IDENTIFICACIÓN DE ÁREAS FOCALES Y ALERTA

TEMPRANA CON RETROALIMENTACIÓN A TRAVES DE

PAGINAS EN LÍNEA L IBRES DE DATA DE SATELITES

S. Choque and A. Torres and G. Regalado

Univsersidad Nacional de Ingeniería, Rimac, Lima, Perú

Se presenta el desarrollo conceptual y modelado de un UAV multisensor para detección

temprana de deforestación, minería ilegal y amenazas ambientales en la Amazonía peruana.

El sistema integra sensores ópticos, térmicos y acústicos con un modelo dinámico, análisis

aerodinámico, simulación GIS y algoritmos de cobertura para optimizar el reconocimiento

aéreo. Se destacan supuestos de diseño, dinámica de vuelo, modelo digital 3D, planificación

de trayectorias y evaluación masa–potencia, enfatizando operaciones autónomas, eficiencia,

estabilidad y escalabilidad para misiones en enjambre. Se discute además la viabilidad del

concepto en escenarios reales de monitoreo remoto.

I. Introducción
El uso de vehículos aéreos no tripulados (UAV) se ha convertido en una herramienta esencial para el monitoreo

ambiental debido a su capacidad de generar información geoespacial de alta resolución en zonas extensas y de difícil

acceso. En regiones megadiversas como el Perú, donde la presión sobre los ecosistemas aumenta rápidamente, los

UAV permiten mejorar la detección temprana de cambios en el paisaje y complementar los métodos tradicionales de

vigilancia [1].

A nivel internacional, se ha demostrado que la optimización de trayectorias y patrones de cobertura mejora

significativamente la eficiencia de mapeo en misiones autónomas [2]. En este estudio se evalúa el desempeño de un

cuadricóptero de clase ligera bajo distintos patrones de cobertura, con el fin de estimar su impacto en la distancia

recorrida, la eficiencia operativa y su aplicabilidad en misiones de reconocimiento ambiental.

A. Definición del problema

El Perú registra tasas elevadas de pérdida de cobertura boscosa y expansión de actividades ilegales, particularmente

la minería aurífera y la deforestación no planificada. Se estima que cada año se pierden más de 50 000 ha de bosque

amazónico, mientras que plataformas de monitoreo han identificado decenas de miles de focos asociados a minería

ilegal en áreas naturales protegidas [3,4]. Esta situación genera impactos severos sobre la biodiversidad, los ecosistemas

hídricos y la salud de las poblaciones locales.

 La ausencia de sistemas de vigilancia continua limita la detección temprana de estas actividades y reduce la eficiencia

de las intervenciones en campo. En este contexto, resulta necesario evaluar estrategias de vuelo que permitan maximizar

la capacidad de observación con UAV ligeros, incrementando la frecuencia de inspección y la cobertura efectiva en

misiones reales. Este trabajo responde a dicha necesidad mediante un análisis técnico de trayectorias optimizadas para

misiones de monitoreo en la Amazonía peruana.

B. Estado del Arte

A. Dinámica y Control de UAV Multirrotor

La literatura reciente sobre UAV ligeros destaca modelos dinámicos no lineales que integran aerodinámica, estabilidad

y control de actitud. El trabajo de Coverage Path Planning and Point-of-Interest Detection Using Autonomous Drone

Swarms (2022)[5] proporciona un marco fundamental para estimar consumo energético en función del tiempo de vuelo

y distancia recorrida, empleando relaciones del tipo

𝐸 ≈ 𝑃hover 𝑡 + 𝑐 𝑑 𝐷. (1)

Estos modelos son directamente aplicables a plataformas comerciales compactas como el DJI Mini 3, cuya eficiencia

depende críticamente del balance entre empuje, masa y potencia en hover.

