En años recientes se han publicado grandes conjuntos de geodatos globales generados por inteligencia artificial. Son características comunes de estos productos su origen en clasificaciones masivas a escenas satelitales de alta resolución con apoyo de machine learning. Algunos se enfocan a huellas de construcciones, vías, asentamientos, árboles y coberturas.
La mayoría de georecursos mundiales por IA son generados por grandes compañías como Google, Meta, Microsoft y ESRI, que cuentan con el soporte investigativo y tecnológico para llevar a cabo los robustos procesamientos.
Se presentan a continuación algunos proyectos descatados. Se señalan los enlaces a sus páginas descriptivas y de descarga. También en algunos casos se indica adicionalmente el acceso a papers y otros recursos relacionados.
GOOGLE NATURAL FORESTS OF THE WORLD 2020
Natural Forests of the World 2020 es un mapa global de probabilidad de bosques naturales potenciado por Inteligencia Artificial desarrollado por Google DeepMind y lanzado en 2025. Es un producto donde se separan bosques de otras coberturas a una resolución de 10m.
El modelo deep learning empleado es del tipo multi-modal temporal-spatial vision transformer (MTSViT) que analiza imágenes estacionales de Sentinel-2, topografía (elevación, pendiente) y geolocalización. Fue entrenado con más de un 1.2 millones de muestras globales. Aunque su exactitud global llega al 92% posee ciertas limitaciones reconocidas por los propios autores respecto a cultivos agroforestales, plantaciones y otros así que requiere fuentes complementarias para ser usado adecuadamente.
El resultado refleja las condiciones de los bosques a 2020 y espera servir de línea base para responsables en políticas de bosques, auditores y compañías que pretender cumplir regulaciones como el Reglamento Europeo de Deforestación, EUDR.
🆕 Lanzamiento 📄Paper 🌐GEE Catalog ⬇️ Dataset 🔎Visor por Boreal Austral
Google Satellite Embedding es un conjunto global de datos satelitales procesados con IA en un formato de representaciones compactas de información o embeddings. Es un producto compuesto de 64 bandas, una resolución de 10m y con datos desde 2017. Esta robusta colección multidimensional de resúmenes geoespaciales comprende temas como coberturas, agua, propiedades de la superficie y otros. Las capas condensadas están listas para análisis y no requieren corrección atmosférica, filtrado de ruido, enmascarado de nubes u otras típicas preparaciones.
Es un producto lanzado en 2024, proveído por Google DeepMind y desarrollado con AlphaEarth Foundations, un modelo de inteligencia artificial con enfoque de aprendizaje autosupervisado a partir de petabytes de datos del catálogo de Google Earth Engine. El modelo es capaz de asimilar de forma masiva y simultánea muchos tipos de observaciones originadas en múltiples sensores satelitales.
Entre las fuentes de datos de las que se ha surtido Google Satellite Embedding están: Sentinel -1C – banda SAR, Sentinel-2, Landsat 8 & 9, GEDI, GLO-30 DEM, ERA-5 Land, ALOS-2 PALSAR-2 ScanSAR y GRACE.
Las posibilidades de aplicación son muy amplias como, por ejemplo, identificar patrones climáticos, cambios en coberturas, variaciones estacionales en cultivos, afectación por inundaciones, evolución de incendios y movimientos en masa, monitoreo de cuerpos hídricos, erosión y fertilidad del suelo, expansión urbana, exploración de ecosistemas remotos y más. Con estas características Google Satellite Embedding se proyecta como una revolución en el mapeo y monitoreo del planeta en un nivel sin precedentes.
🆕 Lanzamiento 📰 Blog 📄Paper 🌐 Dataset 🔎Buscador de similitud
📘 Tutorial introductorio 📘Tutorial clasificación no supervisada 📘Tutorial clasificación supervisada 📘Tutorial búsqueda de similitud
El profesor Qiusheng Wu, de la Universidad de Tennessee, ha compartido código de GEE para usar Google Satellite Embedding y también un tutorial para visualizar el dataset en 3D
El ingeniero Jorge Alpala, también ha desarrollado en un visor para consultar de forma simultánea 8 años distintos del dataset de Google Satellite Embedding:
GOOGLE RESEARCH – OPEN BUILDINGS
Compilado de Google con millones de huellas de edificaciones obtenidas mediante deep learning
📘Descripción Aquí 🔎Visualización Aquí ⬇️ Descargas Aquí
MICROSOFT – GLOBAL ML BUILDINGS FOOTPRINTS
Compilado de Microsoft con millones de huellas de edificaciones obtenidas mediante segmentación y poligonización usando Inteligencia Artificial
📰Blog Aquí 🔎Visualización Aquí ⬇️Descargas Aquí 🌐 Código para GEE
Compilado de Microsoft con el registro de millones de segmentos viales obtenidos mediante análisis de imágenes por algoritmos de redes neuronales
⬇️Descargas Aquí 📄Algunos papers relacionados 1, 2
Vea también de Microsoft:
Microsoft – Galería de casos de aplicación de IA en beneficio del planeta
META/WRI – MAPA GLOBAL DE ALTURAS DE COPAS ARBÓREAS
Mapa global de alturas de dosel generado por Meta y el World Resources Institute, WRI, mediante modelos de Inteligencia Artificial, muestreos LIDAR y escenas satelitales de alta resolución de Maxar Technologies. La descarga se realiza vía Amazon Web Services, AWS.
