LA REVOLUCIÓN DE LA INTELIGENCIA
ARTIFICIAL EN LOS SISTEMAS DE
INFORMACIÓN GEOGRÁFICA
THE ARTIFICIAL INTELLIGENCE REVOLUTION IN
GEOGRAPHIC INFORMATION SYSTEMS
María José Zambrano Solís
Universidad Estatal Amazónica, Ecuador
pág. 10196
DOI: https://doi.org/10.37811/cl_rcm.v8i5.14405
La Revolución de la Inteligencia Artificial en los Sistemas de Información
Geográfica
María José Zambrano Solís1
mj.zambranos@uea.edu.ec
https://orcid.org/0009-0004-8609-1405
Universidad Estatal Amazónica
Ecuador
RESUMEN
Los Sistemas de Información Geográfica (SIG) han evolucionado significativamente desde sus orígenes
como herramientas de cartografía digital hasta convertirse en plataformas esenciales para la toma de
decisiones informadas en múltiples disciplinas. Esta sinergia ha dado lugar a los SIG basados en
conocimiento (SIGK), capaces de procesar volúmenes masivos de datos geoespaciales y extraer
información valiosa mediante técnicas avanzadas de aprendizaje automático. El objetivo de esta
investigación fue analizar el impacto de la revolución de la inteligencia artificial en los sistemas de
información geográfica. Dentro de los principales hallazgos se refleja que la IA marcó un alto impacto
en el desarrollo de aplicaciones de los SIG, estas aplicaciones permiten dar respuesta en diversos
ámbitos como el análisis espacial, medio ambiente, gestión de recursos, movilidad y circulación y
vigilancia, entre otros. Los SIG con IA ofrecen varios beneficios porque contribuyen a la capacidad de
analizar gran cantidad de datos espaciales, descubrir patrones ocultos y generar nuevos aportes
orientados a la predicción y modelado espacial con la utilización de datos geográficos históricos en
tiempo real. La convergencia de SIG e IA representa una frontera de investigación prometedora para
abordar desafíos globales complejos y transformar la forma en que entendemos y gestionamos nuestro
entorno.
Palabras clave: inteligencia artificial, sistemas de información geográfica, análisis espacial, datos
geoespaciales
1
Autor Principal.
Correspondencia: Mj.Zambranos@Uea.Edu.Ec
pág. 10197
The Artificial Intelligence Revolution in Geographic Information Systems
ABSTRACT
Geographic Information Systems (GIS) have evolved significantly from their origins as digital mapping
tools to become essential platforms for informed decision making across multiple disciplines. This
synergy has given rise to knowledge-based GIS (K-KIS), capable of processing massive volumes of
geospatial data and extracting valuable information through advanced machine learning techniques. The
objective of this research was to analyze the impact of the artificial intelligence revolution on
geographic information systems. Among the main findings, it is reflected that AI has a high impact on
the development of GIS applications, these applications can provide answers in various fields such as
spatial analysis, environment, resource management, mobility and traffic and surveillance, among
others. GIS with AI offer several benefits because they contribute to the ability to analyze large amounts
of spatial data, discover hidden patterns and generate new contributions oriented to prediction and
spatial modeling with the use of real-time historical geographic data. The convergence of GIS and AI
represents a promising research frontier to address complex global challenges and transform the way
we understand and manage our environment.
Keywords: artificial intelligence, geographic information systems, spatial analysis, geospatial data
Artículo recibido 7 septiembre 2024
Aceptado para publicación: 16 octubre 2024
pág. 10198
INTRODUCCIÓN
En las últimas décadas las ciencias han demostrado un avance significativo, mucho de este se ha
sustentado en la informática, por las facilidades que brinda, la normalización y sobre todo el
procesamiento de datos. De ahí que, la geografía no se encuentra alejada de esta realidad y demuestra
una revolución epistemológica con enfoques totalmente renovados e interrelacionados. Por esta razón,
a esta ciencia se la define como una disciplina que utiliza sistemas cibernéticos, humanos y electrónicos,
en pro de analizar sistemas físicos y sociales. Uno de los elementos centrales de esta ciencia es el análisis
espacial orientado a la toma de decisiones. Sin embargo, el avance de la inteligencia artificial (IA) ha
generado cambios a nivel mundial; ha reflejado avances vertiginosos para la ágil producción y
optimización de algoritmos dentro de los procesos internos de las empresas (Da Silva, 2023). Es
evidente que estos procesos de innovación muestran un crecimiento exponencial que lleva al desarrollo
de nuevos ciclos de producción.
El mundo de los SIG también se ve beneficiado con la tecnología, con la llamada Geo Inteligencia
Artificial o GeoIA, en donde se pasa de saber dónde ocurren las cosas a identificar por qué suceden; de
ahí, se destacan dos cualidades relevantes: la primera su capacidad predictiva que permite conocer con
antelación la ocurrencia de los hechos; la segunda la capacidad prescriptiva, con la que se identifica
cómo actuar ante la presencia de diferentes factores. La GeoIA, utiliza diferentes métodos y softwares
especializados que controbuyen a la transformación y combinación de diferentes fuentes de geodatos;
analítica de datos geoespaciales para generación de insights; modelamiento de datos a través de machine
learning y data science, así como la generación de informes; preparación de dashboards que permiten
la visualización completa y simple de los datos y sus resultados (Geograma, 2024).
