GeoAI: la fusión entre la Inteligencia Artificial y el GIS

A pesar de que últimamente estamos oyendo a hablar mucho de Inteligencia Artificial, sobre todo con la aparición de ChatGPT y el boom que ha supuesto en las grandes tecnológicas, este concepto no es nuevo. Se remonta a la década de 1950, cuando un grupo de investigadores empezó a desarrollar programas informáticos que pudieran ejecutar tareas imitando el comportamiento humano.

Últimamente, la Inteligencia Artificial (IA) ha adquirido un gran protagonismo en muchas áreas de la tecnología y los Sistemas de Información Geográfica no son una excepción. La fusión de estos dos campos se conoce como GeoAI (Geospatial Artificial Intelligence), que consiste en una combinación de datos geoespaciales con algoritmos de aprendizaje automático que permiten crear enormes oportunidades que hasta el momento no habían estado posibles.

En este sentido, se está avanzando mucho en esta dirección y su uso ya está muy extendido con disciplinas del tipo Machine learnig (ML) y Deep Learning:

• Machine learning (aprendizaje automático): Proceso que se utiliza para entrenar modelos de datos históricos y posteriormente aplicarlos a nuevos datos para capacitar a las máquinas de aprender sin necesidad de ser programadas.
• Deep learning (aprendizaje profundo): Se trata de una rama dentro del Machine Learning que utiliza un sistema de redes neuronales artificiales generadas con el objetivo de actuar forma similar a las del cerebro. Es especialmente eficaz en el procesamiento de imágenes de satélite para detectar determinados elementos como edificios o carreteras, y también para la optimización de rutas entre dos puntos con aprendizaje reforzado.

Conceptos básicos IA.Machine-Learning-en-ArcGIS

A modo de ejemplo, existen algunos modelos preentrenados de Deep Learning en la plataforma ArcGIS que eliminan la necesidad de disponer de grandes volúmenes de datos de entrenamiento, recursos de cálculos masivos y amplios conocimientos de IA. Están disponibles en el Living Atlas , tal y como podemos ver en la siguiente imagen

​

Modelos preentrenats disponibles a ArcGIS Living Atlas. Font: https://resource.esriuk.com/blog/machine-learning-made-easy/

Estas herramientas de Machine Learning se podrían clasificar en dos categorías:

• 1. Aprendizaje supervisado: En este tipo de procesamiento, los datos de entrenamiento están etiquetados (hay una clasificación previa).
  • Predicción: Utiliza datos históricos para calcular valores futuros como por ejemplo la predicción del clima o el rendimiento de una cosecha en el sector agrícola.
  • Clasificación: Implica asignar una categoría o hashtag a un conjunto de datos, como por ejemplo clasificar imágenes de satélite según el tipo de suelo o vegetación.
• 2. Aprendizaje no supervisado: En este otro tipo de aprendizaje, los datos de entrenamiento no están etiquetados y la parte de clasificación se realiza a partir de la distribución de las observaciones.
  • Clustering: Agrupa los datos en diferentes conjuntos según sus características, como por ejemplo según las variables socioeconómicas.

Comparación entre los dos tipos de aprendizajes. En el supervisado los datos están clasificados previamente. Western Digital

Aplicaciones prácticas de la IA en el ámbito geoespacial

En este sector la Inteligencia artifical tiene aplicaciones en muchas áreas, como por ejemplo:

- Modelos de predicción de la meteorología y las partículas del aire: La IA se usa para crear modelos de predicción más precisos y para proporcionar información más detallada sobre los patrones climáticos y meteorológicos.

- Análisis de datos geoespacials: permite analizar de forma automática grandes volúmenes de datos espaciales (Big Data), como los datos provenientes de sensores remotos. El procesamiento de estos datos de otro modo sería difícil y lento. La IA permite analizarlos de forma fácil y eficiente para detectar patrones y tendencias en la información

- Análisis de imágenes aéreas para detectar cambios en los territorios: Esta función se puede utilizar para detectar cambios urbanísticos mediante el análisis de imágenes satélite, acción que de otro modo sería complicado llevar a cabo. Permite identificar automáticamente objetos y características del terreno, como por ejemplo edificios, piscinas, paneles fotovoltaicos... Esta función permite la mejora de la eficiencia en términos de planificación y desarrollo urbano y, a la vez, luchar contra el fraude detectando omisiones o infracciones urbanísticas

​  

En estas imágenes podemos ver modelos utilizados para la detección de piscinas y edificaciones. Living Atlas

- Movilidad urbana: Permite analizar patrones de tráfico a través de aplicaciones que proporcionan información en tiempo real. Con la recopilación y el análisis de estos datos se pueden tomar mejores decisiones en la optimización de rutas y horarios del transporte público, mejorando así la eficiencia, y reduciendo también el tiempo de viaje, el coste y el carburante consumido.

- Análisis de riesgos y desastres naturales: La IA puede ayudar a predecir y analizar los desastres naturales, como inundaciones y terremotos, y proporcionar información sobre como los sistemas de infraestructura y los edificios pueden ser más resilientes a estos fenómenos.

Y como aplica Google Maps la Intel·ligencia Artifical?

Google Maps ha desarrollado una nueva funcionalidad que permite a los usuarios explorar lugares con una sensación de presencia física, utilizando representaciones en 3D. A través del uso de la inteligencia artificial y la visión por computadora, se combinan miles de millones de imágenes de Street View y satélite para crear un modelo digital realistico del mundo. En este entorno, se superpone información como datos meteorológicos, de tráfico y aforo del lugar. Por ejemplo, si se quiere visitar un museo, el usuario puede volar virtualmente por encima del edificio, ver las entradas y conocer cómo será el ambiente en diferentes momentos del día y el tiempo. También se puede explorar los alrededores a pie para buscar restaurantes próximos y acceder a los interiores para ver el ambiente antes de hacer una reserva.

Para crear estas escenas realistas, Google Maps utiliza una técnica avanzada de IA conocida como Neural Radiance Field (NerF), que transforma imágenes ordinarias en representaciones 3D. Actualmente, esta funcionalidad está disponible para ciudades como Londres, Los Angeles, Nueva York, San Francisco y Tokio, y se prevé que más ciudades se añadirán en los próximos meses.

Esto se une a otras herramientas de mejora del lenguaje y de busqueda que se han ido incorporando a partir de la gran inversión que Google ha realizado en IA.

La combinación de IA y GIS ofrece un gran potencial en diferentes sectores. Será interesante ver como esta tecnología evoluciona en el futuro y como se podrá utilizar para afrontar nuevos retos.

En Nexus Geographics estamos aplicando esta tecnología en distintos ámbitos. En un próximo artículo, veremos como la plataforma RECITTY está aplicando de manera intensa algoritmos Machine Learning para modelizar y predecir elementos clave de la vida en las ciudades, como el nivel de contaminación, el consumo de energía de los edificios o la optimización de la gestión de residuos.

En Nexus Geographics somos expertos en desarrollar tecnología geográfica y location intelligence adaptada a cualquier sector. Contacta con nosotros a través de [email protected].