesDiaz Dávila, LauraLetourneau, Federico JorgeAlmarcha, MatíasAybar, LourdesPrieto, JulietaStimolo, María InésLaclau, PabloFurlan, NataliaVorraber, Leslie BarbaraTallarico, Gabriela AdrianaInteligencia ArtificialCobertura de SuelosIncendios ForestalesVehículo Aéreo No TripuladoRestauración del Paisaje ForestalAprendizaje AutomáticoArtificial IntelligenceLand CoverForest FiresUnmanned Aerial VehiclesForest Landscape RestorationMachine LearningEn este artículo se presenta el uso de Inteligencia Artificial para detectar y caracterizar el estado de la vegetación en zonas afectadas por incendios forestales. El corpus de datos se construyó a partir de las imágenes producidas por drones de bajo peso y costo, equipados con cámaras RGB. La metodología incluyó la captura de imágenes de alta resolución, la elección de los modelos de Aprendizaje Automático Profundo (Transfer learning, nativos para imágenes), el tratamiento de los datos, el entrenamiento y el testeo. Se muestran los avances, a modo de prueba de concepto, para analizar áreas afectadas por incendios en los bosques andinopatagónicos. Los resultados proporcionan información que permite evaluar estrategias para la recuperación de la vegetación tras incendios forestales.This article describes the use of Artificial Intelligence to identify and characterize the condition of vegetation in areas impacted by forest fires. The data set was created from images captured by lightweight, inexpensive drones equipped with RGB cameras. The approach involves capturing high-resolution images, selecting Deep Machine Learning models (specifically designed for image analysis), data processing, as well as training and testing. As a proof of concept, progress is demonstrated through the analysis of fire-affected areas in the AndeanPatagonian forests. The findings offer valuable insights for evaluating strategies aimed at rehabilitating vegetation following forest fires.EEA BarilocheFil: Diaz Dávila, Laura. Universidad Nacional de Córdoba (UNC). Facultad de Ciencias Exactas, Físicas y Naturales. Laboratorio de Investigación y Desarrollo de Software en Inteligencia Artificial (LIDeSIA); ArgentinaFil: Letourneau, Federico Jorge. Instituto Nacional de Tecnología Agropecuaria (INTA). Estación Experimental Agropecuaria Bariloche. Instituto de Investigaciones Forestales y Agropecuarias Bariloche (IFAB); ArgentinaFil: Letourneau, Federico Jorge. Consejo Nacional de Investigaciones Científicas y Técnicas (CONICET). Instituto de Investigaciones Forestales y Agropecuarias Bariloche (IFAB); ArgentinaFil: Almarcha, Matías. Universidad Nacional de Córdoba (UNC). Facultad de Ciencias Exactas, Físicas y Naturales. Laboratorio de Investigación y Desarrollo de Software en Inteligencia Artificial (LIDeSIA); ArgentinaFil: Aybar, Lourdes. Universidad Nacional de Córdoba (UNC). Facultad de Ciencias Exactas, Físicas y Naturales. Laboratorio de Investigación y Desarrollo de Software en Inteligencia Artificial (LIDeSIA); ArgentinaFil: Prieto, Julieta. Universidad Nacional de Córdoba (UNC). Facultad de Ciencias Exactas, Físicas y Naturales. Laboratorio de Investigación y Desarrollo de Software en Inteligencia Artificial (LIDeSIA); ArgentinaFil: Stimolo, María Inés. Universidad Nacional de Córdoba (UNC). Instituto de Estadística y Demografía; ArgentinaFil: Laclau, Pablo. Instituto Nacional de Tecnología Agropecuaria (INTA). Estación Experimental Agropecuaria Bariloche. Instituto de Investigaciones Forestales y Agropecuarias Bariloche (IFAB); ArgentinaFil: Laclau, Pablo. Consejo Nacional de Investigaciones Científicas y Técnicas (CONICET). Instituto de Investigaciones Forestales y Agropecuarias Bariloche (IFAB); ArgentinaFil: Furlan, Natalia. Instituto Nacional de Tecnología Agropecuaria (INTA). Estación Experimental Agropecuaria Bariloche. Instituto de Investigaciones Forestales