La evolución de los Sistemas de Información Geográfica (SIG) ha sido un viaje desde la simple
cartografía digital hasta convertirse en herramientas indispensables para abordar los desafíos del mundo
moderno. En sus inicios, a mediados del siglo XX, en la década de 1960, los SIG eran proyectos de
investigación académica que utilizaban las primeras computadoras para crear mapas digitales y realizar
análisis básicos (Siabato, 2018). Con el tiempo, su aplicación se extendió a diversos campos, como la
medicina y la ingeniería, consolidándose como herramientas clave para la toma de decisiones (Gualdrón
& Villate, 2021).
pág. 10199
Un hito importante en la historia de los SIG fue la llegada de las computadoras personales en los años
80, lo que democratizó su acceso y uso. A partir de entonces, los SIG incorporaron interfaces más
amigables y bases de datos geoespaciales más robustas (Volaya, s/f). La integración con tecnologías
como el GPS, los sensores remotos y el IoT (Internet de las cosas) ha potenciado su capacidad para
generar información precisa y actualizada, convirtiéndolos en plataformas altamente interactivas y
colaborativas.
La inteligencia artificial (IA) tiene una historia más antigua, en la década de 1950, cuando un grupo de
investigadores comenzó a desarrollar programas informáticos que pudieran ejecutar tareas imitando el
comportamiento humano (Russell & Norvig, 2021). En los últimos años, la IA ha adquirido un gran
protagonismo y ha comenzado a revolucionar múltiples sectores y áreas de la tecnología, transformando
la manera en que se manejan y analizan grandes volúmenes de datos. En el contexto de los sistemas de
información geográfica (SIG), la IA juega un papel fundamental al permitir el análisis de datos
geoespaciales de una manera que antes era inimaginable. Los SIG requieren de robustez para manejar
la complejidad intrínseca y las imprecisiones de la información, así como de flexibilidad para simular
diversas teorías sobre la realidad y responder a preguntas geográficas variadas como ¿Dónde está algo?,
¿Qué hay en un lugar determinado?, ¿Cuáles son las características de un lugar?, ¿Qué hay cerca de
qué?, ¿Cuál es la mejor ruta entre dos puntos?, entre muchas otras. La inteligencia artificial,
particularmente a través de agentes inteligentes, proporciona a los SIG la flexibilidad y robustez
necesarias (Nexus Geographics, 2023).
Los problemas de la inteligencia artificial en los sistemas de información geográfica (SIG) suelen estar
relacionados con la precisión en la interpretación de datos geoespaciales, la necesidad de algoritmos
eficientes para el procesamiento de grandes volúmenes de información y la integración de diferentes
fuentes de datos. Además, se presenta el desafío de asegurar la calidad de los datos y la ética en su uso,
especialmente en el contexto de toma de decisiones.
Otras de las dificultades de la inteligencia artificial (IA) en los sistemas de información geográfica (SIG)
pueden incluir la complejidad en el procesamiento de datos geoespaciales, la necesidad de grandes
volúmenes de datos de alta calidad para el entrenamiento de modelos de IA, la variabilidad en la
representación de la información espacial y la falta de interpretabilidad en los modelos de IA. Además,
pág. 10200
la integración de métodos de IA con software especializado en geo-inteligencia puede presentar desafíos
técnicos.
Otra problemática son las desventajas de la inteligencia artificial en los sistemas de información
geográfica que incluyen la vulneración de derechos, la dificultad de acceso a los datos, la falta de
profesionales cualificados y el coste de su desarrollo. Además, se pueden presentar problemas como el
desplazamiento laboral, algoritmos sesgados y discriminatorios, así como preocupaciones sobre la
privacidad y seguridad de la información.
En base a lo expuesto, el problema de investigación a resolver en esta investigación a través de una
revisión y análisis sistemático se centra en ¿Cuál es el impacto de la revolución de la inteligencia
artificial en los sistemas de información geográfica?
La combinación de los SIG con la IA ha hecho posible una nueva generación de herramientas
geográficas: Sistemas de Información Geográfica basados en el Conocimiento (SIGK). Estos son
sistemas que combinan el poder de los SIG en el procesamiento de la información espacial con una
analítica inteligente en la extracción de la información de ella, según lo describe Gómez y Fernández
(2020), "Los SIGK utilizan algoritmos de aprendizaje automático para identificar patrones y tendencias
en grandes volúmenes de datos geoespaciales" (p. 12). Además, estos sistemas utilizan reglas y modelos
ya establecidos, así como conocimiento experto para deducir nueva información y tomar decisiones, lo
cual es fundamental en la gestión urbana, según Rodríguez et al. (2019), "Los SIGK tienen una mayor
capacidad para predecir el futuro y las circunstancias, que es la esencia de la planificación urbana" (p.
23).
El hecho de que los sistemas también tienen la capacidad de integrar diferentes fuentes de datos, como
información satelital, datos de sensores IoT y redes sociales, es otra característica crítica, como lo
establecen López y Martínez (2022): "Los SIGK pueden integrar y analizar datos de varias fuentes para
proporcionar una visión más completa de los fenómenos geográficos" (p. 45). En pocas palabras, los
SIGK representan un desarrollo importante en el campo de la geoinformática, para gestionar la
información geográfica de manera efectiva y precisa, disminuyendo el tiempo y recursos utilizados en
la toma de decisiones.
pág. 10201
Por otro lado, como resultado de la creciente integración entre IA y los SIG, ha dado lugar a una nueva
disciplina conocida como Inteligencia Artificial Geoespacial (GeoAI). Según Kyoung-Sook Kim,
copresidente del Grupo de Trabajo de GeoAI del Open Geospatial Consortium (OGC), GeoAI se define
como "una aplicación de inteligencia artificial combinada con datos geoespaciales, ciencia y tecnología
para acelerar la comprensión real de oportunidades de negocio, impactos medioambientales y riesgos
operativos" (OGC, 2019).