B. Estrategias de Cobertura y Planificación de Trayectorias

Los estudios comparativos de patrones de cobertura —incluyendo lawnmower, espiral y trayectorias híbridas—

muestran que la eficiencia depende de la geometría del área, el solapamiento requerido y el costo energético asociado a

maniobras. Estos resultados sirven de base para la evaluación realizada en el presente trabajo, orientada a misiones de

mapeo en áreas irregulares y bajo las restricciones operativas típicas de drones ultraligeros.

C. UAV e Inteligencia Artificial en Vigilancia Forestal

Diversos estudios han demostrado la utilidad de integrar visión por computadora y aprendizaje automático para

detectar cambios ambientales, identificar actividades ilegales y mejorar la vigilancia forestal. Este enfoque respalda el

uso de puntos de interés dentro de la planificación de misión y valida el potencial de aplicar técnicas de clasificación

para reconocer deforestación, minería o focos térmicos tanto en vuelo como en posprocesamiento.

2
 II. Concepto y Supuestos

A. Concepto del Sistema

El sistema propuesto integra un enjambre cooperativo de drones equipado con sensores RGB, térmicos, multiespec-

trales y acústicos, apoyado por IA embarcada para clasificación temprana y GIS para planificación adaptativa de ruta en

terreno amazónico.

La comunicación se establece mediante una malla (mesh) criptográfica, respaldada por satcom de baja tasa para enviar

resúmenes críticos. Toda la operación se registra mediante un esquema ligero de blockchain para asegurar integridad,

trazabilidad y sincronización en el enjambre, siguiendo principios similares al concepto de vigilancia distribuida

presentado en el documento de SAAB.

El enfoque integrado permite cobertura continua, resiliencia a fallas de nodos y una arquitectura escalable para misiones

de monitoreo ambiental.

B. Supuestos Operacionales

• Altitud: 4000 m

• Velocidad horiz.: 5 m/s

• Autonomía: 38 min

• Número de drones: 3 UAVs

• Densidad de vegetación y visibilidad (supuestos climáticos): Precipitación alta durante la temporada de lluvias,

Visibilidad reducida por nubosidad, Corrientes de viento ligeras, temperaturas entre 26°C y 38°C, humedad

relativa elevada todo el año ( > 80%)

• Limitaciones regulatorias

– Altura límite práctica: 120 m AGL

– Permiso del SERNANP y coordinación con el MINAM para operaciones de monitoreo

– Horarios limitados para evitar perturbar fauna diurna/nocturna.

– Identificación remota (o su equivalente conceptual) para minimizar riesgo de interferencias con helicópteros

de patrullaje o aeronaves de bajo nivel.

C. Arquitectura General del Sistema

La arquitectura integra:

• Sensores ópticos (RGB), multiespectrales y térmicos: Permite mapeo general, detectar focos de incendios y

perdidas de biomasa. En la Amazonía; todo el terreno está muy cubierto y cada sensor capta algo distinto.

• Unidad IMU, GNSS y barómetro: estándar para navegabilidad en drones comerciales tipo DJI Mini 3 (estabilidad,

altitud y posición global)

3
• Comunicación LoRa/Mesh redundante: Largo alcance, telemetría ligera, comunicacion robusta e independiente.

• Procesamiento embarcado para detección de patrones: IA ligera a bordo

Fig. 1 Flujo de funcionamiento

D. Justificación técnica del enjambre

Cobertura ampliada. La división del AOI en subsectores permite asignar trayectorias paralelas a cada UAV,

reduciendo solapamientos y aumentando el área mapeada por unidad de tiempo. Este enfoque es coherente con

estrategias de Coverage Path Planning ampliamente validadas para misiones ambientales.

Redundancia y resiliencia. La operación multi–UAV introduce redundancia funcional: si un vehículo pierde

señal, energía o GNSS, otros pueden asumir su zona asignada, garantizando continuidad en regiones remotas con

condiciones atmosféricas variables.

Mitigación de fallos. La arquitectura distribuida evita la dependencia de un único dron y permite redistribuir

rutas ante fallos, disminuyendo el riesgo de interrupción de la misión y aumentando la probabilidad de completar

la cobertura planificada.

