El nuevo manual de Esri Press enseña a preparar datos, entrenar modelos y aplicar análisis predictivo sobre problemas geográficos reales. Exploring GeoAI: Tools and Workflows enseña a configurar entornos de aprendizaje profundo, preparar datos geoespaciales, seleccionar, entrenar y evaluar modelos, y aplicar técnicas como detección de objetos, clasificación lidar, aprendizaje por transferencia y análisis espacial predictivo mediante ArcGIS.

Aspectos clave

• Esri Press publicó una guía práctica dedicada a la inteligencia artificial geoespacial.
• Está dirigida a profesionales de SIG, analistas y científicos de datos.
• Recorre el ciclo completo de GeoAI, desde la preparación hasta la implementación.
• Incluye tutoriales paso a paso con conjuntos de datos del mundo real.
• Aborda aprendizaje profundo, detección de objetos y clasificación de nubes de puntos lidar.
• Explica el uso de modelos preentrenados en ArcGIS Pro y ArcGIS Online.
• Incorpora técnicas de aprendizaje por transferencia y análisis espacial predictivo.
• La edición impresa y el libro electrónico tienen un precio anunciado de US$39,99 cada uno.

La inteligencia artificial adquiere contexto mediante la geografía

Redlands, California, EE. UU. de Norteamérica, 6 de agosto de 2026.— Un modelo de inteligencia artificial puede reconocer objetos, detectar patrones y generar predicciones. Sin embargo, cuando esos fenómenos ocurren sobre un territorio, la ubicación se convierte en una variable fundamental. No basta con saber qué está ocurriendo. También importa conocer:

• Dónde sucede;
• Qué existe alrededor;
• Cómo se distribuye;
• Qué distancia separa los elementos;
• Qué relaciones espaciales aparecen;
• Cómo cambia el patrón a través del territorio.

La inteligencia artificial geoespacial, conocida como GeoAI, combina modelos de IA con sistemas de información geográfica, imágenes, mapas, nubes de puntos y otras fuentes vinculadas con una ubicación. Esri Press publicó Exploring GeoAI: Tools and Workflows para ayudar a profesionales y organizaciones a transformar esa combinación tecnológica en flujos de trabajo aplicables dentro de ArcGIS.

Una guía orientada a la práctica profesional

El libro fue concebido para profesionales de sistemas de información geográfica, analistas y científicos de datos que necesitan incorporar técnicas avanzadas de IA dentro de proyectos espaciales. Su enfoque no se limita a explicar conceptos. Cada capítulo presenta tutoriales estructurados con datos del mundo real para que el lector pueda recorrer las etapas de un proyecto y comprender cómo interactúan los datos, el modelo, el hardware y la plataforma geoespacial. El objetivo es que la IA no permanezca como una capacidad experimental separada del trabajo cotidiano, sino que pueda incorporarse a procesos de análisis, automatización y toma de decisiones.

El flujo comienza antes de entrenar un modelo

Uno de los aportes centrales del manual es presentar GeoAI como un ciclo de trabajo completo. Antes de seleccionar un algoritmo, el usuario debe comprobar si dispone de:

• Datos suficientes y representativos;
• Etiquetas o ejemplos correctamente definidos;
• Capacidad de cómputo adecuada;
• Marcos de aprendizaje profundo instalados;
• Objetivos medibles;
• Criterios para evaluar los resultados.

El libro comienza explicando cómo instalar y configurar los componentes técnicos, evaluar las capacidades del hardware y optimizar el rendimiento del sistema. Esta etapa es decisiva porque un modelo sofisticado no compensa automáticamente datos incompletos, equipos mal configurados o preguntas espaciales formuladas de manera imprecisa.