GeoAI combina técnicas de inteligencia artificial tradicionales como Machine Learning (ML) y Deep
Learning (DL) con datos geoespaciales para generar información útil a través de la extracción,
clasificación y detección de patrones en datos estructurados y no estructurados (ESRI, 2022). Machine
learning, o aprendizaje automático, se centra en el desarrollo de algoritmos que permiten a las
computadoras identificar patrones en grandes volúmenes de datos, y Deep Learning, una subcategoría
del machine learning, utiliza redes neuronales profundas para modelar y resolver problemas complejos,
como el reconocimiento de imágenes y el procesamiento del lenguaje natural (Navarro , 2024).
De acuerdo con Janowicz et al. (2019), el GeoAI no solo integra ML y DL, sino que también adapta
estas técnicas a las particularidades de los datos geoespaciales, mejorando la precisión y eficiencia de
los análisis en diversas aplicaciones, como la planificación urbana, la gestión de recursos naturales y la
respuesta ante desastres. Así, el GeoAI representa una evolución significativa en el uso de la IA en SIG,
ampliando sus capacidades analíticas y predictivas.
Dentro del ámbito de los Sistemas de Información Geográfica (SIG) existen diferentes plataformas y
softwares que se encuentran revolucionando, sobre todo en el manejo de los datos geoespaciales. Dentro
de las más destacadas se identifican en la tabla 1.
pág. 10202
Tabla 1. Plataformas - Softwares y Herramientas de los SIG
Sotfwares
Herramientas
GRUPO ArcGIS
ArcGIS Online . Ofrece acceso a herramientas de ML y
DL en la nube para análisis de datos geoespaciales
compartidos.
ArcGIS Pro destaca por su capacidad potente de ejecutar
herramientas de GeoAI para el análisis en 3D y la
clasificación de imágenes mediante modelos entrenados
(Esri, 2024; Esri, 2020a).
ArcGIS Enterprise permite la implementación de estos
modelos a nivel corporativo, facilitando el procesamiento
masivo de datos.
ArcGIS Insights combina ML y DL con análisis visuales
interactivos para descubrir patrones ocultos en los datos.
ArcGIS Image Analyst se especializa en la
interpretación de imágenes mediante algoritmos de IA
para detección precisa de objetos.
ArcGIS Notebooks integra Python para automatizar
flujos de trabajo geoespaciales complejos, mientras que
ArcGIS Velocity permite el análisis en tiempo real de
grandes volúmenes de datos de sensores y dispositivos
IoT. Además,
HERRAMIENTAS MACHINE
LEARNING
TensorFlow, desarrollado por Google,
es una de las bibliotecas más populares
para el aprendizaje automático (IEBS,
2023). Scikit-learn, es una biblioteca
de Python que proporciona
herramientas para tareas de
clasificación, regresión y clustering,
entre otras (MIOTI, s.f.).
HERRAMIENTAS MICROSOFT
Azure Machine Learning, el cual es
parte de la plataforma de Microsoft,
permite a los usuarios desarrollar,
pág. 10203
ArcGIS API for Python facilita el desarrollo de
aplicaciones personalizadas con modelos de ML y DL
para tareas geoespaciales específicas (Esri, 2020b).
entrenar y desplegar modelos en la
nube, facilitando la colaboración y la
integración con otros servicios de
Microsoft (Bismart, s.f.).
AI for Earth, que vincula el manejo
geográfico de datos con capacidades de
análisis a gran escala, utilizando IA
para abordar problemas ambientales
(Microsoft AI for Earth, n.d.). Por otro
lado, algunas herramientas claves de
learning son Keras, una API de alto
nivel para construir y entrenar modelos
(Capterra, s.f.) y PyTorch facilitan la
experimentación y la visualización de
resultados en tiempo real de los datos
espaciales (MIOTI, s.f.).
PostGIS. Generar una consulta
PostGIS utilizando la tabla countries y
la tabla cities para determinar la
población de los países de América del
Sur.
Artificial Intelligence Forecasting Remote Sensing
(AIFRS) está diseñado para realizar pronósticos de series
temporales utilizando modelos de aprendizaje profundo.
Este complemento de QGIS permite analizar datos de
teledetección para predecir patrones futuros en áreas
como el cambio climático, la vegetación o los recursos
hídricos. El AIFRS facilita la implementación de técnicas
IA para automatizar y optimizar los procesos de análisis
de datos espaciales lo facilita trabajar con grandes
volúmenes de datos (QGIS Plugins;GitHub, 2023).
Bunting Labs AI Vectorizer, diseñado para vectorizar
datos de archivos PDF y GeoTIFF. Con su función de
autocompletado basada en inteligencia artificial, las horas
de digitalización se reducen a minutos, ya que el sistema
agiliza la conversión de imágenes raster a capas
vectoriales (líneas y polígonos) (Bunting Labs, s.f).
QChatGPT, este plugin integra la API de OpenAI,
permitiendo a los usuarios interactuar con modelos de
lenguaje de IA para realizar consultas, ejecutar código
Python, mejorar la entrada de datos y acceder a
pág. 10204
funcionalidades de voz e historial de consultas (Kyriakou,
2023; KIOS Research and Innovation Center, 2023).
Geopandas. Proyecta el marco de datos
a UTM10N y determina el área sumada
de todos los polígonos
Overpass QL y XML. Generar una
consulta de Overpass QL para centros
de vendedores ambulantes en Singapur
(Morales, 24 ).