Eficiencia temporal. La partición del AOI en nueve sectores y el uso de seis puntos de control optimizan

distancias recorridas, reducen el tiempo total y permiten ciclos de vuelo más cortos.

Seguridad operativa. El empleo de múltiples UAV distribuye riesgos, disminuye exposición individual a

turbulencia, lluvia o interferencias locales y facilita rutas de retorno más seguras, habilitando operaciones

sostenidas en zonas de difícil acceso.

4
 III. Dinámica y Modelo del Vehículo

A. Modelo Dinámico del UAV

El dron se modela como un sistema rígido con seis grados de libertad (6-DOF) y subactuado, siguiendo la

arquitectura conceptual de un UAV comercial ligero como el DJI Mini 3. Se consideran traslación en (𝑥, 𝑦, 𝑧) y

rotación en (𝜙, 𝜃, 𝜓) con velocidades lineales ( 𝑥,

¤ 𝑦¤ , 𝑧¤) y angulares ( 𝑝, 𝑞, 𝑟).

– Variables de Estado: posición (𝑥, 𝑦, 𝑧), orientación (𝜙, 𝜃, 𝜓), velocidades lineales ( 𝑥,
¤ 𝑦¤ , 𝑧¤) y angulares

( 𝑝, 𝑞, 𝑟)

– Entradas: empuje total 𝑇 y momentos 𝜏𝜙 , 𝜏𝜃 , 𝜏𝜓

– Subactuación: sólo se controlan empuje y momentos; la traslación horizontal se logra mediante inclinación

de roll y pitch.

El modelo dinámico describe la relación física entre fuerzas, momentos y movimiento del UAV, incluyendo

efectos giroscópicos y de gravedad.

Fig. 2 Modelo dinámico del dron

B. Modelo matemático

1. Variables de Estado y Entradas

¤ 𝑦¤ , 𝑧¤, 𝜙, 𝜃, 𝜓, 𝑝, 𝑞, 𝑟] 𝑇
x = [𝑥, 𝑦, 𝑧, 𝑥, (2)

u = [𝑇, 𝜏𝜙 , 𝜏𝜃 , 𝜏𝜓 ] 𝑇 (3)

5
donde 𝑇 es el empuje total y 𝜏𝜙 , 𝜏𝜃 , 𝜏𝜓 son los momentos de control generados por los rotores.

2. Ecuaciones de Traslación y Rotación

Traslación:
     
𝑥¥  𝑐𝜃𝑐𝜓  0
     
     
  𝑇    
 𝑦¥  =  𝑐𝜃𝑠𝜓  − 0 (4)
  𝑚    
     
     
 𝑧¥  𝑐𝜙𝑐𝜃  𝑔 
     
     
Rotación:
       
 𝑝¤ © 𝜏𝜙   𝑝   𝑝 ª
  ­     ®
  ­     ®
 𝑞¤  = I−1 ­­  𝜏  −  𝑞  × I  𝑞  ®®
   
   𝜃     ® (5)
  ­     ®
  ­     ®
 𝑟¤  ­    𝑟 
  𝜏𝜓   𝑟   
  «     ¬

3. Torques y Empujes

El empuje total 𝑇 y los torques 𝜏𝜙 , 𝜏𝜃 , 𝜏𝜓 se relacionan con las velocidades de los rotores 𝜔𝑖 mediante:

𝑇 = 𝑘 𝑓 (𝜔21 + 𝜔22 + 𝜔23 + 𝜔24 ) (6)

𝜏𝜙 = 𝑘 𝑓 𝐿 (𝜔22 − 𝜔24 ) (7)

𝜏𝜃 = 𝑘 𝑓 𝐿 (𝜔23 − 𝜔21 ) (8)

𝜏𝜓 = 𝑘 𝑚 (𝜔21 − 𝜔22 + 𝜔23 − 𝜔24 ) (9)

donde 𝐿 es la distancia desde el centro de masa al rotor, 𝑘 𝑓 y 𝑘 𝑚 son constantes de empuje y momento.