Preparar datos geoespaciales para la inteligencia artificial

Los datos territoriales pueden proceder de imágenes satelitales, fotografías aéreas, sensores, mapas, registros administrativos o levantamientos lidar. Antes de utilizarlos, es necesario comprobar su resolución, cobertura, sistema de coordenadas, fecha, calidad y consistencia. Exploring GeoAI guía al lector en la selección y preparación de los datos apropiados para cada objetivo. La calidad de esta fase influye directamente en la capacidad del modelo para reconocer patrones y producir resultados reproducibles. Una imagen de alta resolución puede contener abundante información visual, pero todavía necesita etiquetas confiables y una correspondencia correcta con el territorio analizado.

Detección y clasificación de objetos

Entre las aplicaciones abordadas se encuentra la detección de objetos mediante aprendizaje profundo. Esta técnica permite localizar y clasificar elementos presentes en imágenes. En un flujo geoespacial, el resultado no se limita a indicar que un objeto existe: también permite representarlo dentro de un mapa y relacionarlo con otras capas de información. El libro explica cómo preparar los datos, seleccionar modelos y evaluar si las detecciones responden adecuadamente a los requisitos del proyecto. La precisión debe analizarse con cuidado. Los objetos pueden cambiar de apariencia debido a la resolución, la iluminación, la estación del año, el ángulo de captura o las características del territorio.

Modelos preentrenados para reducir el punto de partida

Esri incluye modelos de aprendizaje profundo que ya fueron entrenados para reconocer determinadas clases de objetos o patrones. Estos modelos pueden utilizarse directamente o servir como base para una adaptación posterior. En lugar de comenzar desde cero, el profesional aprovecha representaciones aprendidas previamente y las ajusta a un nuevo conjunto de datos. El libro muestra cómo aplicar modelos preentrenados en ArcGIS Pro y ArcGIS Online, además de explicar cómo evaluar si son adecuados para las condiciones específicas del proyecto. Un modelo desarrollado con imágenes de una región puede no rendir de la misma manera en otro territorio. Las diferencias ambientales, urbanas o técnicas deben validarse antes de incorporarlo a un flujo operativo.

Aprendizaje por transferencia

El aprendizaje por transferencia permite utilizar el conocimiento adquirido por un modelo durante una tarea previa y adaptarlo a un problema relacionado. Esta técnica resulta especialmente útil cuando una organización no dispone de millones de ejemplos etiquetados ni de la capacidad de cómputo necesaria para entrenar una arquitectura completa desde el inicio. El nuevo manual explica cómo seleccionar un modelo, ajustar sus parámetros y entrenarlo con datos propios para mejorar su capacidad de reconocer características locales. La transferencia reduce el esfuerzo inicial, pero no elimina la necesidad de disponer de ejemplos representativos, revisar errores y comprobar el comportamiento en diferentes zonas.

Clasificación de nubes de puntos lidar

La tecnología lidar mide distancias mediante pulsos de luz y genera nubes tridimensionales compuestas por grandes cantidades de puntos. Estos datos pueden representar terreno, vegetación, edificios, infraestructura y otros elementos del entorno. Sin embargo, para convertirlos en información útil, los puntos deben clasificarse según el objeto o superficie a la que pertenecen. Exploring GeoAI incluye flujos de trabajo para utilizar inteligencia artificial en la clasificación de nubes de puntos lidar. La automatización puede acelerar tareas que demandarían una revisión manual considerable, aunque los resultados deben contrastarse con información de referencia y conocimiento especializado del territorio.

Análisis espacial predictivo

El libro también aborda la utilización de modelos para estimar comportamientos o condiciones futuras a partir de patrones geográficos. El análisis predictivo espacial combina variables, relaciones territoriales y datos históricos para identificar zonas donde un fenómeno podría tener mayor probabilidad de ocurrir. A diferencia de una predicción convencional, incorpora elementos como proximidad, distribución, conectividad y dependencia espacial. Estas capacidades pueden fortalecer la planificación, pero no convierten una probabilidad en una certeza. Los resultados deben presentarse junto con su nivel de incertidumbre, sus supuestos y las limitaciones de los datos utilizados.

