GEOMÁTICA INTELIGENTE II
Sistemas de Información Geográfica Avanzados: Desarrollo, Modelamiento Espacial e Inteligencia Geoespacial Aplicada
Libro de texto académico · Estructura completa · Segunda parte
DATOS GENERALES DE LA OBRA
RELACIÓN SIG I → SIG II
1
2
3
4
5
6
7
8
9
10
SIG I (Geomática Inteligente I) SIG II (Geomática Inteligente II)
───────────────────────────────── ─────────────────────────────────────
Qué es un SIG → Cómo construirlo, programarlo y operarlo
Modelos vectorial y raster → Ingeniería avanzada de datos geoespaciales
Análisis espacial básico → Modelamiento espacial y geoestadística
Teledetección introductoria → Procesamiento avanzado de imágenes y LiDAR
SIG Web: concepto → Desarrollo full-stack geoespacial
GeoAI: fundamentos → Deep Learning geoespacial aplicado
Gemelo digital: concepto → Implementación de gemelos digitales
Aplicaciones sectoriales → Proyecto de implementación real
ARQUITECTURA PEDAGÓGICA DEL LIBRO
Cada capítulo incluye obligatoriamente:
🎯 Objetivos de aprendizaje (3 a 5)
📖 Desarrollo teórico (secciones y subsecciones numeradas)
🧪 Laboratorio / Práctica guiada (con entregable concreto)
📊 Estudio de caso contextualizado
📝 Resumen del capítulo
🧠 ¿Qué aprenderán los estudiantes?
❓ Preguntas de autoevaluación (mínimo 5)
💻 Reto de programación / modelamiento (a partir del Cap. 3)
🔗 Conexión con el capítulo siguiente
⏱️ Carga horaria asignada
MAPA DE PROGRESIÓN COMPETENCIAL SIG II
1
2
3
4
5
6
7
UNIDAD 1 UNIDAD 2 UNIDAD 3 UNIDAD 4 UNIDAD 5 UNIDAD 6
INGENIERÍA → DESARROLLO → MODELAMIENTO → TELEDETECCIÓN→ GEOAI → IMPLEMENTACIÓN
DE DATOS FULL-STACK ESPACIAL AVANZADA APLICADA Y PROYECTO
GEOESPACIALES GEOESPACIAL Y GEOESTADÍSTICA Y LiDAR Y DL INTEGRADOR

Analista → Desarrollador → Modelador → Especialista → Científico → Director
de datos geoespacial espacial en sensores GeoAI de proyecto
UNIDAD I
INGENIERÍA DE DATOS GEOESPACIALES Y BASES DE DATOS AVANZADAS
Carga horaria de la Unidad: 18 horas (8 teóricas + 10 prácticas)
Semanas: 1 a 3
Competencia de unidad: El estudiante diseña, implementa y administra bases de datos espaciales avanzadas, construye pipelines ETL geoespaciales y aplica principios de ingeniería de datos al territorio, superando el nivel de usuario básico de SIG.
¿Qué aprenderán los estudiantes en esta Unidad?
En SIG I el estudiante aprendió qué son los datos espaciales y los metadatos. En esta unidad aprenderá a diseñar arquitecturas de bases de datos espaciales, escribir consultas SQL espaciales complejas, construir pipelines de ingesta y transformación (ETL) y garantizar escalabilidad, rendimiento e integridad en entornos con millones de registros georreferenciados. Pasará de «cargar una capa en QGIS» a «administrar una infraestructura de datos territoriales».
CAPÍTULO 1 · Diseño y administración avanzada de bases de datos espaciales
Carga horaria: 6 h (3 T + 3 P) · Semana 1
Objetivos de aprendizaje
1.
Diseñar modelos entidad-relación espaciales para catastros, redes y ordenamiento territorial.
2.
Administrar PostgreSQL/PostGIS en entornos multiusuario.
3.
Optimizar consultas espaciales mediante índices, particionamiento y clustering.
4.
Implementar reglas de integridad topológica a nivel de base de datos.
