Inteligencia artificial aplicada a la monitorización y control de fauna

Abstract

La energía eólica es una de las fuentes de energía renovables y limpias que más se están usando en la actualidad para luchar contra el cambio climático, la reducción de gases de efecto invernadero y conseguir la autonomía energética de los distintos países. No obstante, los parques eólicos constituyen un gran peligro para las aves autóctonas, pues corren el riesgo de chocar contra los molinos, así como la pérdida de su hábitat y el desplazamiento del mismo. Es por ello que es necesario poder identificar y clasificar las aves existentes en un espacio geográfico para cuantificar el riesgo que corren en caso de crear un parque eólico en esa localización. Para ello, se han creado una serie de modelos de inteligencia artificial para poder identificar y clasificar las aves mediante sus imágenes y los sonidos que emiten. En este Trabajo de Fin de Grado se han desarrollado 3 algoritmos: uno mediante visión artificial con un modelo de aprendizaje automático supervisado para poder segmentar las aves en una imagen. El segundo algoritmo usa modelos (supervisados) para clasificar las imágenes de las aves detectadas, y el último, también supervisado, se encarga de clasificar las aves según el sonido que emiten.

Nowadays, wind energy is one of the most widely used source of renewable and clean energy to combat climate change, helping to reduce greenhouse gases, and achieve energy autonomy for various countries. However, wind farms may pose a significant threat to native birds, as they risk collision with windfarm turbines, losing their habitats, and being displaced. Therefore, it is necessary to identify and classify the birds present in a geographic area to assess the risk they may face if a wind farm is installed in that location. For this purpose, a solution of artificial intelligence models has been developed to identify and classify birds through the recognition of images and sounds they emit. In this Bachelor’s Thesis, three algorithms have been developed: one using computer vision techniques through a supervised machine learning model to identify and segment the birds within an image. The second algorithm uses models to classify the images of the detected birds’ species; and the last one, also supervised, is responsible for classifying the birds according to the sounds they emit.