Censo virtual de plátanos

Relevamiento automatizado de Platanus × acerifolia en el casco urbano de Miramar, combinando estimación de biomasa por satélite (CONAE) con inteligencia artificial aplicada a imágenes de Google Street View para el censo individual de ejemplares.

903
Plátanos censados
4.161
Cuadras analizadas
51
Prioridad crítica
59
Prioridad alta
143
Prioridad media

Calles con más plátanos

Hacé clic en un plátano
para ver su imagen en Street View

Prioridad de cuadra

Crítica (score ≥ 8)
Alta (score 5–8)
Media (score 2.5–5)
Plátano censado

Otamendi

Se definió la zona de escaneo alrededor de las plazas principales de la localidad, además de la zona del ferroviario, donde se concentra la mayor parte del arbolado urbano.

El relevamiento con el modelo de IA se realizará sobre estas zonas para generar un censo equivalente al de Miramar.

Estimación de fotos a descargar
~22.000
imágenes de Street View

Modelo de clasificación

Para identificar los plátanos en las fotos se usa una red neuronal entrenada con miles de imágenes de calles. Evaluamos dos versiones del modelo sobre el mismo conjunto de imágenes para elegir la más confiable.

¿Qué significa "precisión"?
Es el porcentaje de veces que el modelo acierta cuando hace una predicción. Una precisión del 90 % en "plátanos" significa que 9 de cada 10 fotos que el modelo marca como plátano realmente lo son. Nos importa especialmente no equivocarnos en ninguna de las dos categorías.
Precisión comparada
Modelo anterior — MobileNetV2
🌳 Plátanos69 %
🚫 No plátanos84 %
EN USO
Modelo mejorado
🌳 Plátanos79 %
🚫 No plátanos92 %
¿Por qué importa mejorar el modelo?
Cada foto que el modelo clasifica mal es un árbol que puede quedar fuera del censo, o un árbol inexistente que infla los números. Con el modelo mejorado, 1 de cada 10 plátanos que detecta podría ser un error — frente a casi 3 de cada 10 en la versión anterior.

¿Cómo detectamos los plátanos?

El proceso, paso a paso

Combinamos dos fuentes complementarias. Por un lado, imágenes satelitales de alta resolución (provistas por CONAE) para estimar la biomasa caducifolia y detectar zonas con alta concentración de hojas en otoño. Por otro, imágenes a nivel de calle (Google Street View) analizadas con inteligencia artificial para identificar y censar cada plátano individualmente. Un equipo humano valida cada detección.

🛰️
Satélite
Pléiades Neo (30 cm) para estimar la biomasa caducifolia por cuadra
📸
Street View
Fotos de cada cuadra en invierno, cuando el plátano muestra su corteza
🧠
IA
Red neuronal entrenada para reconocer el patrón visual del plátano
👁️
Validación
Cada detección fue revisada por el equipo

Prioridad por cuadra

Cada cuadra recibe un puntaje de 0 a 10 que combina dos indicadores independientes: la biomasa otoñal estimada por satélite (cuántas hojas caerán) y la cantidad de plátanos confirmados por el censo virtual (cuántos árboles hay). El sistema siempre prioriza el indicador más alto para no subestimar el riesgo.

51
Crítica
score ≥ 8
59
Alta
score 5–8
143
Media
score 2.5–5
3.908
Baja
score < 2.5

Proyecto Optimización de la recolección de residuos reciclables, el barrido y la limpieza en General Alvarado. Instituto de Cálculo (FCEN–UBA) · Consejo Federal de Inversiones (CFI).