Saltar al contenido principal

20  GeoIA: inteligencia artificial geoespacial

TipLo que aprenderás
  • Qué es la GeoIA y cómo se diferencia del aprendizaje automático clásico.
  • Qué son los modelos fundacionales de observación de la Tierra y los embeddings satelitales.
  • Cómo usar segmentación automática (SAM) en datos geoespaciales.
  • Qué riesgos éticos y técnicos considerar.

20.1 Definición

La GeoIA (GeoAI) es la aplicación de métodos de inteligencia artificial, en especial el aprendizaje profundo, a problemas y datos geoespaciales: imágenes satelitales y de drones, nubes de puntos, trayectorias GNSS, textos con referencias geográficas y redes.

20.2 Evolución

Tabla 20.1: Etapas de la GeoIA
Etapa Enfoque Ejemplos
2000–2015 Aprendizaje automático con variables diseñadas a mano Random Forest con bandas e índices
2015–2022 Aprendizaje profundo supervisado U-Net, Mask R-CNN entrenadas con miles de ejemplos
2023–2026 Modelos fundacionales y embeddings Prithvi-EO-2.0, TerraMind, AlphaEarth, SAM 3

20.3 Modelos fundacionales de observación de la Tierra

Un modelo fundacional se preentrena de forma autosupervisada con enormes volúmenes de imágenes y luego se ajusta (fine-tuning) a tareas específicas con pocos ejemplos.

Tabla 20.2: Modelos fundacionales de observación de la Tierra
Modelo Desarrollador Características
Prithvi-EO-2.0 NASA e IBM Multitemporal, entrenado con HLS; versiones small y tiny (IBM Research, 2025; Szwarcman et al., 2024)
TerraMind ESA, IBM y Jülich Supercomputing Centre Multimodal (óptico, SAR, MDE, texto), 2025 (IBM Research, 2025)
AlphaEarth Foundations Google DeepMind Genera el Satellite Embedding dataset: vectores anuales de 64 dimensiones a 10 m disponibles en Earth Engine (Brown et al., 2025; Google DeepMind, 2025)
Clay Clay Foundation Abierto, multisensor

Embeddings satelitales

Un embedding resume en un vector numérico la información espectral, temporal y espacial de un píxel. Dos píxeles con vectores parecidos tienen características parecidas. Esto permite:

  • Clasificar con muy pocas muestras (por ejemplo, 50 puntos de terreno).
  • Buscar similitudes: “encuéntrame otros lugares parecidos a este humedal”.
  • Detectar cambios comparando los vectores de dos años.

ArcGIS Pro 3.7 incorpora un conjunto de herramientas para este tipo de análisis, Embeddings Based Analysis (Esri, 2026).

import ee
ee.Initialize(project="geomatica-chile-tunombre")
emb = (ee.ImageCollection("GOOGLE/SATELLITE_EMBEDDING/V1/ANNUAL")
         .filterDate("2024-01-01", "2025-01-01")
         .filterBounds(ee.Geometry.Point(-72.6, -38.7))   # Temuco
         .mosaic())
print(emb.bandNames().size().getInfo())   # 64 bandas A00 ... A63

20.4 Segmentación con Segment Anything

SAM (Segment Anything Model) de Meta segmenta objetos en imágenes a partir de puntos, cajas o texto (Kirillov et al., 2023). La biblioteca samgeo (segment-geospatial) lo adapta a datos georreferenciados y, en 2026, soporta SAM 3 mediante el módulo samgeo3 (Wu, 2026; Wu & Osco, 2023). Usos típicos:

  • Delimitar techos, piscinas, invernaderos o paneles solares en ortofotos.
  • Extraer cuerpos de agua o parcelas agrícolas.
  • Acelerar el etiquetado de datos de entrenamiento.

La práctica Capítulo 29 aplica samgeo en una ortofoto.

20.5 Otras aplicaciones

  • Detección de objetos: vehículos, embarcaciones, maquinaria minera.
  • Nubes de puntos: clasificación LiDAR (suelo, vegetación, edificios, cables de líneas eléctricas).
  • Superresolución de imágenes.
  • Asistentes de lenguaje natural que generan código de Earth Engine, consultas SQL espaciales o simbología.

20.6 Riesgos y buenas prácticas

Tabla 20.3: Riesgos de la GeoIA
Riesgo Buena práctica
Sesgo geográfico (modelos entrenados fuera de Chile) Validar con datos locales e independientes
Alucinaciones de asistentes de IA Revisar todo código y dato generado; citar fuentes
Exactitud sobreestimada Matriz de confusión con muestreo estratificado
Privacidad No identificar personas en imágenes de alta resolución
Huella energética Usar modelos pequeños y embeddings precalculados
Reproducibilidad Registrar versión del modelo, pesos y semillas
ImportanteCriterio profesional

La IA acelera el trabajo, pero no reemplaza el criterio geomático: el sistema de referencia, la escala, la exactitud y la validación de terreno siguen siendo responsabilidad del profesional.