GeoAI en QGIS: guía práctica para detectar objetos y cambios
GeoAI es aprendizaje automático aplicado a datos geográficos: imágenes de satélite y aéreas, nubes de puntos y capas vectoriales. Un modelo lee los píxeles y devuelve objetos, clases o cambios como datos que puedes editar en 
. Se ocupa de la parte intermedia y lenta del trabajo. No decide por ti.
Desarrollamos uno de los plugins de QGIS de este sector, así que conviene leer este artículo sabiendo quién lo ha escrito.
Qué no es GeoAI
No es un chatbot que conozca tu proyecto. No lee las especificaciones de tu cliente, tus reglas de atributos ni el levantamiento que hiciste la primavera pasada. Nada de esto sustituye a los datos de referencia sobre el terreno.
El término también es impreciso. Un clasificador de random forest de 2005 y un modelo de segmentación del año pasado se venden como GeoAI. Cuando un proveedor utiliza el término, pregunta a cuál se refiere, porque la factura del hardware y los modos de fallo son diferentes.
Las cinco cosas que hace hoy
Extraer objetos de imágenes. Es, con diferencia, su aplicación más sólida. Delimita un área, indica lo que quieres y obtén polígonos en el CRS de tu proyecto. Edificios, copas de árboles, coches, piscinas, instalaciones solares. Los bordes definidos producen contornos limpios. Un límite de parcela que se desvanece entre la maleza plantea al modelo el mismo problema que a ti.
Clasificar la cobertura del suelo. Cada píxel recibe una clase: agua, zona construida, suelo desnudo o bosque. Los métodos más antiguos siguen ganando aquí cuando tienes buenos polígonos de entrenamiento y bandas multiespectrales, y funcionan en cualquier portátil.
Detectar cambios entre dos fechas. Dos ortofotos del mismo lugar y el modelo señala qué ha cambiado. Funciona con cambios evidentes, como un edificio nuevo o una parcela despejada. Los cambios de color estacionales y un ángulo solar diferente producen falsas alarmas, así que debes revisar cada resultado.
Completar y limpiar datos. Escuadrar las esquinas de los edificios, cerrar huecos en una máscara de tejado y simplificar un contorno trazado píxel a píxel. No es glamuroso, pero es la parte que más horas ahorra.
Preguntar con palabras sencillas. Escribir solar panels en lugar de elegir un modelo y una combinación de bandas. Es útil para encontrar objetos. No esperes que responda preguntas sobre tu tabla de atributos.
De dónde vienen los modelos
Hay tres familias y se comportan de manera diferente.
Modelos de segmentación, como la familia Segment Anything, aprenden dónde termina una cosa y empieza la siguiente. Se entrenaron con fotografías normales, así que no tienen ninguna idea de qué es un edificio. Se transfieren bien a imágenes cuando el límite es nítido. La guía de SAM explica qué plugins de QGIS ejecutan cada versión.
Modelos de imagen a imagen inventan píxeles nuevos. Así funcionan la eliminación de nubes, el cambio de estación y las vistas de parcelas despejadas en AI Edit. El resultado es un ráster georreferenciado con la misma extensión, y es un dibujo, por lo que nunca debe formar parte de una capa de evidencias.
El aprendizaje automático clásico consiste en que un random forest o una máquina de vectores de soporte leen los valores de las bandas, un píxel cada vez. Tiene veinte años, es barato y sigue siendo la opción adecuada para la cobertura del suelo multiespectral con tus propios polígonos de entrenamiento. SCP y dzetsaka lo hacen dentro de QGIS de forma gratuita.
Cuánto cuesta realmente
Hardware. Un modelo local necesita una tarjeta gráfica. Segment Anything 3 no tiene ninguna ruta para CPU, lo que descarta todos los Mac y cualquier máquina con gráficos integrados. Cuando el modelo se ejecuta en un servidor, basta con un portátil de oficina, y ese es el intercambio que hemos elegido.