ArcGIS Pro y ArcGIS Online dentro del mismo aprendizaje

Los tutoriales muestran cómo utilizar GeoAI tanto en entornos de escritorio como en plataformas conectadas. ArcGIS Pro permite preparar información, entrenar o ejecutar modelos y analizar sus resultados dentro de proyectos geoespaciales complejos. ArcGIS Online facilita publicar, compartir y utilizar contenidos desde entornos web, ampliando el acceso a los productos derivados del análisis. Esta integración ayuda a trasladar un modelo desde la experimentación hacia un flujo operativo, donde sus resultados pueden incorporarse a mapas, aplicaciones y procesos colaborativos.

La implementación es parte del ciclo de GeoAI

Un modelo no aporta valor únicamente porque alcance un resultado favorable durante el entrenamiento. Para utilizarlo de manera continua, la organización debe definir:

• Cómo se introducen nuevos datos;
• Quién revisa los resultados;
• Cuándo debe volver a entrenarse;
• Cómo se documentan sus versiones;
• Qué ocurre cuando cambia el territorio;
• Cómo se comunican errores e incertidumbre;
• Qué decisiones pueden apoyarse en sus predicciones.

El libro acompaña al lector hasta las etapas de evaluación e implementación, evitando presentar el entrenamiento como el punto final del proyecto.

Resolver problemas técnicos comunes

Los flujos de aprendizaje profundo pueden enfrentar dificultades relacionadas con instalación, memoria, controladores, dependencias, formato de datos o rendimiento. Exploring GeoAI dedica parte de su contenido a identificar y resolver problemas técnicos comunes. Esta dimensión práctica puede ser especialmente útil para profesionales de SIG que conocen profundamente el análisis espacial, pero todavía se encuentran incorporando frameworks, aceleración mediante GPU y procesos propios de la ciencia de datos.

Automatización sin perder el conocimiento territorial

GeoAI puede procesar grandes extensiones y detectar patrones a una velocidad difícil de alcanzar mediante revisión exclusivamente manual. Sin embargo, el conocimiento humano continúa siendo necesario para:

• Formular la pregunta correcta;
• Seleccionar variables relevantes;
• Reconocer errores cartográficos;
• Interpretar diferencias regionales;
• Fevisar falsos positivos;
• Comprender las consecuencias de una clasificación;
• Decidir si el resultado puede utilizarse operativamente.

La automatización no sustituye la experiencia geográfica. La amplifica cuando los modelos se entrenan, evalúan y utilizan dentro de un contexto territorial bien comprendido.

GeoAI para los desafíos de América Latina

Desde una lectura editorial, la aplicación de GeoAI resulta especialmente relevante para una región caracterizada por su diversidad geográfica, expansión urbana, vulnerabilidad climática y desigualdad en el acceso a información territorial actualizada. Los flujos descritos en el libro podrían apoyar proyectos relacionados con:

• Planificación urbana;
• Gestión de riesgos;
• Monitoreo ambiental;
• Agricultura;
• Infraestructura;
• Conservación del patrimonio;
• Ordenamiento territorial;
• Respuesta ante emergencias.

La oportunidad no consiste únicamente en importar modelos ya construidos. Las instituciones latinoamericanas necesitan entrenar capacidades locales, producir datos representativos y adaptar los modelos a sus propios territorios.

Calidad, sesgos y responsabilidad

Un modelo geoespacial puede reproducir vacíos o sesgos presentes en sus datos de entrenamiento. Si determinados territorios están mejor documentados que otros, el sistema podría ofrecer mayor precisión en zonas urbanas o económicamente favorecidas y un desempeño inferior en comunidades con menor cobertura cartográfica. Una implementación responsable debería considerar:

• Representatividad territorial;
• Actualización de los datos;
• Privacidad de personas y comunidades;
• Resolución apropiada;
• Validación independiente;
• Documentación del modelo;
• Revisión de errores por región;
• Participación de especialistas locales.

La IA puede ampliar la capacidad de observar el territorio, pero también puede invisibilizarlo cuando los datos son insuficientes o se interpretan sin contexto.