QGIS, un software de código abierto que permite realizar
análisis geoespaciales de manera accesible (Geoinnova,
n.d.).
GeoAI Plugin, con la incorporación de la IA, este
recurso tiene la capacidad de automatizar tareas de
análisis espacial como la clasificación y segmentación de
imágenes, la detección de cambios en el uso del suelo y la
predicción de patrones especiales, mejorando la eficiencia
analítica ya que promueve la inclusión de técnicas de
aprendizaje profundo en la investigación geoespacial
(Khan et al., 2022; Gómez et al., 2021; Zhang & Liu,
2020).
Deepness, es una herramienta diseñada para facilitar la
aplicación de modelos de redes neuronales
convolucionales (CNN) a datos geoespaciales, es decir,
permite aplicar modelos de aprendizaje profundo a datos
de teledetección (Aszkowski et al., 2023).
SuperMap GIS, se utiliza para diversas aplicaciones,
incluidas ciudades inteligentes, gestión de recursos
naturales, y planificación urbana (SuperMap, 2023).
pág. 10205
GRASS GIS (Geographic Resources Analysis Support
System) es un potente sistema de información geográfica
de código abierto, que admite varios formatos de datos y
se integra bien con otras herramientas SIG (Flypix, n.d.).
(Ochoa, 2023).
pág. 10206
Tanto las plataformas como los sofware en SIG están integrados por las herramientas machine learning
o aprendizaje automático y deep learning o aprendizaje profundo para desarrollar modelos complejos
para el análisis de datos geoespaciales, como la detección de objetos en imágenes satelitales y modelos
predictivos en diversas áreas. Una de las aplicaciones más comunes de la IA en GRASS GIS es el uso
de algoritmos de clasificación de imágenes y análisis predictivo. Además, es importante destacar que
existen varias teorías que sustentan la aplicación de la inteligencia artificial en los sistemas de
información geográfica (SIG). Entre ellas se destacan las técnicas provenientes de la inteligencia
artificial, como las Redes Neuronales Artificiales (ANN), que se utilizan para procesar y analizar datos
espaciales de manera más eficiente. Estas técnicas permiten la clasificación, predicción y toma de
decisiones basadas en patrones reconocidos en grandes volúmenes de datos geográficos.
Los Sistemas de Información Geográfica podrían ser considerados como una de las tecnologías
geográficas más importantes. Posterior al aparecimiento de los mapas, estos sistemas facilitan la
realización de diferentes análisis espaciales. Sin embargo, la incorporación de la automatización digital
en los SIG contribuye a que estos sistemas faciliten cuatro tipos de orientaciones: (i) al entorno de
trabajo (apoyado en el uso de computadoras para el tratamiento de los datos); (ii) hacia la funcionalidad
(contribuye a la obtención, almacenamiento y tratamiento de los datos espaciales); (iii) hacia su
contenido (las bases de datos contienen información referenciada espacialmente); (iv) hacia su
propósito (sirva para apoyar el proceso de toma de decisiones en materia de gestión y planificación
territorial) (Buzai, 2018).
En base a lo expuesto, las tecnologías de IA han permitido una transformación significativa en este
sector, facilitando la toma de decisiones basadas en datos geográficos. Además este tipo de
investigaciones que combinan sistemas de información geográfica (SIG) con inteligencia artificial (IA)
se centran en el análisis de grandes volúmenes de datos y la optimización de la toma de decisiones
estratégicas. Estas tecnologías han permitido mejorar la capacidad de gestionar y analizar información
geoespacial, ofreciendo herramientas valiosas en diversos sectores como la planificación urbana, la
gestión ambiental y la respuesta a desastres.
En consideración a lo mencionado, se justifica la importancia de esta investigación, pues el realizar un
análisis sistemático de estudios en los que se aplicó la IA en los SIG permite tener un enfoque analítico
pág. 10207
de las investigaciones actuales, ya que permiten el análisis y visualización de datos geoespaciales. Estas
herramientas ayudan a revelar patrones ocultos y a tomar decisiones estratégicas informadas, lo que
puede generar ventajas competitivas en diversos campos como la planificación urbana, la gestión de
recursos naturales, y la respuesta ante desastres (según los fragmentos de contenido). Además, han sido
cruciales en la interpretación de grandes volúmenes de datos, transformando la manera en que se
realizan las investigaciones. Lo referido en la presente investigación permite establecer como objetivo:
Analizar el impacto de la revolución de la inteligencia artificial en los sistemas de información
geográfica.
METODOLOGÍA
Este artículo se basa en una revisión de la literatura que implica encontrar las contribuciones más
relevantes (pasadas y presentes) al tema de investigación, así como definir los conceptos y teorías más
importantes utilizados para apoyar y comprender el problema y evaluar cómo encaja en un marco más
general. La revisión bibliográfica también tiene un impacto a nivel metodológico, ya que permite ver
cómo otros autores definen y utilizan las variables objeto de estudio, contribuye al desarrollo de
hipótesis, permite identificar limitaciones metodológicas, sintetizar resultados, etc. En esta
investigación se presenta un mapeo sistemático de la información recopilada orientada a la ingeniería
de software, la inteligencia artificial y los sistemas de información geográfica; este proceso se desarrolla
bajo cinco etapas:
E1. Definir preguntas de investigación
Las preguntas de investigación que se establecen para el desarrollo de este estudio son:
¿Cuál el área o ámbito del uso de los SIG con IA para toma de decisiones?