4. Matriz de Control

El modelo linealizado alrededor del hover se puede expresar como:

𝛿x¤ = A𝛿x + B𝛿u (10)

donde B relaciona las entradas de empuje y torques con los cambios en velocidad y orientación.

5. Relación RPM–Thrust

Cada rotor produce empuje proporcional al cuadrado de la velocidad angular:

𝑇𝑖 = 𝑘 𝑓 𝜔2𝑖 𝑖 = 1, 2, 3, 4

6
lo que permite traducir comandos de control [𝑇, 𝜏𝜙 , 𝜏𝜃 , 𝜏𝜓 ] a velocidades de motor 𝜔𝑖 .

C. Control y Estabilidad

El control de actitud del UAV se obtiene mediante la variación diferencial del empuje de los cuatro rotores. Se

emplea un controlador PID para estabilización en los ejes de roll (𝜙), pitch (𝜃) y yaw (𝜓).

1. Control de Roll y Pitch

Los errores de orientación se definen como:

𝑒 𝜙 = 𝜙ref − 𝜙 (11)

𝑒 𝜃 = 𝜃 ref − 𝜃 (12)

El torque de control se calcula mediante la ley PID:

∫
𝜏𝜙 = 𝐾 𝑝 𝜙 𝑒 𝜙 + 𝐾 𝑖 𝜙 𝑒 𝜙 𝑑𝑡 + 𝐾 𝑑 𝜙 𝑒¤ 𝜙 (13)
∫
𝜏𝜃 = 𝐾 𝑝 𝜃 𝑒 𝜃 + 𝐾𝑖 𝜃 𝑒 𝜃 𝑑𝑡 + 𝐾 𝑑 𝜃 𝑒¤ 𝜃 (14)

donde 𝐾 𝑝 , 𝐾𝑖 y 𝐾 𝑑 son las ganancias proporcionales, integrales y derivativas ajustadas para cada eje.

2. Control de Yaw

El control de yaw se realiza de manera similar:

𝑒 𝜓 = 𝜓ref − 𝜓 (15)
∫
𝜏𝜓 = 𝐾 𝑝 𝜓 𝑒 𝜓 + 𝐾𝑖 𝜓 𝑒 𝜓 𝑑𝑡 + 𝐾 𝑑 𝜓 𝑒¤ 𝜓 (16)

3. Distribución a Motores

Los torques calculados se traducen a velocidades de motor mediante:

𝑇 𝜏𝜃 𝜏𝜓
𝜔21 = − − (17)
4𝑘 𝑓 2𝑘 𝑓 𝐿 4𝑘 𝑚
𝑇 𝜏𝜙 𝜏𝜓
𝜔22 = − + (18)
4𝑘 𝑓 2𝑘 𝑓 𝐿 4𝑘 𝑚
𝑇 𝜏𝜃 𝜏𝜓
𝜔23 = + − (19)
4𝑘 𝑓 2𝑘 𝑓 𝐿 4𝑘 𝑚
𝑇 𝜏𝜙 𝜏𝜓
𝜔24 = + + (20)
4𝑘 𝑓 2𝑘 𝑓 𝐿 4𝑘 𝑚

7
4. Estabilidad

El sistema linealizado alrededor del hover es estable para ganancias PID adecuadas. Los términos integrales

permiten compensar perturbaciones externas, mientras que los términos derivativos amortiguan oscilaciones

rápidas. La subactuación se maneja mediante la combinación de roll y pitch para controlar la traslación horizontal,

manteniendo la estabilidad en el espacio tridimensional.