Autores con experiencia en GeoAI y enseñanza SIG

Exploring GeoAI: Tools and Workflows fue escrito por:

• Ismael Chivite, director principal sénior de productos de inteligencia artificial geoespacial en Esri.
• Nicholas Giner, director sénior de productos de análisis y ciencia de datos en Esri.
• Craig Carpenter, redactor sénior de ingeniería de productos de Esri Press Books y colaborador en el desarrollo de metodologías para el aprendizaje de SIG.

La combinación de gestión de producto, ciencia de datos, análisis y diseño educativo orienta el libro hacia la aplicación práctica dentro del ecosistema ArcGIS.

Precio y disponibilidad

El libro se encuentra disponible en dos formatos:

• Edición de bolsillo: ISBN 9781589489080 — US$39,99.
• Libro electrónico: ISBN 9781589489097 — US$39,99.

Esri informa que puede adquirirse mediante diferentes tiendas en línea. Los distribuidores interesados pueden gestionar su disponibilidad a través de Ingram Publisher Services.

Más contexto

El comunicado presenta Exploring GeoAI como una guía práctica y no como una certificación profesional ni como una garantía de que todos los modelos producirán resultados adecuados. El desempeño dependerá de la calidad de los datos, la configuración, el hardware, el modelo elegido y los criterios de evaluación. Asimismo, aplicar un modelo preentrenado no elimina la necesidad de validarlo con datos representativos del territorio donde será utilizado.

Datos citables

• El título completo es Exploring GeoAI: Tools and Workflows.
• El libro fue publicado por Esri Press.
• Está dirigido a profesionales SIG, analistas y científicos de datos.
• Cubre preparación, entrenamiento, evaluación e implementación de modelos.
• Incluye detección y clasificación de objetos.
• Explica técnicas de aprendizaje por transferencia.
• Aborda clasificación de nubes de puntos lidar.
• Incorpora análisis espacial predictivo.
• Utiliza ArcGIS Pro y ArcGIS Online.
• La versión impresa y la electrónica cuestan US$39,99 cada una.

Preguntas y respuestas para comprender a la GeoAI

¿Qué diferencia existe entre IA convencional y GeoAI?

GeoAI incorpora ubicación, proximidad, distribución y otras relaciones espaciales dentro de los datos y modelos de inteligencia artificial.

¿Es necesario saber programar para utilizar GeoAI en ArcGIS?

No todos los flujos requieren programación avanzada. Sin embargo, comprender ciencia de datos, evaluación de modelos y automatización amplía las posibilidades de personalización.

¿Qué hardware se necesita para aprendizaje profundo geoespacial?

Depende del tamaño de los datos y del modelo. Determinados procesos se benefician de GPUs y memoria suficiente, mientras otros pueden ejecutarse mediante servicios cloud o modelos preentrenados.

¿Qué ventaja ofrece un modelo preentrenado?

Permite comenzar con conocimiento adquirido previamente y reducir el tiempo y los datos necesarios para desarrollar una aplicación especializada.

¿GeoAI puede reemplazar el trabajo de campo?

No completamente. Puede priorizar zonas, detectar patrones y automatizar análisis, pero numerosos resultados necesitan verificación directa y conocimiento del territorio.

¿Cómo se comprueba que un modelo funciona en una región específica?

Debe evaluarse con datos locales no utilizados durante el entrenamiento y analizar sus errores por zona, tipo de paisaje y categoría estudiada.

