Del GIS Tradicional al GeoAI

Qué hace un GIS y dónde llega su límite

Un Sistema de Información Geográfica integra datos espaciales y sus atributos para apoyar la toma de decisiones. Trabaja con dos familias de datos: vectoriales, que son puntos, líneas y polígonos, y ráster, que son grillas de píxeles. Hoy el ecosistema de herramientas es amplio. En Python están GeoPandas, Rasterio y GDAL. En R están sf, terra y rayshader. En escritorio dominan QGIS y ArcGIS Pro. En la nube están ArcGIS Online y Google Earth Engine. Y en bases de datos, PostgreSQL con PostGIS. Con ese stack ya se pueden hacer mapas de densidad poblacional, simulaciones de inundación o series temporales satelitales. Pero todo eso describe lo que ocurrió. No lo anticipa.

Qué agrega la inteligencia artificial

El GeoAI se apoya en tres pilares: datos geoespaciales, deep learning y cómputo de alto rendimiento. El flujo de trabajo tiene dos fases. Primero el entrenamiento, que va del dataset al preprocesamiento, luego al modelo y a la evaluación. Después la inferencia, donde el modelo ya entrenado procesa datos nuevos. La materia prima son imágenes de Sentinel, Landsat, Copernicus DEM, SRTM o ALOS PALSAR. Las librerías son las mismas de la IA general: PyTorch, Keras, scikit-learn, Transformers, ONNX y Dask. La ventaja práctica es el uso de modelos preentrenados. No siempre hace falta entrenar desde cero.

Tres casos que muestran el salto

El modelo HighResCanopyHeight de Meta estima la altura del dosel forestal a partir de imágenes aéreas. En una prueba con GPU RTX 5000 y 64 GB de RAM, la predicción tomó 51 segundos. Otro modelo detecta paneles solares sobre imagen satelital y entrega el conteo y el área de cada uno en 17 segundos. Un tercero segmenta árboles individuales en imágenes de alta resolución. Ninguna de estas tareas era viable de forma manual a escala. Por eso el GeoAI no es una herramienta más dentro del GIS. Es un cambio de paradigma.