y Agropecuarias Bariloche (IFAB); ArgentinaFil: Furlan, Natalia. Consejo Nacional de Investigaciones Científicas y Técnicas (CONICET). Instituto de Investigaciones Forestales y Agropecuarias Bariloche (IFAB); ArgentinaFil: Vorraber, Leslie Barbara. Instituto Nacional de Tecnología Agropecuaria (INTA). Estación Experimental Agropecuaria Bariloche. Instituto de Investigaciones Forestales y Agropecuarias Bariloche (IFAB); ArgentinaFil: Vorraber, Leslie Barbara. Consejo Nacional de Investigaciones Científicas y Técnicas (CONICET). Instituto de Investigaciones Forestales y Agropecuarias Bariloche (IFAB); ArgentinaFil: Tallarico, Gabriela Adriana. Instituto Nacional de Tecnología Agropecuaria (INTA). Dirección Nacional Asistente de Sistemas de Información, Tecnologías y Procesos; ArgentinaUniversidad Nacional de Córdoba (UNC)2026-02-24T14:50:24Z2026-02-24T14:50:24Z2024-12info:eu-repo/semantics/conferenceObjectinfo:eu-repo/semantics/publishedVersionhttp://purl.org/coar/resource_type/c_5794info:ar-repo/semantics/documentoDeConferenciaapplication/pdfhttp://hdl.handle.net/20.500.12123/25279II Jornada de IA en la UNC - Conviviendo con la Inteligencia Artificial, Córdoba, Argentina. 5 y 6 de diciembre 2024reponame:INTA Digital (INTA)instname:Instituto Nacional de Tecnología Agropecuariaspainfo:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-nc-sa/4.0/Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)2026-02-26T11:47:43Zoai:localhost:20.500.12123/25279instacron:INTAInstitucionalhttp://repositorio.inta.gob.ar/Organismo científico-tecnológicoNo correspondehttp://repositorio.inta.gob.ar/oai/requesttripaldi.nicolas@inta.gob.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:l2026-02-26 11:47:43.26INTA Digital (INTA) - Instituto Nacional de Tecnología Agropecuariafalse
dc.title.none.fl_str_mv Modelos de transfer learning y uso de vants de bajo peso y costo como herramientas para la planificación y evaluación de planes de restauración ecológica tras incendios forestales
title Modelos de transfer learning y uso de vants de bajo peso y costo como herramientas para la planificación y evaluación de planes de restauración ecológica tras incendios forestales
spellingShingle Modelos de transfer learning y uso de vants de bajo peso y costo como herramientas para la planificación y evaluación de planes de restauración ecológica tras incendios forestales
Diaz Dávila, Laura
Inteligencia Artificial
Cobertura de Suelos
Incendios Forestales
Vehículo Aéreo No Tripulado
Restauración del Paisaje Forestal
Aprendizaje Automático
Artificial Intelligence
Land Cover
Forest Fires
Unmanned Aerial Vehicles
Forest Landscape Restoration
Machine Learning
title_short Modelos de transfer learning y uso de vants de bajo peso y costo como herramientas para la planificación y evaluación de planes de restauración ecológica tras incendios forestales
title_full Modelos de transfer learning y uso de vants de bajo peso y costo como herramientas para la planificación y evaluación de planes de restauración ecológica tras incendios forestales
title_fullStr Modelos de transfer learning y uso de vants de bajo peso y costo como herramientas para la planificación y evaluación de planes de restauración ecológica tras incendios forestales
title_full_unstemmed Modelos de transfer learning y uso de vants de bajo peso y costo como herramientas para la planificación y evaluación de planes de restauración ecológica tras incendios forestales
title_sort Modelos de transfer learning y uso de vants de bajo peso y costo como herramientas para la planificación y evaluación de planes de restauración ecológica tras incendios forestales
dc.creator.none.fl_str_mv Diaz Dávila, Laura
Letourneau, Federico Jorge
Almarcha, Matías
Aybar, Lourdes
Prieto, Julieta
Stimolo, María Inés
Laclau, Pablo
Furlan, Natalia
Vorraber, Leslie Barbara