D. Aerodinámica y estabilidad

El cuadricóptero tipo “X” de 6 GL utiliza hélices de paso fijo en configuración de cuatro rotores, simplificando el

sistema propulsivo y la aerodinámica. Su fuselaje de baja sección y hélices optimizadas reducen el coeficiente

de arrastre (𝐶𝐷 ), mejorando la eficiencia energética. La relación empuje–potencia se evalúa mediante Blade

Element y teoría de momentum, donde la separación de rotores optimiza la generación de empuje. En hover

se cumple T=mg con consumo aproximado 𝑃 = 𝑇 𝑣𝑖, mientras que en crucero, la velocidad y techo operativo

determinan el régimen de planificación de misión. La estabilidad se mantiene mediante IMU, GNSS y barómetro,

compensando perturbaciones con variaciones diferenciales de empuje. Un análisis estático en ANSYS bajo cargas

equivalentes al peso del dron permitió evaluar deformaciones y tensiones estructurales.

Fig. 3 Análisis estructural, deformaciones

8
 Fig. 4 Análisis estructural, esfuerzos

E. Robustez y tolerancia a colisiones

Impactos menores en ramas o vegetación se mitigan gracias a protecciones estructurales flexibles y materiales con

cierta absorción de energía.

IV. Diseño Mecánico y modelo digital

A. Geometría y diseño 3D del dron

Fig. 5 Modelo 3D del dron

9
 Table 1 Resumen de sensores y sistemas del UAV

Componente Especificaciones Resolución / Precisión Notas

Multiespectral Sensor óptico NDVI 10 cm/píxel a 150 m Precisión NDVI ±3%
(RedEdge-P)
Térmica (IR) Cámara infrarroja Detecta puntos calientes 1–2 Correlación con RTD PT100
m²
RGB (EO) Cámara óptica 4–6 cm/píxel Fotogrametría y mapeo vi-
sual
Acústica Micrófono direc- - Detecta maquinaria, moto-
cional sierras y actividad humana
IMU Acelerómetros + giro- - Estabilización y navegación
scopios
GNSS GPS/GLONASS - Posicionamiento global pre-
multibanda ciso
Computadora Procesador ligero - Ejecución de IA, fusión de
embarcada datos y control de misión
Radios mesh / Comunicación de 5–7 km Red mallada para resiliencia;
LoRa corto alcance enlace LTE/satélite

B. Integración de sensores

V. Simulación de la misión y planificación de la cobertura

La evaluación espacial del desempeño del sistema se realizó mediante un modelo geoespacial (GIS) que integró el

Área de Interés (AOI), los puntos de control y las trayectorias planificadas para el enjambre de UAV. Este análisis

permitió cuantificar la cobertura efectiva, optimizar la distribución de rutas y validar la viabilidad operativa del

MVP bajo las restricciones de autonomía, velocidad de crucero y condiciones ambientales de la región.

A. Área de interés (AOI)

El área piloto seleccionada se ubica en la región de Madre de Dios, zona críticamente afectada por procesos de

deforestación y minería ilegal. Para esta primera validación del MVP se definió un polígono de aproximadamente

5 000 ha, delimitado estratégicamente para evaluar capacidad de mapeo, continuidad espacial y tiempos de

operación. En futuras fases, la cobertura será ampliada a sectores adyacentes con mayores niveles de presión

ambiental.

10
 Fig. 6 Área de Interés (AOI) seleccionada para la validación inicial del MVP.

B. Mapas GIS

Para optimizar la misión se emplearon seis puntos de control distribuidos en los límites del AOI, junto con una

estación base ubicada en un punto seguro de acceso logístico. La planificación se estructuró mediante rutas

paralelas con separación constante, seleccionadas por su eficiencia en misiones de mapeo y su capacidad para

evitar solapamientos, reducir redundancias y estabilizar la calidad fotogramétrica del barrido.

La Figura 7 muestra las trayectorias planificadas del enjambre. La configuración adoptada permite reducir el

tiempo total de misión y maximizar la superficie efectivamente mapeada dentro de los límites del primer prototipo.

11
Fig. 7 Trayectorias optimizadas para el enjambre UAV, incluyendo puntos de control y estación base.

C. Simulación de misión

La simulación de misión se basó en el modelo GIS y los parámetros operativos del MVP, con altitud promedio

de 4000m s.n.m. y alturas de vuelo compatibles con UAV ligeros. Las trayectorias generadas resultaron en

una distancia acumulada de 29966km, estimando un tiempo operativo de 12–24h según el número de UAV y

la estrategia de rotación. La simulación permitió identificar zonas críticas de deforestación y minería ilegal,

validadas mediante superposición de capas temáticas en GIS.

