GeoAI es la integración de la inteligencia artificial (IA) con los datos espaciales, la ciencia y la tecnología geoespacial para potenciar el conocimiento y solucionar problemas espaciales. GeoAI incluye la aplicación de técnicas de IA tradicionales para generar datos espaciales por medio de la extracción, la clasificación y la detección de información de datos estructurados y no estructurados. GeoAI es el uso de técnicas de IA expresamente espaciales cuya finalidad es resolver los problemas espaciales mediante el análisis de datos espaciales, e incluye técnicas de detección de patrones, predicción, previsión espaciotemporal, etc.
Conceptos clave
Los términos siguientes le ayudarán a entender GeoAI en ArcGIS Pro.
- Análisis espacial: proceso de examinar ubicaciones, atributos y relaciones en datos espaciales mediante una serie de técnicas, desde superposiciones sencillas hasta estadísticas espaciales avanzadas y otras técnicas de análisis.
- Inteligencia artificial (IA): capacidad de una máquina (por ejemplo, un ordenador) para realizar tareas que tradicionalmente requerían inteligencia humana, como percepción, razonamiento y aprendizaje. Las aplicaciones de la IA están en todas partes en nuestra vida cotidiana: en los asistentes inteligentes de nuestros teléfonos, en las recomendaciones de feeds de redes sociales y en los coches sin conductor y los robots. La IA abarca el aprendizaje automático y el aprendizaje profundo.
- Aprendizaje automático (ML): subconjunto de IA referido a un conjunto de técnicas que permiten a los ordenadores aprender patrones de los datos y adquirir conocimiento sin una programación explícita. Las técnicas de ML suelen presentarse en forma de métodos estadísticos o de algoritmos basados en datos que resuelven problemas de clasificación, clustering y predicción (por ejemplo, regresión/previsión). ML debe considerarse como una aproximación para lograr la IA.
- Aprendizaje profundo (DL): subconjunto de ML que utiliza algoritmos aprendidos y entrenables en forma de redes neuronales artificiales. La arquitectura multicapa de estas redes se inspira en el funcionamiento del cerebro humano: los seres humanos descubren y perciben el mundo que les rodea como una jerarquía anidada de conceptos. Piense en que los algoritmos de DL funcionan como un cerebro humano, en el que el ordenador aprende patrones y conceptos complejos juntando conceptos más simples. Los datos de entrada sin procesar se analizan a través de distintas capas de la red, y cada capa sucesiva aprende y captura la definición de entidades y patrones más complejos y específicos en los datos.
GeoAI se ha incorporado plenamente en ArcGIS por medio de una amplia serie de herramientas de geoprocesamiento y análisis exploratorio. Los algoritmos de aprendizaje automático de ArcGIS se emplean en el análisis de datos espaciales para realizar clustering, predicción (clasificación y regresión) y previsiones espaciotemporales. El aprendizaje profundo se utiliza en ArcGIS para generar información geoespacial a partir de los datos del sensor (incluidas imágenes y nubes de puntos) mediante el uso de técnicas y herramientas para la clasificación de píxeles y segmentación de imágenes, detección de objetos y extracción de entidades, rastreo de objetos, cambio de detección y simulación de imágenes. El aprendizaje profundo también se emplea para generar datos geoespaciales a partir de texto estructurado mediante el uso de una serie de técnicas de procesamiento de lenguaje natural (NLP). El aprendizaje profundo también puede usarse en el análisis de datos espaciales para hacer predicciones y previsiones. Sin embargo, muchos de los problemas más difíciles requieren el uso conjunto de GeoAI y otras técnicas de análisis espacial potentes para entender y abordar estos problemas de manera eficaz.
Solución de problemas
GeoAI puede desempeñar un papel fundamental en la solución de problemas en una gran variedad de áreas de aplicación.
