Detección de marras

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. 

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.

Entregable final:

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.