D. Cronograma de misión

Fase Tiempo Actividad Descripción

[Link]ón y ar- 00:00–00:03 Inicialización del sistema Encendido de drones, chequeo de sensores (RedEdge-P,
mado del enjam- EO/IR, RTD PT100), sincronización mesh y fijación
bre GPS.
[Link] 00:03–00:06 Ascenso inicial Los drones ascienden de manera vertical hasta 120–150
VTOL m AGL. Se habilita telemetría en tiempo real.
[Link] de 00:06–00:33 Recolección continua de Se capturan imágenes RGB, IR y multiespectrales
datos en vuelo datos (RedEdge-P), datos acústicos, GPS, altitud y velocidad.
Esta fase coincide con el barrido principal de la misión.
[Link]- 00:06–00:33 (par- Limpieza y empaque- Los drones ejecutan corrección radiométrica básica,
procesamiento en alelo) tamiento filtrado acústico y segmentación preliminar de imá-
el dron genes antes de enviarlas.
[Link]ón de 00:10–00:35 Envío vía mesh / satélite Los drones transmiten datos al dron líder y a la estación
datos base usando red mesh y enlace satelital/LTE según
disponibilidad.
Table 2 Cronograma de misión (tiempo en minutos)

12
 VI. Análisis de Rendimiento
El presente análisis evalúa el desempeño operativo del sistema de drones–colmena desde una perspectiva técnica

y comparativa, considerando diferentes configuraciones de flota (1, 3 y 5 drones). No se incluyen resultados

experimentales, en cumplimiento de las bases del concurso; sin embargo, se presentan estimaciones justificables

basadas en parámetros de diseño y literatura técnica.

A. Tabla Masa–Potencia

La relación masa–potencia permite estimar el esfuerzo requerido por los motores para mantener vuelo estable, así

como la demanda energética por minuto. Para efectos comparativos, se consideran configuraciones típicas de

drones multirrotor utilizados en vigilancia aérea.

Parámetro 1 Dron 3 Drones 5 Drones

Masa total (kg) 1.50 1.50 c/u 1.50 c/u
Potencia de vuelo (W) 240 240 c/u 240 c/u
Carga útil (g) 150 150 c/u 150 c/u
Consumo por minuto (Wh) 4.0 4.0 c/u 4.0 c/u
Autonomía estimada (min) 25 25 c/u 25 c/u
Table 3 Relación masa–potencia para distintas configuraciones de flota.

B. Eficiencia Propulsiva

La eficiencia propulsiva se define como:

𝑇 ·𝑣
𝜂𝑝 =
𝑃

donde 𝑇 es la fuerza de empuje, 𝑣 es la velocidad de avance y 𝑃 la potencia eléctrica consumida.

Para vuelos de vigilancia con patrones en “S”, se asume una velocidad promedio de 7 m/s. La eficiencia relativa

no cambia al aumentar el número de drones, pero sí mejora el desempeño global del sistema:

– Menor tiempo total de misión.

– Menor estrés térmico por dron.

– Mayor disponibilidad por rotación.

En términos operacionales:

𝜂 𝑠𝑖𝑠𝑡𝑒𝑚𝑎 (𝑁) = 𝑁 · 𝜂 𝑝

donde 𝑁 es el número de drones activos en simultáneo.

C. Tiempo de Vuelo Real y Simulado

El tiempo total para cubrir un área depende de:

13
 – Patrón de cobertura. – Batería disponible.

– Altura de vuelo. – Número de drones activos.

– Distancia entre líneas.

Suponiendo un área rectangular de referencia y una ruta de 30 líneas por dron, el tiempo estimado queda:

𝐿
𝑡=
𝑣

donde 𝐿 es la longitud total de barrido del dron.