Tallarico, Gabriela Adriana
author Diaz Dávila, Laura
author_facet Diaz Dávila, Laura
Letourneau, Federico Jorge
Almarcha, Matías
Aybar, Lourdes
Prieto, Julieta
Stimolo, María Inés
Laclau, Pablo
Furlan, Natalia
Vorraber, Leslie Barbara
Tallarico, Gabriela Adriana
author_role author
author2 Letourneau, Federico Jorge
Almarcha, Matías
Aybar, Lourdes
Prieto, Julieta
Stimolo, María Inés
Laclau, Pablo
Furlan, Natalia
Vorraber, Leslie Barbara
Tallarico, Gabriela Adriana
author2_role author
author
author
author
author
author
author
author
author
dc.subject.none.fl_str_mv Inteligencia Artificial
Cobertura de Suelos
Incendios Forestales
Vehículo Aéreo No Tripulado
Restauración del Paisaje Forestal
Aprendizaje Automático
Artificial Intelligence
Land Cover
Forest Fires
Unmanned Aerial Vehicles
Forest Landscape Restoration
Machine Learning
topic Inteligencia Artificial
Cobertura de Suelos
Incendios Forestales
Vehículo Aéreo No Tripulado
Restauración del Paisaje Forestal
Aprendizaje Automático
Artificial Intelligence
Land Cover
Forest Fires
Unmanned Aerial Vehicles
Forest Landscape Restoration
Machine Learning
dc.description.none.fl_txt_mv En este artículo se presenta el uso de Inteligencia Artificial para detectar y caracterizar el estado de la vegetación en zonas afectadas por incendios forestales. El corpus de datos se construyó a partir de las imágenes producidas por drones de bajo peso y costo, equipados con cámaras RGB. La metodología incluyó la captura de imágenes de alta resolución, la elección de los modelos de Aprendizaje Automático Profundo (Transfer learning, nativos para imágenes), el tratamiento de los datos, el entrenamiento y el testeo. Se muestran los avances, a modo de prueba de concepto, para analizar áreas afectadas por incendios en los bosques andinopatagónicos. Los resultados proporcionan información que permite evaluar estrategias para la recuperación de la vegetación tras incendios forestales.
This article describes the use of Artificial Intelligence to identify and characterize the condition of vegetation in areas impacted by forest fires. The data set was created from images captured by lightweight, inexpensive drones equipped with RGB cameras. The approach involves capturing high-resolution images, selecting Deep Machine Learning models (specifically designed for image analysis), data processing, as well as training and testing. As a proof of concept, progress is demonstrated through the analysis of fire-affected areas in the AndeanPatagonian forests. The findings offer valuable insights for evaluating strategies aimed at rehabilitating vegetation following forest fires.
EEA Bariloche
Fil: Diaz Dávila, Laura. Universidad Nacional de Córdoba (UNC). Facultad de Ciencias Exactas, Físicas y Naturales. Laboratorio de Investigación y Desarrollo de Software en Inteligencia Artificial (LIDeSIA); Argentina
Fil: Letourneau, Federico Jorge. Instituto Nacional de Tecnología Agropecuaria (INTA). Estación Experimental Agropecuaria Bariloche. Instituto de Investigaciones Forestales y Agropecuarias Bariloche (IFAB); Argentina
Fil: Letourneau, Federico Jorge. Consejo Nacional de Investigaciones Científicas y Técnicas (CONICET). Instituto de Investigaciones Forestales y Agropecuarias Bariloche (IFAB); Argentina
Fil: Almarcha, Matías. Universidad Nacional de Córdoba (UNC). Facultad de Ciencias Exactas, Físicas y Naturales. Laboratorio de Investigación y Desarrollo de Software en Inteligencia Artificial (LIDeSIA); Argentina
Fil: Aybar, Lourdes. Universidad Nacional de Córdoba (UNC). Facultad de Ciencias Exactas, Físicas y Naturales. Laboratorio de Investigación y Desarrollo de Software en Inteligencia Artificial (LIDeSIA); Argentina
Fil: Prieto, Julieta. Universidad Nacional de Córdoba (UNC). Facultad de Ciencias Exactas, Físicas y Naturales. Laboratorio de Investigación y Desarrollo de Software en Inteligencia Artificial (LIDeSIA); Argentina
