Curso online 🤖 Inteligencia Artificial aplicada a los SIG
Inicio 15 de septiembre de 2026
Modalidad ON LINE
Abierto 24/7
APOYO de tu tutor durante el curso
CERTIFICADO
al finalizar
Plazas limitadas a 15 alumnos
En el curso online Inteligencia Artificial aplicada a los SIG el alumno aprenderá a sacarle todo el partido a las herramientas actuales que nos proporciona la Inteligencia Artificial. Trabajando tanto con IA generativa (uso de herramientas para crear mapas, el empleo de ChatGPT para ayudarnos con nuestros procesos diarios, crear informes, dashboards o mapas inteligentes), como con IA predictiva (digitalización automática en QGIS, introducción al machine learning y deep learning).
El curso online Inteligencia Artificial aplicada a los SIG es un curso muy práctico con los siguientes objetivos:
- Crear mapas interactivos con herramientas basadas en IA.
- Usar prompts adecuados en ChatGPT, Claude y DeepSeek para ayudarnos en nuestras tareas de SIG habituales.
- Utilizar herramientas y técnicas avanzadas en QGIS para analizar datos geoespaciales.
- Automatizar tareas mediante la utilización de la consola de Python en QGIS.
- Aplicar la IA generativa para crear informes, dashboards y mapas inteligentes.
- Utilizar complementos de QGIS para realizar digitalización automática de elementos a partir de imágenes satélite.
- Usar agentes de IA como Google Antigravity y Model Context Protocol (MCP) para ejecutar acciones dentro de QGIS utilizando instrucciones en lenguaje natural.
- Introducirse en el aprendizaje automático (machine learning) para la clasificación de imágenes satelitales, mediante el uso de librerías Python como scikit learn.
- Introducirse en el aprendizaje profundo (deep learning) en QGIS. Realizar análisis de series temporales y detección de cambios.
- Trabajar con el complemento de QGIS Deepness: que permite realizar fácilmente segmentación, detección y regresión en ortofotos ráster con modelos de red neuronal ONNX (Open Neural Network Exchange) personalizados.
- Segmentar datos geoespaciales con el modelo Segment Anything (SAM).
El curso está dirigido a usuarios frecuentes de SIG que deseen optimizar sus rutinas de trabajo utilizando potentes herramientas de IA, que hasta hace poco eran inimaginables.
15 de septiembre - 19 de octubre de 2026
Duración:
5 semanas / 80 h.
Precio: 290 €
(270 € para antiguos alumnos)
Hay 15 plazas disponibles
Requisitos
- Tener conocimientos básicos de QGIS o haber realizado alguno de nuestros cursos de QGIS.
- No es necesario tener conocimientos previos de Python, pero si estás familiarizado con algún lenguaje de programación (R, Python, JavaScript, etc) sacarás más provecho del curso.
- Disponer de una cuenta de Google / gmail.
- Sistemas operativos:
- Windows (10 u 11). El curso se ha testado en Windows 11.
- Linux o Mac (macOS 10.13 o superior). Los usuarios de Linux/Mac deben tener conocimientos sólidos de su sistema operativo.
Tutor
Enrique Yunta Cantarero. Graduado en Geografía y Ordenación del territorio con Máster en Tecnologías de Información Geográfica por la Universidad Complutense de Madrid.
Cualquier duda se podrá plantear personalmente mediante correo electrónico o en los foros del curso. El tutor responderá siempre en la mayor brevedad posible.
Formación certificada
Una vez completados satisfactoriamente los ejercicios, MappingGIS otorgará un Certificado de realización y aprovechamiento, en formato PDF, que incluye un identificador único para su verificación online.
Temario de la 20ª edición
- Conceptos clave de la inteligencia artificial (IA).
- Diferencias entre IA generativa y predictiva en el ámbito geoespacial.
- Aplicaciones prácticas de la IA generativa en SIG: asistencia, documentación, comunicación de resultados y toma de decisiones.
- Flujo de trabajo: desde el análisis de datos hasta la creación de informes automatizados.
- LLMs: Modelos de Lenguaje Grande (ChatGPT, DeepSeek, Gemini, Claude, etc).
- Aplicaciones prácticas de la IA predictiva: análisis de series temporales y detección de cambios.
- Machine Learning (aprendizaje automático).
- Deep Learning (aprendizaje profundo).
- Redes neuronales.
- Generación de mapas interactivos.
- Generación de mapas a partir de imágenes satélite.
- Captura de la imagen base.
- Procesamiento de la imagen.
- Mapas cartográficos en 3D.
- Metodología avanzada: estilos oficiales del Instituto Geográfico Nacional (IGN).
- Generación de información espacial con ChatGPT.
- Formato GeoJSON.
- Formato CSV.
- Descarga mediante código de Python.
- Google Earth Engine.
- Características principales.
