ArcNews
Guía rápida para comenzar con los modelos GeoAI preentrenados de Esri
Aunque el mundo de la inteligencia artificial es amplio, la práctica de esta tecnología en los SIG es cada vez más accesible. Para muchos profesionales, las principales barreras para usar IA son la dificultad de recopilar grandes cantidades de datos de entrenamiento y el tiempo considerable que se requiere para entrenar un modelo desde cero.
Pero, ¿qué pasaría si pudieras evitar gran parte de ese esfuerzo? Dentro de ArcGIS Living Atlas of the World se encuentran más de 100 modelos GeoAI preentrenados, listos para extraer características y clasificar píxeles a partir de imágenes y otros datos geoespaciales.
El reconocimiento inteligente de patrones se une al análisis espacial
En esencia, GeoAI combina las capacidades de análisis espacial de la tecnología ArcGIS con el poder de reconocimiento de patrones de la inteligencia artificial. Los modelos preentrenados en ArcGIS Living Atlas ejemplifican esta sinergia, realizando tareas específicas como la detección de árboles, la extracción de carreteras y la clasificación de cobertura del suelo.
Por ejemplo, el modelo Building Footprint Extraction – USA, puede identificar estructuras en imágenes satelitales de alta resolución, y el modelo Road Extraction – North America digitaliza automáticamente redes de transporte. Cada modelo está basado en arquitecturas consolidadas de aprendizaje profundo y documentado con información sobre los insumos requeridos, los datos de entrenamiento y el rendimiento esperado.
Respuesta rápida en situaciones críticas
En sectores de alto riesgo como la seguridad pública y los seguros, contar con información oportuna y precisa es fundamental. Después de un huracán o un incendio forestal, un usuario SIG puede ejecutar un modelo preentrenado de Evaluación de daños (imágenes de drones) sobre imágenes aéreas capturadas tras el evento para identificar y clasificar rápidamente las estructuras dañadas.
Este proceso automatizado proporciona a los equipos de respuesta una visión clara de la situación, destacando carreteras intransitables y las zonas con mayor necesidad. Para las aseguradoras, estos mismos datos aceleran el proceso de reclamaciones, permitiendo que los asegurados reciban compensaciones de manera más rápida y eficiente.
Comprendiendo los dos tipos de modelos GeoAI
Los modelos GeoAI preentrenados son modelos de aprendizaje profundo específicos para tareas concretas, como la extracción de huellas de edificios, la digitalización de carreteras o la clasificación de cobertura del suelo. Estos modelos están listos para usarse y no requieren ajustes adicionales. Las organizaciones pueden aplicarlos directamente a sus imágenes para extraer información o clasificar píxeles sin necesidad de recopilar datos de entrenamiento ni desarrollar modelos personalizados. Son ideales cuando se necesita implementar capacidades de IA rápidamente.
Por otro lado, los modelos fundacionales geoespaciales son redes neuronales a gran escala con miles de millones de parámetros, entrenadas con conjuntos de datos masivos y diversos. En lugar de realizar una sola tarea, aprenden representaciones generales que pueden adaptarse a múltiples aplicaciones posteriores. Los científicos de datos utilizan estos modelos como punto de partida para desarrollar flujos de trabajo personalizados, ajustándolos para tareas especializadas o utilizando sus representaciones para mejorar modelos de aprendizaje automático. Ofrecen mayor flexibilidad que los modelos preentrenados, pero generalmente requieren mayor experiencia técnica. En SIG, los modelos fundacionales pueden mejorar diversas aplicaciones, como el análisis de datos satelitales para predecir cambios ambientales o aumentar la precisión en la interpretación de imágenes. Lee “GeoAI in the Age of Foundation Models” para obtener más información.
¿Cómo se hace? La parte técnica
Los analistas pueden usar modelos preentrenados en ArcGIS para automatizar tareas como la clasificación de cobertura del suelo.
Infraestructura a gran escala
Los departamentos de transporte pueden utilizar modelos preentrenados para automatizar evaluaciones del estado de las carreteras, por ejemplo, analizando imágenes de drones para identificar grietas en el pavimento. Estos datos ayudan a priorizar reparaciones y planificar inversiones en infraestructura a largo plazo. De manera similar, las empresas de servicios públicos utilizan GeoAI para inspeccionar extensas redes de postes, cables y transformadores.
Otro caso crítico es la gestión de vegetación. Los modelos pueden analizar imágenes aéreas o datos lidar para identificar árboles y vegetación, y las empresas pueden aplicar análisis espacial adicional para verificar si estas plantas están invadiendo líneas eléctricas, una de las principales causas de interrupciones del servicio.
Los usuarios pueden aprovechar modelos preentrenados específicos en ArcGIS, como la detección de huellas de edificios. El modelo identifica automáticamente viviendas (mostradas en azul) dentro de las imágenes.
Datos confiables para el gobierno
Para las agencias cartográficas nacionales y los gobiernos estatales y locales, mantener datos geoespaciales actualizados y confiables es una función clave. Los modelos preentrenados pueden extraer huellas de edificios, ejes de carreteras y clases de cobertura del suelo a partir de imágenes de alta resolución, acelerando la producción y actualización de mapas.
Una capa precisa de huellas de edificios es esencial para la recaudación fiscal, las estimaciones de población y la planificación de emergencias. Los datos de cobertura del suelo de alta resolución, que pueden generarse con modelos como High Resolution Land Cover Classification – USA, son fundamentales para monitorear el crecimiento urbano e identificar áreas aptas para conservación o desarrollo.