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

Principales características

La inteligencia artificial geoespacial permite procesar nubes de puntos o grandes conjuntos de imágenes para automatizar y agilizar la interpretación técnica.

Su aplicación más frecuente es la clasificación masiva, permitiendo segmentar el suelo, la vegetación y la infraestructura dentro de una nube de puntos o identificar elementos en miles de fotografías. Este trabajo podría hacerlo un equipo humano, pero la automatización lo ejecuta a una escala y velocidad inalcanzables de forma manual.

Su principal valor radica en la consistencia de los resultados. Al aplicar un mismo criterio de análisis a grandes volúmenes de información, garantiza un estándar uniforme y repetible en futuras campañas, algo esencial para comparar escenarios y evaluar la evolución de un proyecto en el tiempo.

IA geoespacial
Principio de funcionamiento

Tecnología geoespacial en constante evolución

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.

Esquema de funcionamiento de IA geoespacial
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