1.1. Modelado de datos espaciales avanzado
1.1.1. Del modelo conceptual al modelo lógico espacial
1.1.2. Entidades, relaciones y geometrías: cardinalidad espacial
1.1.3. Diseño para catastro: parcelas, edificaciones, propietarios, direcciones
1.1.4. Diseño para redes: nodos, arcos, conectividad, impedancia
1.1.5. Diseño para ordenamiento: zonas, usos, normativas, restricciones
1.2. PostgreSQL/PostGIS avanzado
1.2.1. Tipos geométricos: GEOMETRY, GEOGRAPHY, tipos 3D (POINTZ, POLYGONZ)
1.2.2. Índices espaciales: GiST, SP-GiST, BRIN
1.2.3. Particionamiento de tablas por extensión geográfica
1.2.4. Clustering espacial y optimización de I/O
1.2.5. Roles, permisos y administración multiusuario
1.3. Consultas SQL espaciales complejas
1.3.1. Funciones PostGIS: ST_Intersects, ST_Within, ST_Buffer, ST_Area, ST_Distance, ST_Union
1.3.2. Consultas de proximidad: KNN (K-Nearest Neighbors) con índice GiST
1.3.3. Agregación espacial: ST_Collect, ST_Union por agrupación
1.3.4. Vistas materializadas espaciales
1.3.5. Procedimientos almacenados y triggers geoespaciales
1.4. Integridad topológica en la base de datos
1.4.1. Restricciones CHECK sobre geometrías (ST_IsValid, ST_IsSimple)
1.4.2. Triggers para evitar superposiciones catastrales
1.4.3. Validación topológica automatizada con PostGIS Topology
🧪 Práctica 1.1
Diseñar e implementar la base de datos espacial de un catastro municipal simplificado (500 parcelas, 3 manzanos, red vial) en PostgreSQL/PostGIS. Crear índices, vistas materializadas y un trigger de validación topológica.
📊 Estudio de caso
Migración del catastro de un municipio boliviano de shapefiles a PostGIS: lecciones de rendimiento y consistencia.
💻 Reto de programación
Escribir una función PL/pgSQL que detecte automáticamente parcelas superpuestas y genere un reporte de anomalías.
📝 Resumen
Una base de datos espacial bien diseñada es la columna vertebral de cualquier SIG institucional. PostGIS ofrece capacidades que van mucho más allá del almacenamiento: índices espaciales, topología, triggers y consultas KNN permiten construir sistemas robustos, íntegros y escalables. El diseño del modelo de datos condiciona toda la cadena analítica posterior.
❓ Autoevaluación
1.
¿Qué diferencia existe entre el tipo GEOMETRY y GEOGRAPHY en PostGIS?
2.
¿Por qué un índice GiST acelera las consultas espaciales?
3.
¿Cómo se implementa una restricción topológica de «no superposición» a nivel de trigger?
4.
¿Qué ventajas ofrece el particionamiento por extensión geográfica?
5.
Diseñe el modelo entidad-relación para una red de agua potable municipal.
CAPÍTULO 2 · Pipelines ETL geoespaciales y automatización de datos
Carga horaria: 6 h (2,5 T + 3,5 P) · Semana 2
Objetivos de aprendizaje
1.
Diseñar flujos ETL (Extract, Transform, Load) para datos geoespaciales.
2.
Automatizar la ingesta de datos desde múltiples fuentes: GNSS, drones, satélites, formularios, APIs.
3.
Implementar validación, limpieza y normalización automatizada.
4.
Orquestar pipelines con herramientas de automatización.
2.1. Concepto de pipeline geoespacial
2.1.1. Extract: fuentes heterogéneas (shapefiles, GeoJSON, CSV con coordenadas, imágenes, APIs)
2.1.2. Transform: reproyección, limpieza, normalización, enriquecimiento
2.1.3. Load: inserción en PostGIS, GeoPackage, almacenes en la nube
2.2. Herramientas y tecnologías
2.2.1. GDAL/OGR: la navaja suiza de la conversión geoespacial
2.2.2. Python: GeoPandas, Shapely, Fiona, Rasterio
2.2.3. FME (Feature Manipulation Engine): ETL visual
2.2.4. Apache NiFi, Airflow para orquestación
2.2.5. ogr2ogr, shp2pgsql, raster2pgsql en línea de comandos
2.3. Validación y control de calidad automatizado
2.3.1. Verificación de geometrías (ST_IsValid, ST_MakeValid)
2.3.2. Detección de duplicados espaciales
2.3.3. Validación de metadatos obligatorios
2.3.4. Logs y trazabilidad del pipeline
2.4. Automatización y programación
2.4.1. Scripts Python para ingesta programada (cron, schedulers)
2.4.2. Webhooks y APIs como disparadores de ETL
2.4.3. Ingesta de datos de campo (QField/Mergin → PostGIS)
2.4.4. Ingesta de imágenes satelitales (Sentinel Hub API → Rasterio → PostGIS Raster)
🧪 Práctica 2.1
Construir un pipeline Python que: (a) descargue un GeoJSON de una API municipal, (b) valide geometrías, (c) reproyecte a UTM 20S, (d) cargue en PostGIS, (e) genere un log de calidad. Automatizar con cron.