Knowledge Layer | Glosario

• GeoAI: integración de inteligencia artificial, aprendizaje automático y análisis geoespacial para estudiar fenómenos vinculados con una ubicación.
• SIG —Sistema de Información Geográfica—: plataforma para capturar, administrar, analizar y visualizar información relacionada con el territorio.
• Aprendizaje profundo: rama de la IA que utiliza redes neuronales de múltiples capas para reconocer patrones complejos.
• Detección de objetos: técnica que identifica y localiza objetos dentro de imágenes u otras representaciones.
• Aprendizaje por transferencia: reutilización de un modelo previamente entrenado como punto de partida para una nueva tarea.
• Lidar: tecnología que emite pulsos láser para medir distancias y representar superficies u objetos en tres dimensiones.
• Nube de puntos: conjunto de puntos tridimensionales que describe la forma y posición de elementos capturados mediante lidar u otros sensores.
• Modelo preentrenado: modelo que ya aprendió patrones a partir de un conjunto de datos y puede utilizarse o adaptarse para otras tareas.
• Análisis espacial predictivo: aplicación de modelos estadísticos o de IA para estimar comportamientos futuros considerando relaciones geográficas.
• Dato geoespacial: información que contiene una referencia de ubicación, geometría o relación con un lugar determinado.

¿Por qué es importante?

La inteligencia artificial puede reconocer patrones, pero la geografía explica dónde ocurren y cómo se relacionan con el territorio. GeoAI permite convertir imágenes, mapas y sensores en conocimiento operativo, siempre que los modelos respeten la calidad de los datos, la diversidad regional y la experiencia humana.

Visión Estratégica

GeoAI puede convertirse en una infraestructura de conocimiento para gobiernos, empresas, investigadores y comunidades. Su poder no reside únicamente en automatizar mapas, sino en detectar relaciones que ayuden a anticipar riesgos, administrar recursos y comprender territorios complejos. Para América Latina, la prioridad deberá ser construir datos propios y formar especialistas capaces de combinar geografía, inteligencia artificial y conocimiento local. Un modelo entrenado lejos de nuestra realidad puede interpretar incorrectamente ciudades, ecosistemas y comunidades. La verdadera inteligencia territorial surgirá cuando la capacidad algorítmica dialogue con quienes habitan, estudian y protegen cada lugar.

Acerca de Esri

Esri, líder mundial del mercado de software de sistemas de información geográfica (SIG), inteligencia de localización y cartografía, ayuda a sus clientes a liberar todo el potencial de los datos para mejorar los resultados operativos y empresariales. Fundada en 1969 en Redlands, California, EE. UU., el software de Esri está implantado en cientos de miles de organizaciones de todo el mundo, incluidas empresas de la lista Fortune 500, organismos gubernamentales, instituciones sin fines de lucro y universidades. Esri cuenta con oficinas regionales, distribuidores internacionales y socios que ofrecen asistencia local en más de 100 países de los seis continentes. Con su compromiso pionero con la tecnología y el análisis geoespacial, Esri diseña las soluciones más innovadoras que aprovechan un enfoque geográfico para resolver algunos de los problemas más complejos del mundo situándolos en el contexto crucial de la localización. Visítenos en esri.com.

Copyright © 2026 Esri. Todos los derechos reservados. Esri, el logotipo del globo terráqueo de Esri, The Science of Where, esri.com y @esri.com son marcas comerciales, marcas de servicio o marcas registradas de Esri en los Estados Unidos, la Unión Europea o otras jurisdicciones. Otras empresas, productos o servicios mencionados en este documento pueden ser marcas comerciales, marcas de servicio o marcas registradas de sus respectivos propietarios.

Tu Opinión Importa ツ

GeoAI puede revelar patrones que permanecen invisibles en una tabla convencional, pero sus conclusiones dependen de quién recopiló los datos y qué territorios quedaron representados.

¿En qué desafío del Perú utilizarías inteligencia artificial geoespacial: planificación urbana, riesgos naturales, agricultura, ambiente o patrimonio arqueológico?

¿Nuestras instituciones cuentan con datos suficientemente actualizados y representativos para entrenar modelos sobre la realidad territorial peruana?

Comparte tu perspectiva con la comunidad de IT/USERS® Magazine:

#itusers28aniversario #superfan

Apoya al Periodismo Independiente

¿Te sirvió en algo este contenido?, ayúdanos a combatir la Desinformación, dona desde S/ 1.00 a nuestro PLIN 943-438-457