Organizado por LIDeSIA, FCEFyN de la UNC esta capacitación propone conocer cuántos árboles permanecen vivos, cuántos han muerto en pie y cuántos han caído tras un incendio es un insumo clave para la planificación integral de la restauración post-fuego.
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.
Destinatarios:
Profesionales de las Ciencias Forestales, Biológicas y agropecuarias y afines, vinculados a la gestión forestal.
Interesados en relacionarse con los procesos asociados a la gestión de un proyecto de solución basado en IA usando modelos de Transfer Learning.
Cupo limitado: 30 asistentes
Costo: Sin cargo.
Extensión: 6 hs total.
Modalidad: virtual sincrónica.
Encuentros: 14/08, 25/08 y 1/09
Hora: de 17.30 a 19.30 hs.
Objetivo GENERAL:
Comprender los procesos asociados a una investigación basada en IA, que se desarrolló en LIDeSIA, aplicada al estudio de restauración post – incendios forestales llevados adelante por INTA Bariloche.
Objetivos específicos:
- Compartir los avances de un MODELO DE TRANSFER LEARNING, entrenado con registros de imágenes provenientes DE VANTS para contribuir a las decisiones informadas de la gestión forestal.
- Comprender los aspectos y los procesos necesarios para adquirir las competencias relacionadas al uso y apropiación de los modelos en su estado actual, para posibilitar su instrumentación por parte de los usuarios directos involucrados en el prototipo desarrollado.
- Proporcionar a otros interesados una visión general de la gestión del proyecto, su ciclo de vida y los aspectos involucrados (datos, modelo, resultados).
Contenidos:
- Gestión del proyecto basado en IA: Enfoque sistémico. Comprensión del Problema. Delimitación y alcance de la solución. SoTA (estudio de antecedentes). Elección del Modelo. Calidad de los datos. Adecuación. Decisiones sobre el cómputo de entrenamiento y ejecución. Uso de metodologías ágiles. Roles en los equipos. Planificación de la solución
- Datos: Etiquetado y Preparación. Etiquetado de datos. Uso de herramientas como LabelImg, Roboflow. Definición y separación del conjunto de datos. Representatividad balanceada de las clases en cada subconjunto. Instalación de Librerías y recursos disponibles
- Modelos: Entrenamiento, Validación, Testeo. Técnicas de regularización. Instalación de Librerías y recursos disponibles
- Resultados del modelo (Uso): Robustez del modelo, Alcance, Dependencias, Calidad de los resultados, Interpretabilidad, Reproducibilidad, Usabilidad – Integración – Escalabilidad, Deuda técnica. Nivel de madurez tecnológica. Pruebas de concepto – Prototipos.
Organizado por LIDeSIA, FCEFyN de la UNC
Justificación del taller – Contexto de la problemática abordada:
Conocer cuántos árboles permanecen vivos, cuántos están muertos en pie y cuántos han caído tras un incendio es un insumo clave para la planificación integral de la restauración post-fuego.
Esta información permite estimar el potencial de regeneración natural, definir la necesidad de intervenciones activas, evaluar el riesgo de nuevos incendios por acumulación de biomasa muerta y establecer prioridades espaciales de manejo.
Diversos estudios han demostrado que la biomasa muerta, tanto en pie como caída, influye en la severidad de eventos futuros, en la germinación y establecimiento de plántulas, y en la estructura del hábitat para la fauna o la retención de humedad.
En este contexto, la inteligencia artificial aplicada a imágenes provenientes de registros captados con vehículos aéreos no tripulados (VANTs) se presenta como una herramienta poderosa y eficiente para identificar y clasificar automáticamente árboles vivos, muertos o caídos sobre grandes superficies, con alta precisión y en poco tiempo. Estas tecnologías permiten acelerar el diagnóstico de áreas afectadas, estandarizar criterios y mejorar la trazabilidad de las acciones de restauración.
Desarrollado por LIDeSIA de la FCEFyN de la UNC, este taller brinda una introducción a la implementación de técnicas de inteligencia artificial aplicadas al relevamiento forestal en áreas afectadas por incendios.
A lo largo de tres encuentros, se abordarán los aspectos que intervienen en la gestión de una solución basada en IA; desde la especificación y delimitación del problema, el tratamiento de datos georreferenciados a partir de imágenes tomadas con drones, el etiquetado de objetos de interés (árboles vivos, muertos en pie y caídos), el entrenamiento, validación y testeo de los modelos, hasta el desarrollo del MVP (producto mínimo viable) que se pone a disposición de las partes interesadas para la detección automática en nuevos casos de estudio.
Se trabajará con herramientas accesibles y código replicable, guiando a los participantes en las prácticas asociadas, tales como instalación de librerías, etiquetado, adecuación del modelo, interpretación de resultados, entre otros.
Se pondrá énfasis en el grado de madurez tecnológica alcanzado y su viabilidad.
.
Contacto: letourneau.federico@inta.gob.ar, laura.diaz@unc.edu.ar
Formulario de inscripción
Ver presentación de la propuesta
Les compartimos el artículo presentado en las 2das Jornadas de Inteligencia Artifical de la UNC sobre este tema. 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
VER Publicación en la jornada de IA 2024
Publication/386603022
2024 Modelo de Transfer learning vants incendios. Díaz Dávila, L., Letourneau, F. J., Almarcha, M., Aybar, L., Prieto, J., Stimolo, M. I., Laclau, P., Furlan, N., Vorraber, L., & Tallarico, G. (2024). 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. Pp 5. Trabajo presentado a la 2da Jornada de Inteligencia Artificial, Conviviendo con la IA, Organizado por la Universidad Nacional de Córdoba 5 y 6 de Diciembre 2024, Ciudad de Córdoba, Argentina.
Laboratorio de Investigación y Desarrollo de Software e Inteligencia Artificial (LIDeSIA)