Configuración Tiempo de misión Cobertura Solapamiento

1 dron 100% 1× Área base Alto
3 drones 34–38% 3× Área base Medio
5 drones 20–25% 5× Área base Muy bajo
Table 4 Comparación de tiempo y eficiencia de cobertura.

D. Impacto del Número de Drones en la Cobertura

El uso de múltiples drones permite dividir el área en sectores independientes, reduciendo el tiempo total de

inspección y aumentando la detección temprana de eventos anómalos. La utilización de múltiples UAVs permite

dividir el área de interés en sectores independientes, reduciendo el tiempo total de inspección y aumentando

la probabilidad de detección temprana de eventos anómalos, como deforestación, minería ilegal o incendios

forestales.

– 1 Dron: Cobertura lenta; mayor probabilidad de que un evento avance antes de ser detectado; solapamientos

altos debido a limitaciones de batería.

– 3 Drones: Cobertura equilibrada; reducción del solapamiento en aproximadamente 40–50%; mayor tasa de

detección temprana.

– 5 Drones: Cobertura altamente eficiente; solapamiento mínimo; detección casi inmediata de eventos

críticos; permite redundancia operativa ante fallo de algún UAV.

VII. Plan Operacional del Sistema de Drones–Colmena

A. Objetivo del Sistema

Implementar un sistema automatizado de vigilancia aérea mediante drones distribuidos en seis Puntos de Control

(PC), con el fin de:

14
 – Mapear zonas vulnerables. en blockchain.

– Detectar deforestación, minería ilegal e incendios – Garantizar operación segura, continua y autónoma

forestales. de la flota.

– Reportar evidencias verificadas mediante registro

B. Arquitectura del Sistema

1. Puntos de Control

Se instalarán seis Puntos de Control (PC), cada uno equipado con:

– Plataforma de aterrizaje y carga.

– Módulo de comunicaciones.

– Sistema de protección antilluvia y antipolvo.

– Capacidad para almacenar hasta tres drones.

– Servidor local para preprocesamiento.

2. Estación Central

La Estación Central actúa como nodo maestro encargado de:

– Recibir y procesar datos enviados por los drones.

– Almacenar reportes e imágenes.

– Ejecutar el software de control y análisis.

VIII. Protocolo de Despegue

A. Verificación Automatizada Previa

Antes del despegue se ejecuta la siguiente verificación:

1) Estado de batería > 95% 4) Funcionamiento de GPS y sensores

2) Estado de hélices y motores 5) Almacenamiento interno disponible

3) Condiciones climáticas (viento, lluvia, visibili- 6) Limpieza automática de cámara y sensores

dad)

B. Autorización de Despegue C. Secuencia de Despegue

El dron recibe autorización si: 1) Activación de motores.

– Todas las verificaciones son satisfactorias. 2) Estabilización en vuelo estacionario.

– El espacio aéreo está libre. 3) Confirmación de enlace con Estación Central.

– No existen rutas activas superpuestas. 4) Inicio de ruta asignada.

15
 IX. Plan de Vuelo y Mapeo

A. Rutas de Cobertura

El área se divide en sectores rectangulares. Cada dron recorre su sector mediante un patrón de barrido en “S”,

evitando solapamientos y garantizando la cobertura del 100%.

B. Altura y Velocidad

– Altura recomendada: 120–150 m.

– Velocidad: 5–10 m/s.

– Distancia entre líneas: 30–50 m según resolución deseada.

X. Protocolo de Detección

A. Eventos Detectables

Los drones pueden identificar:

– Zonas con deforestación reciente.

– Campamentos o maquinaria usada para minería ilegal.

– Humo o focos térmicos indicativos de incendios.

B. Procedimiento ante una Detección

1) Captura de imagen y video. 4) Registro de evidencia en blockchain.

2) Registro de coordenadas GPS. 5) Envío de alerta inmediata a la Estación Central.

3) Generación de hash criptográfico.