📊 Estudio de caso
Ingesta automatizada de datos de drones para actualización catastral trimestral en un municipio del norte integrado.
💻 Reto de programación
Diseñar un pipeline que ingeste imágenes Sentinel-2 semanales, calcule NDVI y almacene el resultado como PostGIS Raster con metadatos automáticos.
📝 Resumen
Los pipelines ETL geoespaciales transforman la gestión de datos de un proceso manual y propenso a errores en un flujo automatizado, trazable y escalable. GDAL, Python y PostGIS constituyen el ecosistema fundamental. La automatización permite que el SIG se actualice de forma continua sin intervención manual intensiva.
❓ Autoevaluación
1.
¿Qué papel cumple GDAL/OGR en un pipeline geoespacial?
2.
¿Cómo se valida automáticamente una geometría antes de insertarla en PostGIS?
3.
¿Qué diferencia hay entre un ETL por lotes y uno en tiempo real?
4.
¿Por qué es importante el log de trazabilidad en un pipeline?
5.
Describa un pipeline completo desde la captura con dron hasta la base de datos.
CAPÍTULO 3 · Infraestructura de datos espaciales (IDE) e interoperabilidad
Carga horaria: 6 h (2,5 T + 3,5 P) · Semana 3
Objetivos de aprendizaje
1.
Comprender la arquitectura de una Infraestructura de Datos Espaciales (IDE).
2.
Implementar servicios OGC: WMS, WFS, WCS, WMTS, WPS.
3.
Aplicar normas de interoperabilidad: ISO 19100, OGC, INSPIRE.
4.
Diseñar catálogos de metadatos y geoportales institucionales.
3.1. Arquitectura de una IDE
3.1.1. Componentes: datos, metadatos, servicios, normas, tecnología, personas, políticas
3.1.2. IDE nacional (IDE-Bolivia), IDE departamental, IDE municipal
3.1.3. Roles: productor, integrador, usuario, administrador
3.2. Servicios OGC
3.2.1. WMS (Web Map Service): visualización
3.2.2. WFS (Web Feature Service): acceso a geometrías y atributos
3.2.3. WCS (Web Coverage Service): datos raster
3.2.4. WMTS (Web Map Tile Service): teselas pre-renderizadas
3.2.5. WPS (Web Processing Service): geoprocesamiento remoto
3.2.6. CSW (Catalogue Service): búsqueda de metadatos
3.2.7. API Features (OGC API – Features): evolución REST
3.3. Normas y estándares
3.3.1. Familia ISO 19100 (19115 metadatos, 19139 XML, 19157 calidad)
3.3.2. INSPIRE: directiva europea como referencia
3.3.3. Perfiles nacionales y sectoriales
3.3.4. Vocabularios controlados y tesauros geoespaciales
3.4. Catálogos de metadatos y geoportales
3.4.1. GeoNetwork, CKAN, pycsw
3.4.2. Diseño de un geoportal institucional
3.4.3. Búsqueda, descubrimiento y descarga de datos
3.4.4. Políticas de datos abiertos vs. datos restringidos
🧪 Práctica 3.1
Publicar tres servicios OGC (WMS, WFS, WCS) desde GeoServer. Crear un catálogo de metadatos con GeoNetwork. Consumir los servicios desde QGIS y desde una aplicación Leaflet.
📊 Estudio de caso
Diseño de la IDE municipal para un gobierno autónomo municipal boliviano: normativa, catálogo y servicios.