📰 Blog Aquí 📄Paper Aquí 🔎 Visualización Aquí ⬇️ Descargas vía AWS Ⓜ️ Modelo pre-entrenado disponible en Living Atlas Aquí
Un ejemplo de descarga de esta información vía AWS se puede ver en el siguiente video:
META/CIESIN – POPULATION DENSITY
Mapas de densidad población y estimaciones demográficas desarrollado por Meta y el Center for International Earth Science Information Network, CIESIN usando modelos de machine learning y a partir de escenas satelitales de alta resolución Maxar y datos censales.
📘Descripción Aquí 🧮 Metodología Aquí ⬇️Descargas vía HDX y vía AWS
META – ÍNDICE DE RIQUEZA RELATIVA
Mapa predictivo de nivel relativo de vida según datos de conectividad, escenas satelitales y otras fuentes y modelado mediante machine learning
📘Descripción Aquí 📄Paper Aquí 🔍Visualización Aquí ⬇️ Descargas vía HDX
ESRI ANNUAL LAND USE / LAND COVER
El mapa global anual de Cobertura y Uso (Land Use and Land Cover, LULC) de ESRI, es generado con ayuda de un modelo de deep learning sobre de escenas sensor Sentinel-2 de la Agencia Espacial Europea, ESA. El producto permite ver las dinámicas de uso de tierras desde 2017 y cuenta con una resolución espacial de 10m y una descripción detallada está disponible Aquí. Su visualización y descarga es posible a través del geovisor Sentinel-2 Land Cover Explorer. También puede ser usado en Google Earth Engine con el código disponible Aquí
Vea también de ESRI:
Modelos pre-entrenados para productos ESRI
Introducción a productos pre-entrenados de ESRI
REDD+AI de CTrees es el primer sistema en cuantificar globalmente la degradación forestal. Se fundamenta en imágenes de alta resolución e inteligencia artificial. La fuente de datos son escenas de PkanetScope con resolución de 3m. En la plataforma se pueden visualizar datos y estadísticas a nivel nacional y subnacional desde 2017
MAPBIOMAS
La Red Amazónica de Información Socioambiental Georreferenciada, RAISG, en colaboración con diferentes socios en varios países, ha desarrollado el proyecto MapBiomas. Se trata de un conjunto de iniciativas para el mapeo multianual automatizado con escenas Landsat y algoritmos de machine learning en GEE para diversos tópicos: cobertura y uso del suelo, dinámica superficial de los cuerpos hídricos, cicatrices de fuego, alertas de deforestación, stock de carbono orgánico en suelo y degradación de vegetación nativa. De estos temas el de mapeo de cobertura y uso del suelo es aquel con mayor cantidad de productos ya consolidados.
La red colaborativa comprende participantes de Suramérica y en Indonesia. De Suramérica se encuentran vinculados Colombia, Bolivia, Perú, Ecuador, Brasil, Venezuela, Uruguay y Paraguay. También comprende proyectos por regiones como la Amazonía, el Chaco, la Pampa y el Bosque Atlántico Trinacional.
Los siguientes son los accesos las iniciativas de la red MapBiomas:
🔷 MapBiomas Colombia 🔷 MapBiomas Bolivia 🔷 MapBiomas Perú
🔷 MapBiomas Ecuador 🔷 MapBiomas Brasil 🔷 MapBiomas Venezuela
🔷 MapBiomas Uruguay 🔷 MapBiomas Paraguay 🔷 MapBiomas Amazonía
🔷 MapBiomas Chaco 🔷 MapBiomas Pampa 🔷 MapBiomas Bosque Atlántico
🔷 MapBiomas Indonesia
VEA TAMBIÉN
VER PRESENTACIÓN DE CONFERENCIA
OpenGeoAI es una web del Dr. Qiusheng Wu, de la Universidad de Tennessee, con múltiples recursos de su iniciativa GeoAI: Artificial Intelligence for Geospatial Data.
Volver más GEODATA MUNDIAL FUENTES VARIAS
ÍNDICE DE GEODATA MUNDIAL
🔷 FUENTES VARIAS • 🌦️ CLIMDATA • 🦋 BIOGEODATA • 🟢 MANTO DE LA TIERRA • 🪨 GEODATA GEOLÓGICA • 📛 RIESGOS Y DESASTRES • 🗻 TOPODATA • 🌁 RECURSOS E INFRAESTRUCTURA • 👣 HUELLA HUMANA • 🌃 GEONOCTURNA • 🟣 AURORAS Y CLIMA ESPACIAL • 🌳GEODATA AMAZÓNICA • 🟦 MÁS GEODATA MUNDIAL
Post por:
Rodolfo Franco
Especialista SIG
https://rodolfofrancoweb.com
RODOLFO FRANCO WEB 
Debe estar conectado para enviar un comentario.