TELEMATICA BLOG

Conceptos básicos de GeoAI para el diseño urbano y paisajístico

Publicado el 18 mayo, 2026

Actualmente existe un gran entusiasmo en torno a la IA y el aprendizaje profundo, y el mundo de los GIS no es una excepción. La IA geoespacial (GeoAI) puede ayudar a planificadores, diseñadores urbanos y arquitectos paisajistas con flujos de trabajo como el trazado de huellas de edificios, la identificación de patrones de uso del suelo y la comprensión de los cambios en la cobertura del suelo. Los flujos de trabajo de GeoAI son especialmente útiles cuando no se dispone de datos previos para el sitio.

Living Atlas incluye varios modelos de aprendizaje profundo para identificar y extraer información de datos tales como imágenes satelitales. Estos modelos preentrenados se pueden descargar y usar directamente en ArcGIS Pro. El usuario también puede entrenarlos posteriormente.

Modelos de aprendizaje profundo preentrenados de Living Atlas

Análisis de la pérdida forestal con un modelo preentrenado

Tomemos como ejemplo un flujo de trabajo de GeoAI para identificar y extraer datos de cobertura terrestre a partir de imágenes satelitales. Utilicé un modelo de aprendizaje profundo de Living Atlas para analizar los cambios forestales derivados de la tala de madera en Oregon. El modelo de clasificación de cobertura terrestre incluye una guía paso a paso y funciona con imágenes Landsat 8.

Imágenes compuestas en color real de la región de Oregon para 2015 (izquierda) y 2025 (derecha).

Primero, descargué imágenes Landsat 8 de USGS Earth Explorer cerca de Eugene, Oregon, para 2015 y 2025. Utilicé estas imágenes para crear dos imágenes compuestas multibanda (bandas 1 a 7) en ArcGIS Pro. A continuación, ejecuté la herramienta “Clasificar píxeles mediante aprendizaje profundo” en Herramientas de análisis de imágenes > Aprendizaje profundo para 2015 y 2025. La herramienta extrajo de las imágenes multibanda un conjunto de datos ráster de cobertura terrestre clasificado para cada año.

Cobertura terrestre de la región de Oregon en 2015 (izquierda) y 2025 (derecha).

Los conjuntos de datos ráster de cobertura terrestre se procesaron posteriormente para mapear y medir la pérdida forestal de 2015 a 2025. La metodología que seguí comenzó con la reclasificación de los conjuntos de datos ráster de cobertura terrestre. Asigné a la cobertura forestal un valor de "2" y a todo lo demás un valor de "1". Para mapear el cambio forestal, calculé la diferencia entre los dos conjuntos de datos ráster con la Calculadora ráster, en Herramientas de Spatial Analyst > Álgebra de mapas. Para medir la pérdida forestal, convertí el ráster de cambio forestal en un conjunto de datos de polígonos. En la tabla de atributos, calculé el área de cada forma en un nuevo campo y resumí las estadísticas del campo.

Pérdida (rojo) y ganancia (verde) de bosques en la región de Oregon entre 2015 y 2025.

Análisis del crecimiento urbano con un modelo de autoaprendizaje

De forma similar al seguimiento de la pérdida de bosques por la tala, los flujos de trabajo de GeoAI pueden utilizarse para analizar la evolución de las ciudades. En este ejemplo, utilicé la clasificación de la cobertura del suelo en imágenes Landsat 8 para analizar el crecimiento de Lagos, Nigeria, entre 2013 y 2024.

Para este flujo de trabajo, en lugar de utilizar un modelo de aprendizaje profundo de Living Atlas, entrené mi propio modelo de clasificación en ArcGIS Pro. Primero, creé imágenes compuestas en falso color o infrarrojo a color para cada año, utilizando imágenes Landsat 8 de USGS Earth Explorer.

Imágenes compuestas en falso color (bandas 7, 6 y 4) de Lagos para 2013 (izquierda) y 2024 (derecha).

Imágenes compuestas en infrarrojo a color (bandas 5, 4 y 3) de Lagos correspondientes a 2013 (izquierda) y 2024 (derecha).

Con las imágenes compuestas en falso color o en infrarrojo a color, realicé una clasificación supervisada de la cobertura del suelo basada en píxeles, en Imágenes > Asistente de Clasificación. Entrené manualmente el modelo de clasificación para identificar qué píxeles representan agua, desarrollo, agricultura, etc.

Modelo de Clasificación de Entrenamiento de Imagen en la imagen compuesta de falso color.

Una vez que entrené el modelo con una imagen compuesta, ejecuté los pasos restantes del Asistente de Clasificación de Imágenes. La herramienta generó un ráster de cobertura terrestre clasificado para cada año.

Cobertura del suelo de Lagos en 2013 (izquierda) y 2024 (derecha).

Siguiendo una metodología similar a la del ejemplo de la tala forestal, utilicé los dos conjuntos de datos ráster de cobertura del suelo para cartografiar y medir el crecimiento de la ciudad de Lagos.

Expansión de terrenos urbanizados en Lagos entre 2013 y 2024 (naranja).

Estos son solo dos ejemplos del uso de flujos de trabajo de GeoAI para la extracción de datos de imágenes. Ambos ejemplos se centraron en los cambios en la cobertura del suelo. Living Atlas cuenta con muchos otros modelos de aprendizaje profundo para identificar y extraer datos como huellas de edificios, carreteras y parcelas. ¡Diviértete explorándolos!

Renia Kagkou

Este artículo originalmente apareció en la edición global del Blog de ArcGIS el 20 de marzo de 2026.