Todos los servicios

Ver todos →
Captura de la realidad y teledetección
Inteligencia artificial geoespacial
Geodesia y sistemas de referencia
Topografía de precisión y control de obras
GIS, datos y Levatek Cloud
BIM y gemelos digitales
Propiedad minera y catastro
Capacitación y consultoría técnica
Tecnología

IA geoespacial

Aprendizaje automático aplicado al dato geoespacial

Modelos entrenados para clasificar, filtrar y detectar sobre datos que ya se capturaron.

Definición

Qué hace, y qué no hace

La IA geoespacial no captura nada. Trabaja sobre datos que ya existen —una nube de puntos, un conjunto de imágenes, una serie de campañas— y automatiza el trabajo de interpretarlos.

Su uso más frecuente es la clasificación: separar una nube en suelo, vegetación por estratos, edificación y conducciones, o marcar en miles de fotografías los elementos que interesan. Es trabajo que un equipo humano puede hacer, pero no a esa escala ni en ese plazo.

Lo que aporta no es magia sino consistencia: el mismo criterio aplicado a todo el conjunto, y repetible cuando llegue la campaña siguiente. Eso es justamente lo que permite comparar.

IA geoespacial
Principio de funcionamiento

Del ejemplo al criterio aplicado

Un modelo no sabe lo que es un talud: aprende de ejemplos etiquetados. La calidad del resultado se decide en esa etapa, no en el algoritmo.

diagrama de funcionamiento: cargarlo en el panel «Tecnología › Funcionamiento › Diagrama»
Definición de clases, entrenamiento con ejemplos, aplicación al conjunto y revisión humana del resultado.
  1. 01

    Definición de clases

    Se acuerda con el cliente qué hay que distinguir y con qué nivel de detalle. Sin esa definición no hay nada que entrenar.

  2. 02

    Etiquetado

    Se marcan ejemplos representativos de cada clase sobre una porción de los datos.

  3. 03

    Entrenamiento y aplicación

    El modelo aprende de esos ejemplos y se aplica al conjunto completo.

  4. 04

    Revisión

    Se verifica por zonas y se corrige a mano lo que el modelo no resuelve. Lo que se entrega es el resultado revisado.

Parámetros

De qué depende el resultado

El modelo es lo de menos. Lo que decide el resultado son las clases que se definan y los ejemplos con que se entrene.

ParámetroDe qué dependeEfecto
Calidad de la clasificación La cantidad y la variedad de los ejemplos etiquetados Un modelo entrenado con un solo tipo de terreno falla al encontrarse con otro
Nivel de detalle alcanzable Las clases que se definan al inicio Distinguir más clases exige más ejemplos de cada una
Consistencia entre campañas Usar el mismo modelo y las mismas clases Cambiar el criterio entre campañas invalida la comparación
Esfuerzo de revisión Lo homogéneo que sea el conjunto de datos En escenas variadas la revisión humana pesa más que el proceso automático
Criterio de uso

Cuándo conviene y cuándo no

Conviene cuando

  • El volumen de datos hace inviable clasificarlos a mano.
  • Se van a repetir campañas y hace falta el mismo criterio en todas.
  • Hay que detectar elementos que se repiten en una cobertura extensa.
  • Se necesita un modelo de terreno limpio a partir de una nube con vegetación.

No conviene cuando

  • El conjunto es pequeño: etiquetarlo a mano cuesta menos que entrenar un modelo.
  • No hay datos de partida; la IA no reemplaza la captura.
  • Lo que se busca exige criterio experto caso a caso, no una regla repetible.
  • El resultado va a usarse sin revisión humana en una decisión crítica.
Comparación

Frente a los métodos alternativos

No compite con la captura: viene después de ella. La comparación útil es contra el trabajo manual y contra el análisis por reglas.

MétodoCuándo se prefiereSu límite
LiDAR UAV Es la captura; la IA es lo que viene después No clasifica por sí solo
Fotogrametría RPAS Aporta las imágenes sobre las que se detecta Sin procesamiento posterior sólo entrega geometría e imagen
Software geoespacial Para el análisis dirigido por reglas explícitas Menos escalable cuando el criterio no se puede escribir como regla

Referencias y lecturas

  • ASPRS LAS Specification 1.4 Códigos de clasificación estándar para nubes de puntos.
  • ISO 19157 — Calidad de la información geográfica Cómo declarar la calidad de un producto clasificado.

¿Tiene datos capturados que nadie alcanza a procesar?

Cuéntenos qué hay que distinguir y sobre cuánto volumen. Definimos las clases y el flujo de revisión que corresponde.

Hacer una consulta Escribir por correo