INTELIGENCIA ARTIFICIAL · GOBIERNO · TERRITORIO
IA Geoespacial para Gobierno
Los gobiernos toman decisiones sobre el territorio con datos desactualizados y procesos manuales. Aplicamos inteligencia artificial para automatizar la clasificación de cobertura, detectar cambios en tiempo real y predecir crecimiento urbano, riesgo ambiental y rendimiento agrícola.
Qué hacemos
Clasificación automática de cobertura
Redes neuronales sobre imágenes Sentinel-2 con precisión superior al 90%.
Detección de cambios
Deforestación, expansión urbana, invasión de predios. Alertas automáticas para entes territoriales.
Catastro automatizado
Validación de información predial con IA, detección de inconsistencias y generación de alertas.
Predicción territorial
Modelos de crecimiento urbano, riesgo ambiental y demanda de infraestructura.
Clientes
Terraes
Validación catastral automatizada con IA en 9 municipios.
Geobristol
Modelos predictivos de rendimiento agrícola para ~2.800 agricultores.
Gobiernos locales
Planeación territorial basada en datos, no en intuición.
Modelos en producción
Python + Scikit-learn + QGIS
Sentinel-2 + Landsat
Stack Tecnológico
Trabajamos con un ecosistema 100% open source para IA geoespacial. Sin dependencias de licencias comerciales, sin vendor lock-in. Todo el stack se ejecuta en infraestructura propia o en la nube del cliente, garantizando soberanía de datos para entidades gubernamentales.
Machine Learning
Python, Scikit-learn, TensorFlow, PyTorch. Entrenamiento de modelos de clasificación supervisada y no supervisada sobre datos geoespaciales.
Procesamiento GIS
QGIS Processing Framework para automatización de flujos de trabajo. Cadenas de geoprocesamiento reproducibles y documentadas.
Base de datos espacial
PostGIS para consultas espaciales complejas: intersecciones, buffers, análisis de proximidad y agregaciones territoriales a escala municipal.
Imágenes satelitales
Sentinel-2 (10m, gratuito, revisita cada 5 días) y Landsat (30m, gratuito, archivo histórico desde 1972). Descarga automatizada desde Copernicus y USGS.
Librerías geoespaciales
GeoPandas para análisis vectorial, Rasterio para manipulación de imágenes ráster, Shapely para geometrías, Fiona para lectura de formatos geoespaciales.
La ventaja de este stack es la reproducibilidad. Cada modelo entrenado queda documentado con su versión de datos, hiperparámetros y métricas de validación. Cuando un gobierno necesita auditar los resultados o reentrenar con nuevos datos, el proceso es transparente y repetible. No dependemos de cajas negras ni de plataformas propietarias que limiten la portabilidad.
Caso de Uso: Clasificación de Cobertura
La clasificación de cobertura del suelo es uno de los insumos más demandados por entidades territoriales en Colombia. Permite identificar qué hay sobre cada metro cuadrado del territorio: bosque, cultivo, suelo urbano, cuerpos de agua, pastos, suelo desnudo. Esta información es la base para planeación territorial, monitoreo ambiental y actualización catastral.
En GEOSAT clasificamos cobertura a partir de imágenes Sentinel-2 con precisiones superiores al 90%, validadas contra datos de campo y fotointerpretación. El proceso completo, desde la descarga de imágenes hasta el mapa final validado, sigue una metodología rigurosa y reproducible.
Proceso paso a paso
01 — Descarga de escenas
Descargamos imágenes Sentinel-2 Level-2A (reflectancia de superficie) desde Copernicus Open Access Hub. Seleccionamos escenas con cobertura de nubes inferior al 10% y que cubran completamente el área de interés. Para análisis multitemporal, descargamos series de 12-24 meses.
02 — Preprocesamiento
Aplicamos corrección atmosférica (si es necesario), máscara de nubes con el algoritmo Sen2Cor, composición de bandas espectrales y recorte al área de estudio. Generamos índices espectrales (NDVI, NDWI, NDBI) como bandas adicionales para mejorar la discriminación entre clases.
03 — Muestreo y entrenamiento
Definimos las clases de cobertura según la nomenclatura Corine Land Cover adaptada para Colombia. Recolectamos muestras de entrenamiento usando datos de campo, fotointerpretación y bases de datos existentes (IDEAM, CAR). Entrenamos modelos Random Forest o redes neuronales convolucionales con Scikit-learn o TensorFlow.