💻 Reto de programación
Desarrollar un cliente Python que consuma un servicio WFS, filtre por atributo y geometría, y almacene los resultados en un GeoPackage con metadatos ISO 19115.
📝 Resumen
Las IDE constituyen el marco organizativo, normativo y tecnológico que permite compartir, descubrir y utilizar datos geoespaciales entre instituciones. Los servicios OGC son los protocolos que hacen posible la interoperabilidad. Sin IDE, cada institución construye islas de información incompatibles entre sí.
❓ Autoevaluación
1.
¿Cuáles son los siete componentes de una IDE?
2.
¿Qué diferencia hay entre WMS y WFS?
3.
¿Qué norma ISO define los metadatos geográficos?
4.
¿Por qué es importante un catálogo de metadatos para una institución pública?
5.
¿Qué ventajas ofrece OGC API – Features sobre WFS clásico?
📋 Resumen de la Unidad I
La Unidad I eleva al estudiante del nivel de usuario de SIG al de ingeniero de datos geoespaciales. Aprende a diseñar bases de datos espaciales robustas, automatizar la ingesta mediante pipelines ETL y garantizar la interoperabilidad mediante servicios OGC e IDE. Estos tres pilares son la condición necesaria para cualquier sistema territorial escalable.
⏱️ Distribución horaria Unidad I
UNIDAD II
DESARROLLO FULL-STACK GEOESPACIAL: SIG WEB, APIs Y APLICACIONES
Carga horaria de la Unidad: 20 horas (8 teóricas + 12 prácticas)
Semanas: 4 a 6
Competencia de unidad: El estudiante diseña, desarrolla y despliega aplicaciones geoespaciales web completas (frontend, backend, base de datos, servicios), construye APIs geoespaciales REST y crea dashboards territoriales interactivos, superando el rol de usuario para convertirse en desarrollador geoespacial.
¿Qué aprenderán los estudiantes en esta Unidad?
En SIG I el estudiante comprendió qué es un SIG Web y un geoportal. En SIG II aprenderá a construirlo desde cero: diseñar la arquitectura, programar el backend con Python/Node.js, crear APIs REST geoespaciales, desarrollar el frontend con JavaScript/TypeScript (Leaflet, MapLibre, OpenLayers), conectar con PostGIS y desplegar en la nube. Al finalizar, habrá construido una aplicación geoespacial funcional completa.
CAPÍTULO 4 · Arquitectura de aplicaciones geoespaciales web
Carga horaria: 6 h (2,5 T + 3,5 P) · Semana 4
Objetivos de aprendizaje
1.
Diseñar la arquitectura completa de una aplicación geoespacial web.
2.
Diferenciar capas: frontend, backend, servicios, base de datos, infraestructura.
3.
Seleccionar tecnologías según el caso de uso.
4.
Comprender patrones de arquitectura: monolito, microservicios, serverless geoespacial.
4.1. Arquitectura de referencia
4.1.1. Capa de presentación: HTML/CSS/JS, frameworks (React, Vue, Svelte)
4.1.2. Librerías de mapas: Leaflet, MapLibre GL JS, OpenLayers, CesiumJS
4.1.3. Capa de aplicación: Python (FastAPI, Flask, Django) / Node.js (Express)
4.1.4. Capa de servicios: GeoServer, MapServer, Tile Server, APIs REST
4.1.5. Capa de datos: PostGIS, Redis (caché), almacenamiento de objetos (S3/MinIO)
4.1.6. Infraestructura: servidores, contenedores (Docker), nube, CDN
4.2. Patrones de arquitectura
4.2.1. Monolito geoespacial: adecuado para proyectos pequeños
4.2.2. Microservicios geoespaciales: escalabilidad y especialización
4.2.3. Serverless geoespacial: funciones como servicio para geoprocesamiento
4.2.4. Arquitecturas orientadas a eventos (ingesta de sensores IoT)
4.3. Diseño UX/UI para aplicaciones geoespaciales
4.3.1. Principios de cartografía web: semiología, escalas, niveles de zoom
4.3.2. Interacción: pan, zoom, consulta, medición, edición
4.3.3. Diseño responsive y accesibilidad
4.3.4. Dashboards: indicadores, gráficos vinculados al mapa, filtros espaciales
🧪 Práctica 4.1
Diseñar el diagrama de arquitectura de un geoportal municipal. Implementar el «Hola Mundo» geoespacial: servidor FastAPI + PostGIS + Leaflet mostrando una capa de parcelas.