Un aspecto importante de GeoAI es la aplicación de técnicas de IA tradicionales para generar datos espaciales por medio de la extracción, la clasificación y la detección de información de datos estructurados y no estructurados. Estos datos incluyen datos tabulares, datos de detección remota (ráster, imágenes, nubes de puntos lidar, vídeo y demás) e incluso datos de texto. La generación de datos espaciales incluye aplicaciones como la búsqueda y catalogación de objetos en imágenes, la creación de datos 3D a partir de lidar o la extracción de información de ubicación a partir de texto no estructurado para la geocodificación posterior. ArcGIS también incluye un conjunto de modelos de aprendizaje profundo preentrenados que reducen algunos de los aspectos del proceso de entrenamiento que requieren más tiempo y recursos. El uso del aprendizaje profundo para automatizar estos procesos de extracción y creación de datos espaciales, que antes eran tediosos, resulta valioso en muchos flujos de trabajo y puede ofrecer un importante ahorro de tiempo y recursos. Estos datos espaciales también pueden convertirse en una valiosa aportación a los flujos de trabajo posteriores, desde la gestión de datos espaciales hasta el análisis espacial avanzado de patrones y relaciones.
El otro aspecto fundamental de GeoAI es la aplicación de técnicas de aprendizaje automático y aprendizaje profundo, incluidas técnicas de aprendizaje automático y estadísticas explícitamente espaciales, al análisis de datos espaciales para aplicaciones como la detección de patrones espaciales y la realización de predicciones y previsiones espaciotemporales. El uso de las nuevas herramientas de aprendizaje automático y aprendizaje profundo con datos espaciales ofrece a los profesionales nuevas alternativas a la hora de explorar espacios que plantean problemas difíciles. El uso de métodos de aprendizaje automático en datos espaciales, así como la incorporación de modelos expresamente espaciales que incorporan algunos aspectos de la geografía (ubicación, forma, proximidad, etc.) de forma directa en el algoritmo, no solo permiten crear modelos más eficientes, sino también a menudo más exactos y representativos de la realidad que queremos modelar. Estas técnicas pueden utilizarse para asignar recursos según patrones espaciales pertinentes para encontrar tendencias y anomalías en el espacio y el tiempo, además de incorporar relaciones espaciales a las predicciones y las previsiones.
Consulte un ejemplo de métodos de aprendizaje automático aplicado a datos espaciales
Por último, los conceptos de GeoAI se utilizan en herramientas que funcionan mejor en manos de analistas y científicos de datos sensatos. Al igual que otras herramientas, el analista debe conocer bien el problema, disponer de una unidad para reproducir y mejorar un análisis, y ofrecer transparencia en el proceso cuando proporcione el producto de información al responsable de la toma de decisiones. El uso de GeoAI no cambia estos principios, sino que hace que la necesidad de un análisis meticuloso sea más importante que nunca. ArcGIS Pro ofrece una experiencia potente cuando se trata de ejecutar herramientas de GeoAI, evaluar sus resultados y comunicarse de manera responsable y eficaz con las partes interesadas.
Más información
Consulte los siguientes recursos para obtener más información.
- Generación de datos espaciales y extracción de información
- Introducción sobre el aprendizaje profundo
- Aprendizaje profundo en ArcGIS Pro
- Modelos preentrenados de ArcGIS
- Conjunto de herramientas Clasificación y reconocimiento de patrones (caja de herramientas de Image Analyst)
- Conjunto de herramientas Aprendizaje profundo (caja de herramientas de Image Analyst)
- Conjunto de herramientas Nube de puntos (caja de herramientas de 3D Analyst)
- Conjunto de herramientas Análisis de texto (caja de herramientas de GeoAI)
- Fundamentos de la detección interactiva de objetos
- Solución de problemas espaciales
- Clustering y detección de patrones
- Conjunto de herramientas Asignación de clústeres (caja de herramientas Estadística espacial)
- Conjunto de herramientas Análisis de patrones espaciotemporales (caja de herramientas Minería de patrones en espacio-tiempo)
- Conjunto de herramientas Análisis multidimensional (caja de herramientas de Image Analyst)
- Predicción
- Conjunto de herramientas de Modelado de relaciones espaciales (caja de herramientas Estadística espacial)
- Conjunto de herramientas Análisis de entidades y tabulares (caja de herramientas de GeoAI)
- Conjunto de herramientas Análisis multidimensional (caja de herramientas de Image Analyst)
- Previsión
- Conjunto de herramientas Predicción de serie temporal (caja de herramientas Minería de patrones en espacio-tiempo)
- Conjunto de herramientas IA de serie temporal (caja de herramientas de GeoAI)
- Conjunto de herramientas Análisis multidimensional (caja de herramientas de Image Analyst)
- Clustering y detección de patrones