¿Cuál es la tendencia de los softwares y/o plataformas de los SIG con IA que más se utilizan?
E2. Realizar la búsqueda literaria
Para la exploración bibliográfica se incluyen términos relacionados con las IA y las SIG; para esto se
hace uso de booleanos como “AND” y “OR”, y en cada término de búsqueda MeSH. Las búsquedas se
realizarán adicionalmente de manera manual por países usando las listas de referencias de estudios
relevantes. El intervalo de estudio corresponde a los últimos ocho años. Las cadenas de búsqueda se
describen en la tabla 2:
pág. 10208
Tabla 2. Cadenas de búsqueda
Cadena de búsqueda
N° trabajos
identificados
N° trabajos
seleccionados
Precisión
SIG AND IA AND datos geoespaciales
28
3
11%
SIG AND IA AND análisis espacial
35
2
6%
Software AND plataformas AND IA AND SIG
11
6
45%
Total
10
E3. Seleccionar estudios
Dentro del proceso de selección de estudios se establecen dos criterios para determinar la relevancia de
los mismos:
Inclusión: aquellos trabajos que se centran en la utilización de la Inteligencia Artificial en los
Sistemas de Información geográfica y también los que utilizan sotwares y plataformas de
inteligencia artificial en los SIG.
Exclusión: los trabajos que no contengan el término "SIG", "IA", "Análisis espacial" y "datos
geoespaciales".
Para la búsqueda se utilizó una combinación de palabras claves, marcadores booleanos y
limitadores como: ("Sistemas de Información geográfica SIG"[MeSH Terms] OR ("Inteligencia
Artificial IA"[All Fields] AND "análisis espacial"[All Fields])); ("SIG"[All Fields]) OR (datos
geoespaciales [All Fields]). Por otro lado, las bases de datos utilizadas para realizar la búsqueda
fueron establecidas a partir de la importancia de cada una dentro de la comunidad científica al
nivel internacional; estas bases de datos son Elsevier, IEEE, ACM y Springer. La cadena con la
cual se obtuvieron los mejores resultados en cuanto a precisión fue Software/plataformas IA y
SIG, con un 55 % en la precisión. Finalmente, en esta etapa fueron seleccionados 11 trabajos
relevantes para el presente estudio.
E4. Clasificar artículos
Este proceso de clasificación se apoya en lo establecidos por Engelbrecht, quien establece varios
paradigmas para la investigación científica (IC) y estos se distribuyen en los trabajos en correspondencia
con el paradigma y las variables de investigación, como se muestra en la tabla 3.
pág. 10209
Tabla 3. Clasificación de artículos
Paradigma de IC
N° trabajos
Porcentaje
Inteligencia Artificial (IA)
25
39,1%
Sistemas de Información Geográfica (SIG)
13
20,3%
Datos geoespaciales
18
28,1%
Análisis espacial
8
12,5%
E5. Extraer y realizar la agregación de datos
Para la extracción de la información, se establece una base de datos de cada estudio identificado, en
esta se consigna la información relevante en relación con el problema de investigación y para dar
respuesta a las preguntas de investigación establecidas en E1.
RESULTADOS Y DISCUSIÓN
En relación con el mapeo sistemático realizado, se tienen como resultados relevantes en
correspondencia con las preguntas de investigación:
¿Cuál es el área o ámbito del uso de los SIG con IA para toma de decisiones?. En la tabla 4 se
observa que las áreas en las que más se han desarrollado investigaciones relacionadas con IA y
SIG son para análisis espacial y gestión de recursos:
Tabla 4. Área / Ámbito de las IC
Área / Ámbito
N°.
%
Análisis espacial
3
27,3%
Gestión de recursos
3
27,3%
Medio Ambiente
2
18,2%
Movilidad y circulación
2
18,2%
Vigilancia
1
9,1%
Total general
11
100,0%
¿Cuál es la tendencia de los softwares y/o plataformas de los SIG con IA que más se utilizan?.
En correspondencia con el uso de softwares y plataformas para aplicaciones de SIG con IA se
muestra en la tabla 5, que la incidencia se refleja en el uso de ArcGIS
pág. 10210
Software/Plataforma
SIG
N°
%
ARGIS
4
36,36%
Google Earth
Engine
2
18,18%
GRASS GIS
2
18,18%
QGIS
2
18,18%
SIGOBE
1
9,09%
Total general
11
100,00%
En relación con la Revisión Sistemática de referentes investigativos, existen múltiples experiencias
que se han desarrollados con los Sistemas de Información Geográfica (SIG), estás han sido utilizadas
por: investigadores, gobiernos y empresas como herramientas que sirven para la toma de decisiones.
Las SIG incorporaron en su evolución conceptualizaciones de geografía, pues esta ciencia brinda la
posibilidad de establecer una visión espacial generalizada a otros campos del conocimiento y para
aplicaciones como nuevas visiones de realidad. Los SIG tienen una amplia repercusión en la dimensión
espacial. Sin embargo, es evidente que estos sistemas se apoyan en una realidad informática que refiere
cambios significativos y vertiginosos. A continuación, se presenta un análisis sistematizado de
aplicaciones destacadas de la inteligencia artificial en los Sistemas de Información Geográfica (SIG):
Entre investigaciones destacadas se tiene la realizada por Sánchez et al (2018), quienes plantean un
modelo de manejo de datos apoyado en la IA y aplicado en SIG dentro del sector energético,
considerando que la distribución de energía eléctrica representa una prioridad a nivel mundial debido a
la importancia que esta tiene dentro del desarrollo económico y social. Para esto, se desarrolló un
proyecto denominado SIGOBE, que permite la visualización y el análisis de información geopespacial
de tipo eléctrico, que contribuye a la disminución de los costos operativos y la mejora de la calidad del
servicio.