Imágenes. La resolución del terreno importa más que el modelo. Nuestro ajuste busca aproximadamente 0.05 m por píxel para un panel solar, 0.09 para un coche y 0.18 para un edificio. Con una resolución más baja, el objeto se convierte en una mancha que ningún modelo puede recuperar.
Tiempo. La detección tarda minutos. La revisión tarda más, y quien la excluya de la estimación no llegará a la fecha límite.
Dinero. Las opciones gratuitas de QGIS no cuestan nada aparte de tu GPU y una tarde de Python. La nuestra ofrece 200 detecciones automáticas al mes sin tarjeta, además de segmentación ilimitada mediante clic en tu propia máquina, y Pro cuesta €29 al mes para AI Edit, €39 para AI Segmentation y €59 para ambos, todo sin incluir el IVA.
Pruébalo gratis en QGIS, sin tarjeta
Cuatro afirmaciones que conviene cuestionar
Un único número de precisión. La precisión cambia según tus imágenes y según lo que extraigas. Quien cite una sola cifra para todo está citando una cifra de marketing.
Datos de entrenamiento que nunca vieron tu región. Las capas de edificios listas para usar son el caso más claro. El mismo kilómetro cuadrado de Luanda no contiene nada en OpenStreetMap, 3,140 huellas de edificios de Microsoft y 4,468 de Google Open Buildings.
"Se ejecuta localmente y tus datos nunca salen de tu ordenador." Es cierto para un modelo pequeño en tu máquina. Cualquier modo en la nube envía las imágenes a algún sitio, incluido el nuestro, y lo honesto es decir en qué modo estás trabajando.
Resultados que puedes entregar directamente. Cada ejecución devuelve más de lo que pediste: respiraderos, claraboyas, sombras y cobertizos de patio. Son objetos reales con contornos correctos, pero no son lo que querías. Reserva tiempo para la limpieza.
Dónde no lo utilizaría
Con menos de cincuenta elementos, digitaliza a mano. Activa el ajuste y habrás terminado antes de que un modelo descargue sus pesos, con un resultado que coincide exactamente con tus especificaciones. También lo mantendría alejado de cualquier asunto legal: un límite catastral, una zona protegida o una reclamación de indemnización. Un modelo te da un candidato, y un candidato no es un levantamiento topográfico. Mi criterio es que GeoAI pertenece a la primera pasada y nunca a la última. La guía de huellas de edificios muestra ambos caminos en el mismo barrio.
Ejecútalo en QGIS en diez minutos
Abre el gestor de plugins
Plugins -> Manage and Install Plugins. QGIS 3.22 o posterior.
Instala AI Segmentation
No se descarga nada más y no hay ningún entorno de Python que configurar.
Inicia sesión desde el panel
Un correo electrónico y un clic. La cuota gratuita se renueva mensualmente y no pide ninguna tarjeta.
Dibuja una zona sobre las imágenes que ya tienes abiertas
Funciona cualquier ráster visible: un GeoTIFF, una ortofoto de dron o un mapa base XYZ. Las cuentas gratuitas permiten dibujar hasta 15 km².
Escribe el objeto y revisa el resultado
building, tree, car. Filtra por confianza y tamaño, corrige lo que esté mal y exporta un GeoPackage.
Compara el resultado con lo que habrías digitalizado a mano. Esa es la única prueba que permite decidir.
Preguntas
¿GeoAI es lo mismo que teledetección? No. La teledetección es la medición. GeoAI es una forma de interpretarla, junto con los índices, los umbrales y tus propios ojos.
¿Necesito escribir código? Para el método clásico, algo. Para la segmentación en QGIS, no: los plugins se encargan de ello. Python sigue ganando cuando ejecutas el mismo flujo sobre cientos de teselas.
¿Necesito una GPU? Solo para los modelos que se ejecutan en tu propia máquina. Las herramientas del lado del servidor no necesitan ninguna. El centro de IA de QGIS indica qué necesita cada opción.
¿Qué se obtiene al final? Polígonos con una etiqueta, una clase, una puntuación de confianza y un área, en el CRS de tu proyecto. AI Segmentation los escribe en un GeoPackage con estilo. La revisión sigue siendo tu responsabilidad.