XI. Protocolo de Emergencia

A. Pérdida de Comunicación 3) Envío de reporte al personal para recuperación.

Si el dron pierde enlace:

B. Batería Baja
1) Activa retorno automático (RTH).
Cuando la batería cae bajo 25%:
2) Si no puede regresar, transmite su última posi-
1) Suspende mapeo.
ción.
2) Regresa al Punto de Control más cercano.

C. Colisión o Caída

16
 – Se envía alerta de impacto. – Registro de los últimos segundos de vuelo.

– Posición GPS exacta. – Activación de luz estroboscópica para búsqueda.

XII. Protocolo de Recuperación

A. Aterrizaje B. Acciones del Punto de Control

1) Aviso de aterrizaje al PC. – Inicio automático de carga.

2) Limpieza del área de aterrizaje. – Descarga de datos y sincronización con la

3) Descenso controlado del dron. Estación Central.

– Verificación técnica del dron.

– Preparación para su siguiente misión.

XIII. Seguridad Operacional

A. Seguridad de Vuelo B. Seguridad de Datos

– Evitar sobrevuelo de zonas pobladas. – Todas las imágenes sensibles se almacenan con

– Restricción en áreas con fuerte turbulencia o llu- hash en blockchain.

via. – Encriptación punto a punto.

– Separación mínima entre drones. – Acceso limitado al personal autorizado.

C. Seguridad Física

– Puntos de Control con acceso restringido.

– Cámaras de seguridad en cada estación.

– Sistemas anti sabotaje.

17
 XIV. Flujo General del Sistema

XV. Conclusiones
1) Valor del sistema: El UAV multisensor permite una vigilancia autónoma precisa de deforestación, minería

ilegal y amenazas ambientales, generando información georreferenciada de alta resolución que mejora la

toma de decisiones en tiempo real.

2) Impacto operativo: El uso de enjambres coordinados optimiza la cobertura del área de interés, reduce

tiempos de misión y aumenta la detección temprana de eventos críticos, demostrando eficiencia frente a

métodos tradicionales de monitoreo.

3) Escalabilidad: La arquitectura modular y la integración de sensores, comunicación mesh y procesamiento

embarcado facilitan la expansión del sistema a más UAVs, diferentes tipos de sensores y escenarios

operativos complejos.

4) Próximos pasos: Se recomienda validar el sistema en misiones piloto reales, ajustar algoritmos de

planificación de trayectorias, evaluar la robustez ante condiciones climáticas adversas y explorar la

18
 integración de inteligencia artificial para detección automática de eventos críticos.

References
[1] MINAM. “Bosques: MINAM entrega equipos para monitoreo.” Agencia Andina, 2023.

[2] NASA Earth Observatory. “Tracking Amazon Deforestation from Above.” NASA, 2023.

[3] OSINFOR. “OSINFOR lanza ADETOP v2: algoritmo que detecta tala ilegal desde el espacio.” Gobierno del Perú, 2024.

[4] Infobae. (2025, junio 19). Satélites detectan más de 25 mil casos de minería ilegal en zonas protegidas de Madre de Dios y

Loreto. [Link]

protegidas-de-madre-de-dios-y-loreto/

[5] Rocha, R., Nunes, A., Cabral, J., and Silvestre, B., “Coverage Path Planning and Point-of-Interest Detection Using

Autonomous Drone Swarms,” Sensors, Vol. 22, No. 5, 2022, pp. 1–24. [Link]

[6] J. Doe, M. Zhang, L. Kumar, “Federated Learning in the Sky: Aerial-Ground Air Quality Sensing Framework with UAV

Swarms,” arXiv:2007.12004, 2020.

[7] R. Chen, S. Patel, H. Gómez, “An Autonomous Drone Swarm for Detecting and Tracking Anomalies among Dense

Vegetation,” arXiv:2407.10754, 2024.

[8] A. Tahir, J. Böling, M.-H. Haghbayan, H. T. Toivonen, and J. Plosila, “Swarms of Unmanned Aerial Vehicles — A Survey,”

Journal of Industrial Information Integration, vol. 16, p. 100106, Dec. 2019.

19