Dentro de investigaciones con uso de ArcGIS, se tiene la aplicada a seguridad ciudadana, que se enfoca
en el usar los SIG para entender los cambios o impacto de la delincuencia en territorio, encontrando
patrones geoespaciales que permiten identificar unidades territoriales de intervención prioritarias
para seguridad (Tamayo & Meza, 2023). Otro estudio es el que se utilizó ArcGIS para la planificación
pág. 10211
municipal en Colombia en Oriente y Valle de Aburrá, con este programa se genera una interrelación
entre mapas y bases de datos; se parte de ka información cartográfica esta se organiza y analiza con los
datos de los predios (catastro), la estratificación del sistema de identificación, clasificación de
potenciales beneficiarios, entre otros datos imposrtantes (Molina, López, & Villegas, 2018). En el
Ecuador se realizó una investigación para la gestión territorial de las vías del Gobierno Descentralizado.
Este programa permite la integración de diversas áreas tales como sociales, culturales, económicas y
tecnológicas; la finalidad de este es contar con información que permita la integración alfanumérica con
la geoespacial, para facilitar la gestión de escenarios de vialidad, educación, hidrografía, cultivos,
lugares recreativos, entre otros (Cañar & Cordero, 2023). Finalmente, se encuentra un estudio en donde
los SIG se utilizaron para los negocios, pues brindan información estadística con referencias
geográficas. A través de lo que se conoce como geomarketing, estos programas pueden realizar estudios
de mercados, análisis de evolución espacial en el tiempo, intención del voto, planificación de sucursales
o concesionarias de una empresa (Baroja, et al 2020).
Sin embargo, QGIS es otro programa utilizado para SIG; de ahí que se tienen para la red de agua potable
de Cruz Grande. Es un programa que se encuentra conformado por una aplicación de dispositivos
móviles para la realización y aplicación de encuestas georreferenciadas y un sistema web que presenta
estas encuestas en mapas de Google (Lucrecio, et al 2022). Este software también fue utilizado para el
control de proyectos. Este se basa en el análisis de la dimensión geográfica, orientada al mejoramiento
de la capacidad de toma de decisiones, se enfoca en el tratamiento y procesamiento de información
primaria, para representar posteriormente la dimensión geográfica de los proyectos (Jiménez, et al
2018). Otra aplicación la desarrollada en Nicaragua como un sistema de posicionamiento y geomática
admite diversos formatos de datos ráster y vectoriales, con el nuevo formato de ayuda fácilmente
agregado, usando la arquitectura del complemento (Gutiérrez, 2022).
Otro software relevante es GRASS GIS, este fue utilizado para la protección del medio ambiente, a
través de la manipulación de mapas ráster con datos climáticos. Relaciona la gestión del territorio,
incluyendo los procesos de análisis demográfico, protección del medio ambiente y aplicaciones de
urbanismo y gestión de recursos (Vásquez, 2018). También se utilizó este software para la integración
pág. 10212
de información geo referenciada de entidades públicas y privadas; esta conformado por un portal web,
un visor de mapas geo referenciados y un catálogo de metadatos (Ulloa, et al 2017).
Dentro de las plataformas que han permitido el desarrollo de aplicaciones de SIG, se tiene la realizada
en el Municipio de Funza (Colombia), apoyada en Google Earth Engin (GEE), con la cual se realizan
análisis científicos y visualizaciones de datos geoespaciales con la escala globa.tiempo. Esta aplicación
constituye un catálogo de datos con imágenes de satélite incorporadas y un conjunto de datos
geoespaciales con capacidad de análisis a escala planetaria, para monitorear y analizar los cambios en
el paisaje, la cobertura terrestre, los recursos hídricos, entre otros (Sabogal, 2023). Otro análisis espacial
relevante es el reelizado entre Puna y Los Valles Altos Catamarqueños, para el estudio y comprensión
de las vías de circulación, esta aplicación sustenta el análisis y procesamiento remoto de grandes
catálogos de imágenes satelitales (Lepori & Zamora, 2023).
Como se observa en las investigaciones analizadas, las plataformas y softwares de inteligencia artificial
(IA) para Sistemas de Información Geográfica (SIG) son fundamentales porque permiten analizar datos
espaciales de manera más eficiente y efectiva. La IA ayuda a descubrir patrones, optimizar procesos de
toma de decisiones y mejorar la interacción con los datos geoespaciales, como la ubicación, distancia e
interacciones espaciales. Además, permite crear mapas interactivos y facilita el almacenamiento y
consulta de grandes volúmenes de datos geográficos. Ofrecen varios beneficios, tales como la mejora
en la creación, análisis y visualización de datos geográficos. Permiten procesar grandes volúmenes de
datos, facilitando su limpieza y análisis en poco tiempo. Las herramientas de IA también pueden ayudar
en la identificación de patrones, pronóstico de tendencias y monitoreo de riesgos mediante análisis
espacial automatizado.
Sin embargo, las plataformas y softwares de inteligencia artificial (IA) para sistemas de información
geográfica (GIS) presentan algunas limitaciones significativas. Estas pueden incluir aspectos como la
dependencia de la calidad de los datos, donde datos inexactos pueden conducir a resultados erróneos;
la capacidad de procesamiento, ya que algunas herramientas pueden ser limitadas en entornos con
recursos limitados; y la complejidad en la integración de algoritmos de IA en sistemas GIS existentes.
