TRANSFORMACIÓN DIGITAL EN SIG CON INTELIGENCIA ARTIFICIAL

Docente

Nombre del docente

Fecha de inicio

Horarios

Fecha de finalizacion

Docentes Expertos

¿Qué aprenderás en este curso?

Aplicar principios de inteligencia artificial al análisis geoespacial. Automatizar tareas en Sistemas de Información Geográfica (SIG) con herramientas de IA. Desarrollar modelos predictivos y de clasificación usando datos espaciales. Integrar IA generativa para el procesamiento y visualización avanzada de mapas. Diseñar flujos de trabajo eficientes para proyectos de monitoreo y planificación territorial. Utilizar plataformas como QGIS, ArcGIS, Python y bibliotecas de aprendizaje automático. Interpretar resultados mediante dashboards y visualizaciones inteligentes para la toma de decisiones.

Publico objetivo

- Profesionales y técnicos en geografía, ingeniería ambiental, forestal, civil o afines.
- Especialistas en SIG que deseen integrar inteligencia artificial en sus flujos de trabajo.
- Investigadores y académicos interesados en análisis espacial avanzado.
- Funcionarios de entidades públicas o privadas que gestionen recursos naturales o territoriales.
- Estudiantes de últimos ciclos que busquen adquirir competencias en tecnologías emergentes aplicadas al análisis geoespacial.

Resultados esperados

- Aplicar técnicas de inteligencia artificial para resolver desafíos geoespaciales complejos en contextos reales.
- Automatizar procesos cartográficos y de análisis espacial mediante el uso de Python y herramientas de IA integradas en plataformas SIG.
- Desarrollar e implementar modelos predictivos y de clasificación que optimicen la gestión de datos territoriales y ambientales.
- Generar mapas inteligentes y visualizaciones interactivas que faciliten la interpretación de información geográfica para la toma de decisiones.
- Diseñar flujos de trabajo eficientes y replicables para proyectos de planificación urbana, monitoreo ambiental, gestión de recursos naturales, entre otros.
- Integrar soluciones basadas en IA generativa para enriquecer el análisis, presentación y comunicación de datos espaciales.
- Comunicar hallazgos de forma clara y efectiva a través de dashboards, informes técnicos y presentaciones visuales.
- Consolidar una visión estratégica sobre el uso de tecnologías emergentes en el análisis geoespacial y su impacto en diversos sectores.

Modulo I

Fundamentos de la Inteligencia Artificial aplicada al SIG

Conceptos clave de IA, Machine Learning (ML) y Deep Learning (DL).
Arquitectura básica de redes neuronales.
Aplicación de LLMs (Modelos de Lenguaje de Gran Escala): ChatGPT, Gemini, Claude.

Modulo II

Creación Automatizada de Mapas con IA

Introducción a herramientas de visualización como BetterMaps.ai, Textomap y Gemini.
Generación de mapas a partir de descripciones textuales.
Casos de uso en planificación y comunicación ambiental.

Modulo III

Aplicaciones de ChatGPT en Geoprocesamiento

Generación de scripts y funciones geoespaciales.
Uso de ChatGIS para obtener y consultar datos espaciales.
Automatización de tareas en QGIS mediante prompts estructurados.
Visualización e interpretación de datos con IA.

Modulo IV

Prácticas Avanzadas en QGIS

Herramientas clave de QGIS: selección, unión, intersección, recorte, exportación.
Aplicaciones prácticas de IA sobre capas vectoriales y ráster.
Análisis de errores comunes y validación de resultados.

Modulo V

Digitalización Automática con Inteligencia Artificial

Instalación y configuración de plugins como Bunting Labs y Mapflow en QGIS.
Digitalización automática de elementos geográficos desde ortofotos.
Comparación entre digitalización manual vs. digitalización asistida por IA.

Modulo VI

Machine Learning aplicado al Análisis Espacial

Configuración del entorno Google Colab para procesamiento geoespacial.
Clasificación de imágenes satelitales usando algoritmos supervisados:
K-Nearest Neighbors (KNN)
- Random Forest
- Support Vector Machines (SVM)
Evaluación de modelos y análisis de resultados.

Modulo VII

Deep Learning y Reconocimiento Avanzado

Introducción al uso de TensorFlow en Google Colab.
Clasificación de imágenes con redes neuronales convolucionales (CNN).
Uso del complemento Deepness en QGIS.
Aplicaciones prácticas en reconocimiento automático de coberturas y cambios.

Modulo VIII

Modulo IX

Modulo X

Modulo XI

Modulo XII

Modulo I

Fundamentos de la Inteligencia Artificial aplicada al SIG

Conceptos clave de IA, Machine Learning (ML) y Deep Learning (DL).
Arquitectura básica de redes neuronales.
Aplicación de LLMs (Modelos de Lenguaje de Gran Escala): ChatGPT, Gemini, Claude.

Modulo II

Creación Automatizada de Mapas con IA

Introducción a herramientas de visualización como BetterMaps.ai, Textomap y Gemini.
Generación de mapas a partir de descripciones textuales.
Casos de uso en planificación y comunicación ambiental.

Modulo III

Aplicaciones de ChatGPT en Geoprocesamiento

Generación de scripts y funciones geoespaciales.
Uso de ChatGIS para obtener y consultar datos espaciales.
Automatización de tareas en QGIS mediante prompts estructurados.
Visualización e interpretación de datos con IA.

Modulo IV

Prácticas Avanzadas en QGIS

Herramientas clave de QGIS: selección, unión, intersección, recorte, exportación.
Aplicaciones prácticas de IA sobre capas vectoriales y ráster.
Análisis de errores comunes y validación de resultados.

Modulo V

Digitalización Automática con Inteligencia Artificial

Instalación y configuración de plugins como Bunting Labs y Mapflow en QGIS.
Digitalización automática de elementos geográficos desde ortofotos.
Comparación entre digitalización manual vs. digitalización asistida por IA.

Modulo VI

Machine Learning aplicado al Análisis Espacial

Configuración del entorno Google Colab para procesamiento geoespacial.
Clasificación de imágenes satelitales usando algoritmos supervisados:
K-Nearest Neighbors (KNN)
- Random Forest
- Support Vector Machines (SVM)
Evaluación de modelos y análisis de resultados.

Modulo VII

Deep Learning y Reconocimiento Avanzado

Introducción al uso de TensorFlow en Google Colab.
Clasificación de imágenes con redes neuronales convolucionales (CNN).
Uso del complemento Deepness en QGIS.
Aplicaciones prácticas en reconocimiento automático de coberturas y cambios.

"Este programa me ayudó a fortalecer mi investigación con herramientas estadísticas y de inteligencia artificial. Es práctico, completo y totalmente aplicable a tesis y proyectos académicos."

"Gracias a este programa, logré estructurar mi tesis doctoral con un enfoque metodológico sólido. Las herramientas de inteligencia artificial que aprendí me ayudaron a analizar grandes volúmenes de datos de forma eficiente."

"La combinación entre estadística aplicada e IA fue justo lo que necesitaba para llevar mis investigaciones al siguiente nivel. Recomiendo esta especialización a todo investigador serio."

"El programa no solo me dio conocimientos técnicos, también me enseñó a aplicarlos en el contexto real de mi tesis. ¡Una inversión totalmente valiosa!"

"Aprendí a utilizar metodologías científicas rigurosas junto con herramientas prácticas de IA, lo que ha mejorado significativamente la calidad de mis reportes y modelos."