Conference Agenda

Rising traffic demand around university campuses and sports venues exacerbates parking scarcity and congestion. This study develops a UAV–deep learning workflow for the automatic quantification of parked vehicles and the estimation of occupancy levels across facilities at the Universidad Autónoma de Nuevo León (UANL). UAV surveys of the East and West Estadio UANL lots and the FIME faculty lots were conducted with DJI Mavic 2 and Matrice 350 RTK platforms during high-demand periods, including football matches and student egress peaks. The imagery, processed into centimeter-scale orthomosaics (2.4–2.8 cm ground sampling distance), enabled reliable instance detection using a pretrained Mask R-CNN Car Detection model. A total of 4,591 vehicles were identified across the surveyed areas: 2,336 in the West lot, 1,684 in the East lot, and 571 in the FIME lots. Kernel density estimation and spatial metrics revealed near-saturation of stadium lots during matches, reduced occupancy during off-event periods, and elevated but distributed demand in faculty lots during class dismissal. These geospatial indicators were integrated into a parking management framework using heat maps and bottleneck detection around access and egress roads. The approach demonstrates the potential of UAV–deep learning workflows to support demand-responsive parking control, traffic guidance, and long-term planning in congested university and event-driven environments.

El Parque Nacional Natural Sierra de La Macarena, ubicado en el departamento del Meta, Colombia, es uno de los ecosistemas más diversos y estratégicos del país, al conectar las regiones Andina, Amazónica y Orinoquense. Sin embargo, en los últimos años ha enfrentado una creciente presión por deforestación y apertura de vías ilegales, asociadas a la expansión de la frontera agropecuaria y a actividades ilícitas.

Con el fin de caracterizar este fenómeno, se implementó una metodología basada en deep learning para la detección automática de caminos y parches de suelo sin cobertura vegetal, utilizando imágenes satelitales multitemporales de alta resolución. Se desarrolló un cubo de datos espaciales que integra información espectral, temporal y de textura, procesado mediante redes neuronales convolucionales (CNN) entrenadas para la segmentación de dos clases principales: vías y suelo desnudo.

Los resultados evidencian un patrón espacial recurrente conocido como efecto “espina de pescado”, caracterizado por una vía central que penetra en el bosque y genera ramificaciones laterales donde se concentran los focos de deforestación. Este patrón fue identificado con alta precisión en el interior del parque y en zonas de amortiguamiento, donde la presión antrópica se ha intensificado en los últimos años.

El análisis de correlación entre las capas derivadas del modelo muestra una alta asociación espacial entre los caminos extraídos y los parches de suelo sin vegetación, lo que confirma que la apertura de vías actúa como detonante del proceso de deforestación. Además, la serie temporal evidencia un incremento progresivo de la fragmentación del paisaje desde 2017.

Estos resultados demuestran el potencial del análisis satelital basado en inteligencia artificial para el monitoreo ambiental en áreas protegidas. La metodología desarrollada permite identificar en tiempo casi real los frentes activos de deforestación y priorizar acciones de control y restauración, contribuyendo al cumplimiento de los compromisos nacionales de conservación y a los principios del Acuerdo de Escazú en materia de transparencia ambiental.