Es fundamental considerar estas limitaciones al implementar soluciones de IA en proyectos GIS para
asegurar su eficacia.
pág. 10213
CONCLUSIONES
Es evidente que, los avances de la Inteligencia Artificial presentaron cambios vertiginosos, sobre todo
en época de la pandemia, se ha evidenciado una creciente transformación digital; uno de los avances
significaticativos los que se reflejan en la generación de algoritmos de optimización en los procesos
internos de varias empresas; estos procesos seguirán un crecimiento exponencial; de ahí que, las nuevas
formas de energía que se tienen en la actualidad llevarán al desarrollo de nuevos ciclos de producción.
Sin embargo, el aparecimiento de la tecnología 5G influirá en la automatización de procesos, sobre todo
en el ámbito de las telecomunicaciones y la robótica, pues la conectividad llegará a todos los escenarios
generando nuevos y novedosos espacios virtuales. Por esta razón, se aprovecha a toda escala el
aparecimiento de IA, lo que ha permitido al mundo de los SIG beneficiarse de esta tecnologíam, sobre
todo en el aspecto geoespacial, con la automatización de los procesos de análisis con bigdata, IoT y la
interacción con las fuentes de datos.
La combinación de la Inteligencia Artificial y los Sistemas de Información Geográfica representan un
gran potencial en diferentes sectores; esto ha permitido una evolución considerable en el futuro que
pueden ser utilizados para el afrontamiento de nuevos retos. Con la aplicación de algoritmos Machine
Learning se permitirá modelizar y predecir elementos claves como la contaminación, consumo de
energía, optimización de gestión de residuos, entre otros. De ahí que la empresa de IA OpenAI, su
finalidad es desarrollar tecnologías avanzadas y desarrollar IA segura y transparente que promueva el
desarrollo de múltiples aplicaciones. Dentro de los productos desarrollados se tiene a GPT-3, ChatGPT,
QUE son el eje de muhas herramientas, lenguajes y bibliotecas geoespaciales que incluyen PostGIS,
Google Earth Engine, QGIS/PyQGIS, Geopandas, Overpass QL y XML.
La inteligencia artificial y los sistemas de información geográfica (SIG) son dos ramas de la informática
que tradicionalmente marchan por separado. Pero la gran cantidad de información geográfica que se
está creando y recogiendo, la variedad y heterogeneidad de los datos (en cuanto a tipo, escala y
relevancia), así como su enorme volumen y la velocidad con que se están adquiriendo y procesando,
llevan a la necesidad de explorar su combinación. Es el momento en que los SIG precisan de nuevas
técnicas que les ayuden a absorber y extraer conocimiento de los datos geográficos, y es ahí donde
pág. 10214
comienza una interesante y apasionante unión entre SIG e inteligencia artificial (IA), abriendo el camino
a los sistemas de información geográfica basados en conocimiento (SIGK).
La IA ayuda a mejorar la capacidad del SIG, permitiendo modelos más evolucionados y sofisticados en
inteligencia de localización, que no solo proporcionan información sino que modelan el conocimiento,
para convertir la información en razonamiento. La IA ayuda al SIG principalmente en los siguientes
aspectos: razonamiento cualitativo y espacial, lógica borrosa, representación del conocimiento, teoría
de conjuntos, producción del conocimiento, sistemas basados en normas, modelado de problemas de
razonamiento, control heurístico, razonamiento aproximado y control lingüístico. En este artículo se ha
expuesto una pequeña introducción a las técnicas de IA empleadas en los SIG y se han tratado aspectos
más demostrativos y teóricos que prácticos. Habría que seguir investigando en esta línea para que la IA
se integre definitivamente en los SIG y aporte el conocimiento necesario para el desarrollo de SIGK
destinados a la toma de decisiones en ámbitos reales en los que ya están presentes los SIG
convencionales.
REFERENCIAS BIBLIOGRÁFICAS
Baroja, D., Mejía, D., Cevallos , Á., & Puetate, G. (2020). Sistemas de información geográfica,
aplicaciones y ejercicios con ArcGIS. Cuenca: Pontificia Universidad Católica del Ecuador -
Sede Ibarra. Obtenido de https://lc.cx/nCtRvN
Buzai , G. (2018). Sistemas de información geográfica SIG : teoría y aplicación. Luján: Universidad
Nacional de Luján. Obtenido de
https://lc.cx/3Ncaih
Cañar, P., & Cordero, S. (2023). Análisis, diseño e implementación de un sistema de información
geográfica para la gestión de las vías en el Gobierno Autónomo Descentralizado Municipal del
cantón Cuenca. Tesis. Cuenca, Ecuador: Universidad Politécnica Salesiana. Sede Cuenca.
Obtenido de
https://lc.cx/7bZ-hL
Da Silva, C. (2023). La inteligencia Artificial y sus impactos en la ciencia geográfica: Hacia una
geografía automatizada inteligente? Geografía y Sistemas de Información Geográfica
(GEOSIG), 25(15), 1-3. doi:DOI: 10.13140/RG.2.2.29758.46401
pág. 10215
ESRI. (24 de julio de 2022). Inteligencia artificial + inteligencia de ubicación. Recuperado el 21 de
septiembre de 2024, de
https://lc.cx/xuWrNx
Franco, R. (13 de mayo de 2020). La historia «Informática» de los SIG. Recuperado el 13 de septiembre
de 2024, de
https://lc.cx/CU_IJb
Geograma. (21 de enero de 2024). Geo Inteligencia Artificial (GeoIA) y el futuro de los datos
geográficos. Recuperado el 12 de septiembre de 2024, de https://lc.cx/GlsFmE
Gómez, J., & Fernández, M. (2020). Sistemas de Información Geográfica basados en Conocimiento.
