Datos de investigación
Modelo de Deep Learning y conjunto de datos anotados para la detección automatizada de carpinchos (Hydrochoerus hydrochaeris) y ciervos de los pantanos (Blastocerus dichotomus) en fotografías aéreas.
Colaboradores:
Gomez, Rocio Quimey; Welschen, Alejandro José
; Paviolo, Agustin Javier
; Di Bitetti, Mario Santiago
; Paviolo, Agustin Javier
; Di Bitetti, Mario Santiago
Publicador:
Consejo Nacional de Investigaciones Científicas y Técnicas
Fecha de depósito:
17/03/2026
Fecha de creado:
25/4/2025-25/4/2025
Clasificación temática:
Resumen
Modelo de Inteligencia Artificial basado en aprendizaje profundo (Deep Learning) diseñado para la identificación y detección de carpinchos y ciervos de los pantanos a partir de imágenes aéreas de alta resolución obtenidas con drones (UAV). El modelo fue entrenado en el entorno de ArcGIS Pro utilizando una arquitectura de detección de objetos SSD (Single Shot Detector) y validado en áreas de humedales del Parque Nacional Iberá
Métodos
Se utilizaron ortomosaicos georreferenciados (resolución ~1.6–1.8 cm/píxel) generados a partir de vuelos con el dron DJI Mavic 2 Zoom a 50 m de altura sobre el terreno. El entrenamiento consistió en el etiquetado manual de individuos mediante cajas delimitadoras (bounding boxes) y el ajuste de hiperparámetros (tamaño de chip de 190x190 píxeles, learning rate de 0.001, máximo de 30 épocas) para maximizar la sensibilidad del modelo. El conjunto de entrenamiento final contó con un total de 668 registros de la clase “Animal” (636 de carpinchos y 32 de ciervos de los pantanos) y 300 muestras de la clase “No Animal” para reducir falsos positivos. Los datos provienen de muestreos en el Parque Nacional Iberá (Corrientes, Argentina) y en la región del Pantanal (Brasil). El modelo fue testeado con muestras independientes en el Parque Nacional Iberá, presentando un recall (sensibilidad) relativo promedio del 95%.
Información Técnica
Para la generación del modelo se utilizó la plataforma ArcGIS Pro 3.2 (herramientas de Deep Learning de la extensión Image Analyst), ejecutada en una estación de trabajo con procesamiento acelerado por GPU bajo soporte CUDA (NVIDIA Quadro M1200). Las fotografías aéreas utilizadas para la toma de muestras de entrenamiento fueron capturadas con un dron DJI Mavic 2 Zoom volando en modo automático a 50 m sobre el nivel del suelo. Los formatos de las anotaciones de las imágenes en el dataset siguen el estándar PASCAL VOC.
Alcance geográfico
.
Identificador del recurso
Colecciones
Datos de Investigación (ICBIA)
Datos de Investigación de INSTITUTO DE CIENCIAS DE LA TIERRA, BIODIVERSIDAD Y AMBIENTE
Datos de Investigación de INSTITUTO DE CIENCIAS DE LA TIERRA, BIODIVERSIDAD Y AMBIENTE
Datos de Investigación(IBS)
Datos de Investigación de INSTITUTO DE BIOLOGIA SUBTROPICAL
Datos de Investigación de INSTITUTO DE BIOLOGIA SUBTROPICAL
Datos de Investigación(IDEA)
Datos de Investigación de INSTITUTO DE DIVERSIDAD Y ECOLOGIA ANIMAL
Datos de Investigación de INSTITUTO DE DIVERSIDAD Y ECOLOGIA ANIMAL
Datos de Investigación(IEGEBA)
Datos de Investigación de INSTITUTO DE ECOLOGIA, GENETICA Y EVOLUCION DE BS. AS
Datos de Investigación de INSTITUTO DE ECOLOGIA, GENETICA Y EVOLUCION DE BS. AS
Citación
Priotto, Octavio; Avila, Ana Belen; de Angelo, Carlos Daniel; (2026): Modelo de Deep Learning para la detección automatizada de grandes vertebrados (Hydrochoerus hydrochaeris y Blastocerus dichotomus) en fotografías aéreas. Consejo Nacional de Investigaciones Científicas y Técnicas. (dataset). http://hdl.handle.net/11336/283278
Condiciones de uso
Las buenas prácticas científicas esperan que se otorgue el crédito adecuado mediante una citación. Utilice un formato de citación y aplique estas normas de reutilización.
Excepto donde se diga explícitamente, este item se publica bajo la siguiente descripción:
Creative Commons Attribution-NonCommercial-ShareAlike 2.5 Unported (CC BY-NC-SA 2.5)
Compartir
Archivos del conjunto de datos
Archivo
Notas de uso
Tamaño
Publicaciones relacionadas