- Registro en Google Earth Engine.
- Elementos Google Earth Engine.
- New Script o nuevo guion.
- Ventana del «Inspector«, «Tasks» y «Console«.
- Claude.
- Registro en Claude.
- Descarga de datos desde Google Earth Engine con la ayuda de Claude.
- Gestión de errores.
- Visualización de datos en QGIS.
- DeepSeek.
- Registro en DeepSeek.
- Creación de mapas en QGIS con la ayuda de DeepSeek.
- Búsqueda y representación de datos espaciales.
- Análisis espacial.
- Modificación de simbología.
- Descarga de datos en Google Earth Engine con la ayuda de DeepSeek.
- Automatización de tareas en QGIS usando IA generativa.
- Herramientas básicas de QGIS.
- Seleccionar y exportar.
- Herramienta Intersección.
- Herramienta unión.
- Herramientas básicas de QGIS.
- NotebookLM: una IA para analizar y resumir documentos técnicos y contenidos multimedia.
- Registro y acceso a NotebookLM.
- Incorporación de documentos en formato PDF.
- Análisis de contenidos de YouTube con IA.
- Creación automática de mapas mentales, cuestionarios y tarjetas didácticas.
- Informes con fuentes geográficas y datos técnicos.
- Producción automática de podcast y presentaciones de vídeo.
- Generación de informes geográficos completos con IA generativa
- Uso de ChatGPT y el complemento “Profesor de QGIS”.
- Consultas guiadas para tareas geoespaciales: simbología, análisis espacial, composiciones de impresión.
- Exportación de resultados y visualización en informes.
- Generación de dashboards automáticos con IA.
- Creación de gráficos automáticos (barras, rankings, circulares) con ChatGPT a partir de informes o datos.
- Personalización y exportación de resultados.
- Integración de los gráficos y dashboards en informes geográficos.
- Bunting Labs.
- Registro e instalación en QGIS.
- Uso y funcionalidades del complemento Bunting Labs en QGIS.
- Digitalización sobre mapa detallado.
- Digitalización sobre imágenes aéreas (ortofotos).
- Mapflow.
- ¿Qué es Mapflow?.
- Acceso y registro.
- Instalación del plugin en QGIS.
- Mapeo y análisis de imágenes.
- Mapeo y análisis mediante ortofoto.
- AI Segmentation by TerraLab.
- Instalación del plugin en QGIS.
- Segmentar elementos directamente sobre imágenes raster en QGIS con AI Segmentation.
- Ejecutar acciones dentro de QGIS utilizando instrucciones en lenguaje natural.
- Google Antigravity.
- Instalación y configuración inicial de Google Antigravity.
- Preparación del entorno de trabajo.
- Definición del contexto de trabajo para el agente.
- Flujo de trabajo geoespacial con Antigravity.
- Model Context Protocol (MCP).
- Instalar y configurar los componentes necesarios para establecer la conexión.
- Arrancar el servidor MCP desde QGIS y vincularlo con Claude Desktop.
- Escribir prompts efectivos para obtener resultados precisos.
- Proyecto.
- Identificar y resolver los problemas más comunes.
- ¿Por qué usar Google Colab para Machine Learning?
- Cargar archivos a Google Drive.
- Introducción a Google Colab: Primeros Pasos.
- Conociendo la interfaz de Google Colab.
- Breve introducción a Python.
- Ejercicios prácticos en Python.
- Tu primer programa: «Hola, Mundo!».
- Variables.
- Indentación.
- Importar módulos.
- Bucles «for».
- Bucles «while».
- Manejo de archivos con with.
- Script introductorio.
- Ejercicios prácticos en Python.
- Descripción de los datos.
- Comienzo del script:
- Montar Google Drive.
- Instalación de las librerías NumPy, Rasterio, Scikit-learn y Matplotlib.
- Importación de librerías.
- Lectura de las muestras desde las carpetas de Google Drive.
- División de datos de entrenamiento y prueba y escalado.
- Comienzo del script:
- Clasificación con K-Nearest Neighbors (KNN).
- Clasificación con Random Forest.
- Clasificación con SVM.
- Visualización y comparación de clasificaciones en QGIS.
- Conclusión.
- Deepness: el complemento de QGIS para Deep Learning.
- Principales funciones de Deepness.
- Instalación del plugin Deepness en QGIS.
- Modelos de profundidad ZOO.
- Modelos de segmentación.
- Segmentación de la cobertura terrestre.
- Segmentación de edificios.
- Segmentación de carreteras.
- Modelos de reconocimiento.
- Detección de copas de árboles.
- Deep Learning con Google Colab: clasificación de imágenes.
- Subir datos a Google Drive.
- Comienzo del script.
- Instalar e importar las librerías.
- Establecer el directorio a la imagen y muestras en Google Drive.
- Carga y preparación de imágenes para el análisis.