04 — Validación
Evaluamos el modelo con una matriz de confusión, métricas de precisión global (>90%), Kappa de Cohen (>0.85) y precisión por clase. Usamos validación cruzada estratificada para garantizar que los resultados sean robustos y no dependan de la partición de datos.
05 — Despliegue en QGIS
El mapa clasificado se entrega como GeoTIFF georreferenciado, compatible con cualquier SIG. Lo integramos en QGIS con simbología estándar y metadatos completos. Para clientes con Terraes, el mapa se publica directamente en la plataforma catastral vía GeoServer.
Este flujo de trabajo lo hemos aplicado en múltiples municipios de Antioquia para la actualización catastral con Terraes. La clasificación de cobertura permite a los gestores catastrales identificar predios con uso diferente al registrado, detectar construcciones no declaradas y priorizar visitas de campo en zonas donde la información satelital indica discrepancias. En lugar de recorrer todo el territorio, el equipo de campo se enfoca en las áreas que realmente necesitan verificación, reduciendo costos y tiempos de ejecución en un 40-60%.
Preguntas frecuentes
¿Qué datos necesito para empezar?+
Imágenes satelitales (Sentinel-2 gratuitas), datos catastrales existentes y definición del área de interés. Nosotros nos encargamos del procesamiento.
¿La IA reemplaza al equipo humano?+
No. La IA automatiza tareas repetitivas (clasificación, validación) para que el equipo técnico se enfoque en análisis y decisiones.
¿Qué precisión tienen los modelos?+
Depende del caso. Clasificación de cobertura: >90%. Detección de cambios: >85%. Cada modelo se valida contra datos de campo.
¿Cuántos datos necesito para entrenar un modelo?+
Para clasificación de cobertura con Sentinel-2, recomendamos mínimo 50-100 muestras por clase. Con técnicas de data augmentation podemos trabajar con menos datos, pero la calidad de las muestras de entrenamiento es más importante que la cantidad. En proyectos catastrales usamos los datos existentes del municipio como punto de partida — generalmente miles de registros prediales que ya contienen información útil para el entrenamiento.
¿Cuánto tarda entrenar un modelo de clasificación?+
El entrenamiento en sí toma horas, no semanas. Lo que más tiempo consume es la preparación de datos: limpieza, etiquetado y validación de muestras. Un proyecto típico de clasificación de cobertura municipal toma 3-4 semanas desde la descarga de imágenes hasta el mapa validado. Para modelos más complejos como detección de cambios multitemporal, el timeline se extiende a 6-8 semanas porque requiere múltiples escenas y validación cruzada.
¿Usan Google Earth Engine?+
Sí. Lo usamos para análisis multitemporal a gran escala — especialmente monitoreo de deforestación y cambio de cobertura con series históricas desde 1984 (Landsat).
¿Pueden extraer automáticamente huellas de edificaciones?+
Sí. Usamos deep learning (U-Net) sobre ortoimágenes de alta resolución para extraer contornos de construcciones automáticamente. Útil para formación catastral en zonas urbanas.
Google Earth Engine
Acceso a más de 30 petabytes de datos satelitales sin necesidad de descarga. Ejecutamos análisis de series temporales a escala continental, clasificaciones de cobertura multitemporales y modelos predictivos directamente en la nube de Google. Ideal para monitoreo ambiental a gran escala, análisis de deforestación histórica y tendencias de cambio de uso del suelo.
Análisis multitemporal
Clasificación a escala
Datos desde 1984 (Landsat) hasta hoy
Deep Learning para Catastro
Aplicamos redes neuronales convolucionales para automatizar tareas catastrales que antes requerían digitalización manual: extracción automática de huellas de edificaciones desde ortoimágenes de alta resolución, detección de linderos prediales a partir de imágenes satelitales, y segmentación semántica de tipos de cobertura con precisión superior al 90% sobre Sentinel-2.
Pipeline de ML Geoespacial
01 — Adquisición de datos
Sentinel-2, Landsat, ortoimágenes de drones, PlanetScope
02 — Preprocesamiento
Corrección atmosférica, enmascaramiento de nubes, composites temporales
03 — Ingeniería de features
Índices de vegetación (NDVI, NDRE), texturas, componentes principales
04 — Entrenamiento
Random Forest, SVM, redes convolucionales (U-Net, ResNet)
05 — Despliegue
Modelos integrados en flujos QGIS o APIs REST para predicción en tiempo real
Servicios