¿Qué aporta realmente el machine learning al trabajo GIS y a la teledetección?

por

La cartografía tradicional se encargaba de crear mapas, generalmente «estáticos» que eran interpretados por una persona. Los GIS evolucionaron para permitir incorporar información a los mapas, de ese modo podíamos realizar análisis relacionando las diferentes capas de información.

Estas técnicas que podríamos definir como «GIS clásico» están evolucionando hacia lo que se conoce como mapas inteligentes. No hay una definición única de lo que es un mapa inteligente, pero en general podemos decir que es aquel que es capaz de integrar datos dinámicamente para ser capaz de detectar patrones que ayuden a tomar decisiones. Aquí el foco ya no estaría en la representación de los datos, si no en el análisis de los datos.

Cada vez disponemos de más datos y de más fuentes de datos con orígenes diversos lo que conlleva la necesidad de más automatización e inteligencia.

Es inevitable asociar mapas inteligentes con la Inteligencia Artificial. Como actualmente la IA parece abarcar todos los campos y está en todos los sitios nos lleva a generalizar el término, pero es conveniente empezar a establecen matices.

Inteligencia Artificial y machine learning

Para intentar clarificar un poco la cuestión podemos decir que machine learning (ML) o aprendizaje automático (AA) es una parte de la Inteligencia Artificial (IA). Por tanto, decir que para crear nuestro mapa hemos utilizado Inteligencia Artificial puede que no sea muy preciso, pues posiblemente hemos utilizado técnicas de machine learning. Sería como utilizar el termino de «coche» cuando hablamos de su «motor». ML sería el motor del coche, mientras que la IA sería el conjunto del coche porque abarca su motor y muchas cosas más.

  • La Inteligencia Artificial es el concepto general que engloba sistemas capaces de realizar tareas consideradas “inteligentes”, como interpretar información, automatizar procesos o apoyar la toma de decisiones.
  • El Machine Learning, por su parte, es una rama de la IA basada en el entrenamiento de modelos capaces de aprender patrones a partir de datos.

En el ámbito GIS y de la teledetección, el ML se utiliza especialmente para tareas como la clasificación de imágenes satelitales, la detección de cambios, la predicción espacial o el reconocimiento automático de objetos. La IA geoespacial, en cambio, abarca además otros procesos más amplios de automatización, análisis inteligente e interacción avanzada con la información geográfica.

Para poner un ejemplo podríamos decir que con Machine Learning podemos obtener un mapa de inundaciones a partir del análisis de los datos. La IA sería la que es capaz de interpretar esos resultados.

Machine Learning

El machine learning se encarga de analizar datos espaciales, aprender patrones y generar predicciones o clasificaciones.

Por ejemplo, mediante machine learning podemos entrenar un modelo con: pendientes, usos del suelo, precipitaciones, proximidad a ríos, históricos de inundaciones. El resultado sería un mapa de probabilidad o riesgo de inundación en el que el modelo ha “aprendido” relaciones espaciales.

Intentamos hacer una clasificación de machine learning en el siguiente gráfico:

Inteligencia Artificial geoespacial

La Inteligencia Artificial puede ir más allá del modelo predictivo.

Por ejemplo la Inteligencia Artificial puede interpretar el mapa generado, identificando automáticamente las zonas críticas y cruzarlas con población o infraestructuras. Siguiendo con el ejemplo de las zonas inundables, la IA puede generar alertas, redactar un informe y proponer medidas También podría, responder a preguntas en lenguaje natural como por ejemplo:“¿Qué municipios tienen mayor riesgo y qué carreteras podrían verse afectadas?”. Eso ya sería una capa más amplia de IA.

Lo podemos resumir de esta forma:

  • El Machine Learning genera conocimiento a partir de datos.
  • La Inteligencia Artificial convierte ese conocimiento en sistemas inteligentes capaces de interactuar, automatizar y asistir en decisiones.

Recogemos lo que hemos tratado de explicar en el siguiente gráfico:

Aplicaciones de Machine Learning en GIS y teledetección

Entre las principales aplicaciones de ML a los SIG que podemos citar están:

  • Clasificación de imágenes satelitales. Podemos utilizar ML para clasificar imágenes  y obtener la cobertura del suelo, o identificar masas forestales con aplicaciones en agricultura, medio ambiente o análisis del territorio.
  • Permite detectar cambios en el uso del suelo como urbanización, deforestación,  incendios, o evolución costera.
  • En predicción espacial se utiliza para determinar zonas con riesgos por inundaciones, incendios, erosión, contaminación.
  • Visión artificial con drones para el conteo de árboles, inspecciones o detección de infraestructuras.
  • En el campo de las Smart Cities, ML se utiliza para analizar la movilidad, el tráfico o el consumo energético.

Podemos ver un ejemplo del ML aplicado a la detección de áreas quemadas por incendios forestales.

Partimos de una imagen de satélite:

Obtenemos algunos índices para que nos ayuden a la clasificación:

Realizamos la clasificación en dos categorías: terreno quemado/ terreno no quemado:

¿Por dónde empezar?

Si quieres iniciarte en ML nuestra recomendación es que comiences estudiando Python. Python se ha convertido en una herramienta fundamental en ciencia de datos y es uno de los lenguajes dominantes en ML.

1º) Comenzar por las librerías de Python básicas. Las que debemos conocer son:

  • Numpy y Pandas para el manejo de los datos.
  • Geopandas para análisis espacial.
  • Rasterio para el manejo y tratamiento de imágenes de satélite o drones.

2º) Después de conocer los fundamentos de estas herramientas podemos pasar a conocer las específicas de Python para machine learning como:

3º) Como paso final podremos abordar las técnicas de redes neuronales y deep learning.

4º) Existen otras alternativas a Python que se complementan con él o pueden sustituirlo. Así podemos citar:

Limitaciones y problemas

Podríamos resumir este artículo diciendo que el aprendizaje automático o machine learning tiene numerosas aplicaciones en SIG y teledetección, pero no sustituye completamente el análisis experto ni la interpretación geográfica.

Sin embargo, es importante destacar sus principales limitaciones:

  • El ML depende en gran medida de la calidad y cantidad de los datos. Obtener conjuntos de entrenamiento representativos suele ser una de las fases más costosas y complejas de cualquier proyecto.
  • Los resultados requieren una validación rigurosa. No basta con obtener mapas o clasificaciones automáticas; es necesario interpretarlos críticamente, tarea en la que el técnico SIG sigue siendo fundamental.
  • Los modelos pueden introducir errores derivados tanto de los datos (ruido, sesgos, representatividad) como del propio algoritmo (sobreajuste o mala generalización espacial).

Deja un comentario