Ecuador: Editorial Universitaria.
Gualdrón, A., & Villate, J. (2021). Aplicaciones SIG para la ingeniería/ GIS applications for
engineering. Colombia: Editorial UPTC. Obtenido de
https://lc.cx/98D8Da
Gutiérrez, M. (2022). Sistema de información geográfico QGIS. Documento Básico. Managua:
Universidad Nacional Agraria. Obtenido de
https://lc.cx/kLiYua
Janowicz, K., Gao, S., McKenzie, G., & Bhaduri, B. (2019). GeoAI: técnicas de inteligencia artificial
explícitamente espacial para el descubrimiento de conocimiento geográfico y más allá. Revista
internacional de ciencias de la información geográfica, 34(4), 625-636.
doi:https://doi.org/10.1080/13658816.2019.1684500
Jiménez, G., León, A., Piñero, P., & Romillo, A. (2018). SIGESPRO: Sistemas de Información
Geográfica para controlar proyectos. Revista Cubana de Ciencias Informáticas, 10(2), 53-67.
Obtenido de
https://lc.cx/UDJtMo
Lepori, M., & Zamora, D. (2023). Análisis espacial mediante Google Earth Engine para el estudio y
comprensión de las vías de circulación entre la Puna y Los Valles Altos Catamarqueños.
Relaciones, 48(1), 101-118. doi:
https://dx.doi.org/10.24215/18521479e051
pág. 10216
López, M., & Martínez, J. (2022). Integración de datos en los Sistemas de Información Geográfica
basados en Conocimiento. Quito - Ecuador: Editorial Universitaria.
Lucrecio, L., Juárez, R., Juárez, J., & Zambrano, J. (2022). Desarrollo de un SIG para la red de agua
potable del poblado de Cruz Grande. South Florida Journal of Development, 3(6), 6430-6442.
doi:DOI: 10.46932/sfjdv3n6-007
Molina, A., López, L., & Villegas, G. (2018). Los sistemas de información geográfica (SIG) en la
planificación municipal. Rev.EIA.Esc.Ing.Antioq, 4(2), 27-33. Obtenido de
https://lc.cx/OUhys6
Morales, A. (2023 de enero de 24 ). Probando la inteligencia artificial de ChatGPT aplicada a los SIG.
Recuperado el 21 de septiembre de 2024, de
https://lc.cx/Gd4qfZ
Navarro , S. (4 de junio de 2024). Explora el fascinante mundo de los algoritmos de inteligencia
artificial. Recuperado el 12 de septiembre de 2024, de https://lc.cx/OCipfU
Nexus Geographics. (22 de febrero de 2023). GeoAI: la fusión entre la Inteligencia Artificial y el GIS.
Recuperado el 12 de septiembre de 2024, de
https://lc.cx/ozGCWB
OGC. (2019). OGC seeks public comment on geospatial artificial intelligence (GeoAI) standards
discussion paper. Madrid: Open Geospatial Consortium. Obtenido de
https://lc.cx/wmhCEj
Rodríguez, A., Martínez, J., & Gómez, J. (2019). Aplicaciones prácticas de los SIGK en la gestión
urbana. Quito - Ecuador: Editorial Universitaria.
Russell|, S., & Norvig, P. (2021). Artificial intelligence: A modern approach (4th ed. ed.). México:
Pearson.
Sabogal, B. (12 de octubre de 2023). Aplicación de Google Earth Engine para la Detección de Cambios
en el Municipio de Funza: Un Análisis Geoespacial en los Años 2021 – 2023. Recuperado el 20
de septiembre de 2024, de
https://lc.cx/RgIbIw
pág. 10217
Sánchez, N., Comas, R., García, M., & Riverol, A. (2018). Modelo de manejo de datos, con el uso de
inteligencia artificial, para un sistema de información geográfica en el sector energético. Enfoque
UTE, 7(3), 95-109. Obtenido de
https://lc.cx/ddKNMJ
Siabato, W. (2018). Sobre la evolución de la información geográfica: las bodas de oro de los SIG.
Cuadernos de Geografía: Revista Colombiana de Geografía, 27(1), 56-68. doi
https://doi.org/10.15446/rcdg.v27n1.69500
Tamayo, J., & Meza, K. (2023). Sistemas de información geográfica y su aplicación en la seguridad
ciudadana: enfoque basado en ArcGIS. Revista de Investigación en Seguridad Ciudadana y
Orden Pública, 6(2), 45-55. Obtenido de
https://lc.cx/weAi7D
Ulloa, L., Orozco, F., Orozco, J., & Carrera, F. (2017). Sistema de información geográfica para la
integración de información Geo referenciada de entidades públicas y privadas en la ciudad de
Santo Domingo. Revista Científica y Tecnológica UPSE (RCTU), 4(3), 122-131. doi
https://doi.org/10.26423/rctu.v4i3.294
Vásquez, R. (2018). Uso de sistemas de información geográfica libres para la protección del medio
ambiente. Caso de estudio: manipulación de mapas ráster con datos climáticos. Revista
Universidad y Sociedad, 10(2), 77-101. Obtenido de
https://lc.cx/L6pCAO
Volaya. (s/f). Historia de los SIG. Github. Obtenido de
https://lc.cx/7xq2OC