- Preprocesar los datos: división, normalización y codificación.
- Definir y entrenar el modelo Deep Learning.
- Cargar y clasificar la imagen satelital.
- Visualizar la imagen clasificada.
- Conclusión.
Uso de SamGeo: paquete de Python para segmentar datos geoespaciales con el modelo Segment Anything (SAM).- Introducción a SamGeo y Segment Anything (SAM).
- Características principales.
- Generación automática de máscaras de objetos con SAM.
- Instalación de dependencias e importación de las librerías segment-geospatial, groundingdino-py y leafmap.
- Definición del área de interés en el mapa.
- Inicialización del modelo SamGeo para segmentación de imágenes.
- Generación de máscaras de segmentación.
- Comparación de la imagen satelital y las máscaras generadas.
- Detección automática de piscinas con SamGeo.
- Importación de las librerías.
- Definición del Área de estudio (Bounding Box).
- Inicialización de LangSAM para segmentación de imágenes.
- Definición del texto de entrada para la segmentación.
- Realización de la segmentación con LangSAM.
- Visualización de los resultados de la segmentación.
- Visualización de la segmentación sin cajas.
- Visualización de los resultados en el mapa.
- Visualización final y carga del mapa interactivo.
Metodología
El curso es asíncrono, es decir, no es necesario estar conectado a una hora concreta, ya que no hay actividades en vivo. La plataforma está abierta 24 horas los 7 días de la semana, por lo que el alumno puede organizarse el tiempo y puede realizar el curso en cualquier momento. Para cada unidad se establece un calendario de envío de ejercicios.
En cada una de las unidades del curso encontrarás ejercicios prácticos en formato PDF acompañados en ocasiones de videotutoriales. Los videotutoriales ayudan a aclarar mejor determinados procedimientos.
El alumno/a debe realizar los ejercicios indicados y enviarlos al tutor a través de la plataforma formación para su corrección y calificación. El tiempo disponible para realizar los ejercicios varía en función de la dificultad de cada unidad.
Inscripción y pago
Puedes realizar el pago mediante:
- Transferencia bancaria.
- Tarjeta de débito o crédito / bizum, utilizando la pasarela de pago segura. Toda nuestra web está cifrada con protocolo de seguridad SSL de máxima seguridad para que la introducción de sus datos cuando se registra, sea totalmente confidencial y protegida con las máximas garantías.
Nosotros te matricularemos en el curso.
Opiniones
⭐⭐⭐⭐⭐Nada más que darles las gracias, este es el primer curso con ustedes y no será el último. Muchas gracias a Enrique, excelente trabajo y atención en el foro.
⭐⭐⭐⭐⭐ El curso fue Excelente!! Aprendi las herramientas necesarias para comenzar a trabajar con IA en GIS, de ahora en mas, será otro el rendimiento y calidad de mi trabajo.
⭐⭐⭐⭐⭐El curso me ha parecido fantástico. He descubierto herramientas y conceptos que amplían enormemente mis expectativas de aprendizaje y me motivan a seguir desarrollándome profesionalmente.
Estoy muy agradecido con ustedes, porque me abrieron un mundo que hasta ahora era desconocido para mí. Estoy convencido de que todo lo aprendido me permitirá mejorar procesos en mi trabajo y afrontar nuevos retos con una perspectiva diferente.
Muchas gracias por compartir sus conocimientos y por la calidad del curso.
⭐⭐⭐⭐⭐Durante todo el desarrollo del curso, siempre hubo comunicación constante con el tutor quien estubo atento a todas las consultas en el foro respondiendo a las consultas con prontitud.
⭐⭐⭐⭐⭐Agradezco a Enrique por las claras explicaciónes y la disposición a responder todas nuestras preguntas, de forma clara, rapida y siempre buscando alternativas para la solución de problemas.
⭐⭐⭐⭐⭐ Genial la disponibilidad del tutor, buen contenido del curso, una buena aproximación al mundo de la IA en GIS
⭐⭐⭐⭐⭐Todo perfecto, como siempre. Sois una referencia y he recomendado en mi newsletter esta formación.
Muchas gracias por todo.
⭐⭐⭐⭐⭐4º Curso e igual de satisfecho que con el 1º. Material excelente y tutor eficaz y amable. Repetiré
⭐⭐⭐⭐⭐Este curso ha servido mucho para introducirme a la IA y ver un panorama de su potencial. El uso de Claude, Gemini o ChapGPT abre muchas posibilidades para la creación de códigos en google colab utilizando python.
El manejo de imagenes u ortofotos para mi fue una novedad porque no manejo estos temas normalmente. Me he quedado pensando lo que la IA puede hacer utilizando drones para el futuro.
Alumnos en este curso desde octubre de 2024
99%
Alumnos satisfechos
85%
Alumnos que consideran nuestra atención excelente