Fil: Stimolo, María Inés. Universidad Nacional de Córdoba (UNC). Instituto de Estadística y Demografía; Argentina
Fil: Laclau, Pablo. Instituto Nacional de Tecnología Agropecuaria (INTA). Estación Experimental Agropecuaria Bariloche. Instituto de Investigaciones Forestales y Agropecuarias Bariloche (IFAB); Argentina
Fil: Laclau, Pablo. Consejo Nacional de Investigaciones Científicas y Técnicas (CONICET). Instituto de Investigaciones Forestales y Agropecuarias Bariloche (IFAB); Argentina
Fil: Furlan, Natalia. Instituto Nacional de Tecnología Agropecuaria (INTA). Estación Experimental Agropecuaria Bariloche. Instituto de Investigaciones Forestales y Agropecuarias Bariloche (IFAB); Argentina
Fil: Furlan, Natalia. Consejo Nacional de Investigaciones Científicas y Técnicas (CONICET). Instituto de Investigaciones Forestales y Agropecuarias Bariloche (IFAB); Argentina
Fil: Vorraber, Leslie Barbara. Instituto Nacional de Tecnología Agropecuaria (INTA). Estación Experimental Agropecuaria Bariloche. Instituto de Investigaciones Forestales y Agropecuarias Bariloche (IFAB); Argentina
Fil: Vorraber, Leslie Barbara. Consejo Nacional de Investigaciones Científicas y Técnicas (CONICET). Instituto de Investigaciones Forestales y Agropecuarias Bariloche (IFAB); Argentina
Fil: Tallarico, Gabriela Adriana. Instituto Nacional de Tecnología Agropecuaria (INTA). Dirección Nacional Asistente de Sistemas de Información, Tecnologías y Procesos; Argentina
description En este artículo se presenta el uso de Inteligencia Artificial para detectar y caracterizar el estado de la vegetación en zonas afectadas por incendios forestales. El corpus de datos se construyó a partir de las imágenes producidas por drones de bajo peso y costo, equipados con cámaras RGB. La metodología incluyó la captura de imágenes de alta resolución, la elección de los modelos de Aprendizaje Automático Profundo (Transfer learning, nativos para imágenes), el tratamiento de los datos, el entrenamiento y el testeo. Se muestran los avances, a modo de prueba de concepto, para analizar áreas afectadas por incendios en los bosques andinopatagónicos. Los resultados proporcionan información que permite evaluar estrategias para la recuperación de la vegetación tras incendios forestales.
publishDate 2024
dc.date.none.fl_str_mv 2024-12
2026-02-24T14:50:24Z
2026-02-24T14:50:24Z
dc.type.none.fl_str_mv info:eu-repo/semantics/conferenceObject
info:eu-repo/semantics/publishedVersion
http://purl.org/coar/resource_type/c_5794
info:ar-repo/semantics/documentoDeConferencia
format conferenceObject
status_str publishedVersion
dc.identifier.none.fl_str_mv http://hdl.handle.net/20.500.12123/25279
url http://hdl.handle.net/20.500.12123/25279
dc.language.none.fl_str_mv spa
language spa
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
http://creativecommons.org/licenses/by-nc-sa/4.0/
Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)
eu_rights_str_mv openAccess
rights_invalid_str_mv http://creativecommons.org/licenses/by-nc-sa/4.0/
Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)
dc.format.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Universidad Nacional de Córdoba (UNC)
publisher.none.fl_str_mv Universidad Nacional de Córdoba (UNC)
dc.source.none.fl_str_mv II Jornada de IA en la UNC - Conviviendo con la Inteligencia Artificial, Córdoba, Argentina. 5 y 6 de diciembre 2024
reponame:INTA Digital (INTA)
instname:Instituto Nacional de Tecnología Agropecuaria
reponame_str INTA Digital (INTA)
collection INTA Digital (INTA)
instname_str Instituto Nacional de Tecnología Agropecuaria
repository.name.fl_str_mv INTA Digital (INTA) - Instituto Nacional de Tecnología Agropecuaria
repository.mail.fl_str_mv tripaldi.nicolas@inta.gob.ar
_version_ 1858207934143528960
score 13.176822

Publicaciones similares