· 2 min de lectura
Investigadores de la Universidad de Murcia presentan en AVSS 2026 una investigación sobre inteligencia artificial para la monitorización forestal
El trabajo explora cómo combinar inteligencia artificial y datos LiDAR obtenidos mediante drones para identificar árboles de forma individual y facilitar el análisis de los ecosistemas forestales.
El investigador Adrián Cánovas Rodríguez, junto a Guillermo Carmona-Martínez, Aurora González-Vidal y Antonio Skarmeta, ha participado en el congreso AVSS 2026, celebrado en Lecce (Italia), dentro de la sesión AI4Nature, dedicada a la aplicación de la inteligencia artificial y la visión por computador al seguimiento del medio ambiente y la biodiversidad.
Durante el congreso se presentó el trabajo Impact of Manual Annotation Refinement on Instance Segmentation Accuracy in UAV-LiDAR-Based Forest Inventories, que explora cómo combinar inteligencia artificial y datos LiDAR obtenidos mediante drones para identificar árboles de forma individual y facilitar el análisis de los ecosistemas forestales.
La investigación aborda uno de los retos de este tipo de tecnologías: conseguir que los sistemas de inteligencia artificial puedan analizar grandes cantidades de información forestal sin depender de procesos de etiquetado manual, que requieren mucho tiempo y recursos. El estudio analiza diferentes modelos de aprendizaje profundo y estrategias que combinan el procesamiento automático con una cantidad limitada de revisión humana, contribuyendo al desarrollo de herramientas más eficientes y escalables para la monitorización de los bosques.
University of Murcia researchers present research on artificial intelligence for forest monitoring at AVSS 2026 #
Researcher Adrián Cánovas Rodríguez, together with Guillermo Carmona-Martínez, Aurora González-Vidal and Antonio Skarmeta, participated in AVSS 2026, held in Lecce, Italy, as part of the AI4Nature session, focused on the application of artificial intelligence and computer vision to environmental monitoring and biodiversity.
During the conference, they presented the paper Impact of Manual Annotation Refinement on Instance Segmentation Accuracy in UAV-LiDAR-Based Forest Inventories, which explores how artificial intelligence and drone-based LiDAR data can be combined to identify individual trees and support the analysis of forest ecosystems.
The research addresses one of the challenges of these technologies: enabling artificial intelligence systems to process large amounts of forest data without relying heavily on manual annotation, which can be time-consuming and resource-intensive. The study evaluates different deep learning models and strategies that combine automated processing with limited human refinement, contributing to the development of more efficient and scalable tools for forest monitoring.