Realizar una prueba de concepto integral que abarque:
• Revisión del estado del arte;
• Adaptación del pipeline al uso de imágenes satelitales de muy alta resolución (<0,5 m)
• Experimentación con modelos de aprendizaje profundo específicamente orientados a la detección a nivel de individuo (árbol sano vs. marra)
• Despliegue en el entorno más adecuado para operación y escalado
Objetivos Técnicos
• Adquisición de datos: Búsqueda de conjuntos de datos de origen satelital que permitan llevar a cabo la tarea de detección de copas individuales en parcelas de replantación delimitadas. Recolectar tanto de fuentes públicas y/o de pago la cantidad de datos necesaria en cantidad y diversidad para el desarrollo de una solución ML.
• Aplicación de Aprendizaje Profundo: Desarrollar o adaptar un algoritmo de aprendizaje profundo para la detección y conteo preciso de copas de árboles en regiones previamente delimitadas de imágenes satelitales.
• Optimización del Modelo: Reducir la complejidad del modelo sin sacrificar la precisión. Esto incluye técnicas como la fusión de capas, poda de redes y cuantización.
• Validación y Pruebas Rigurosas: Asegurar que el modelo proporciona resultados precisos y fiables mediante una serie de pruebas y validaciones.
• Despliegue de la solución en el entorno que se considere más adecuado, pudiendo incluir la implementación en Hardware de Bajas Prestaciones: Asegurarse de que el modelo optimizado puede ser desplegado y ejecutado eficientemente en sistemas con recursos limitados.
La detección y análisis de cobertura arbórea en imágenes aéreas y satelitales de muy alta resolución es ya una realidad contrastada: hoy podemos cartografiar con precisión masas forestales, repoblaciones y alineaciones. El siguiente paso —y el foco de este proyecto— es estudiar la viabilidad de llevar esa detección al nivel individual de árbol, estimando de forma fina el balance entre ejemplares aparentemente sanos y marras (esto es, plantas que no han prosperado tras la plantación: se secan, mueren… generando huecos que deben reponerse). Lograr esta granularidad aportará beneficios directos: mayor rigor en el control de calidad de las repoblaciones, optimización de riegos y reposiciones, priorización de actuaciones, y métricas objetivas para la gestión arbórea y la evaluación ambiental. En suma, avanzar hacia la detección a escala de individuo permitirá decisiones más rápidas, trazables y sostenibles en la planificación y mantenimiento del arbolado.
El entregable incluirá:
• Los conjuntos de datos empleados en el desarrollo y validación del modelo.
• El código del modelo de aprendizaje profundo optimizado.
• Documentación detallada del diseño, implementación y optimización del modelo.
• Un informe de pruebas y validación demostrando la precisión y eficiencia del modelo.
• Guía de despliegue.
RECURSOS INTERNOS DISPONIBLES
La empresa proporcionará acceso a:
• Acceso a hardware y software para el desarrollo y prueba de modelos de IA.
• Asesoramiento técnico y apoyo de expertos en visión por computadora y aprendizaje profundo.
• Cronograma del Proyecto
CRONOGRAMA DEL PROYECTO
El proyecto se distribuirá temporalmente del siguiente modo:
• Semana 1-2: Familiarización con el caso de uso, con los conjuntos de datos y definición de requisitos del modelo.
• Semana 3-4: Desarrollo y entrenamiento inicial del modelo de detección.
• Semana 5-6: Primera ronda de optimización del modelo y pruebas de eficiencia.
• Semana 7-8: Evaluación de la precisión y ajustes adicionales del modelo.
• Semana 9-10: Segunda ronda de optimización y pruebas en hardware de bajas prestaciones.
• Semana 11-12: Documentación final, informe de resultados y preparación para el despliegue.