📊 Estudio de caso
Arquitectura del geoportal de un gobierno municipal: decisiones tecnológicas y lecciones aprendidas.
CAPÍTULO 5 · APIs geoespaciales REST y desarrollo backend (continuación)
Carga horaria: 8 h (3 T + 5 P) · Semana 5
Objetivos de aprendizaje
1.
Diseñar y desarrollar APIs REST geoespaciales con Python (FastAPI) o Node.js.
2.
Implementar endpoints CRUD con geometrías GeoJSON.
3.
Integrar consultas espaciales PostGIS en los endpoints.
4.
Autenticar, versionar y documentar APIs geoespaciales.
5.1. Diseño de APIs geoespaciales
5.1.1. Recursos geoespaciales: colecciones, features, geometrías, atributos
5.1.2. Formato GeoJSON como estándar de intercambio
5.1.3. Parámetros espaciales: bbox, intersects, within, distance
5.1.4. Paginación, filtrado y ordenamiento
5.1.5. OGC API – Features como estándar emergente
5.2. Desarrollo con FastAPI + PostGIS
5.2.1. Conexión asíncrona a PostGIS (asyncpg, SQLAlchemy)
5.2.2. Endpoints CRUD: GET /features, GET /features/{id}, POST, PUT, DELETE
5.2.3. Consultas espaciales en el backend: ST_Intersects, ST_DWithin, ST_Buffer
5.2.4. Serialización GeoJSON con Pydantic
5.2.5. Geoprocesamiento bajo demanda: buffer, overlay, rutas
5.3. Seguridad, versionamiento y documentación
5.3.1. Autenticación: JWT, OAuth2, API keys
5.3.2. Roles y permisos por capa/recurso
5.3.3. Versionamiento de API (v1, v2)
5.3.4. Documentación automática: OpenAPI/Swagger
5.3.5. Rate limiting y monitoreo
5.4. APIs de teselas y servicios de mapas
5.4.1. Tile Server: Mapnik, Martin, pg_tileserv
5.4.2. Vector Tiles (MVT): generación desde PostGIS
5.4.3. APIs de geocodificación (Nominatim, Pelias, Photon)
5.4.4. APIs de routing (OSRM, Valhalla, pgRouting)
🧪 Práctica 5.1
Desarrollar una API REST completa con FastAPI que exponga: (a) listado de parcelas con filtro por bbox, (b) consulta de parcela por ID, (c) endpoint de búsqueda espacial «parcelas a menos de 200 m de un punto», (d) creación de nueva parcela con validación topológica. Documentar con Swagger.
📊 Estudio de caso
API geoespacial para consulta ciudadana del catastro municipal: diseño, seguridad y escalabilidad.
💻 Reto de programación
Implementar un endpoint que reciba un polígono GeoJSON y devuelva todas las escuelas contenidas dentro, con distancia al centroide del polígono.
📝 Resumen
Las APIs geoespaciales REST son el puente entre la base de datos espacial y las aplicaciones de usuario. FastAPI + PostGIS constituye un stack moderno, asíncrono y de alto rendimiento. La correcta aplicación de seguridad, versionamiento y documentación garantiza la sostenibilidad del servicio.
❓ Autoevaluación
1.
¿Qué ventajas ofrece GeoJSON como formato de intercambio en APIs?
2.
¿Cómo se implementa una consulta espacial «dentro de un bbox» en un endpoint REST?
3.
¿Qué diferencia hay entre una API de teselas ráster y una de vector tiles?
4.
¿Por qué es importante el versionamiento en una API geoespacial?
5.
Describa el flujo completo desde la petición HTTP hasta la respuesta GeoJSON.
CAPÍTULO 6 · Frontend geoespacial: mapas interactivos, dashboards y edición web
Carga horaria: 6 h (2,5 T + 3,5 P) · Semana 6
Objetivos de aprendizaje
1.
Desarrollar mapas interactivos con Leaflet, MapLibre GL JS u OpenLayers.
2.
Construir dashboards territoriales con indicadores vinculados al mapa.
3.
Implementar edición geométrica web (dibujo, modificación, eliminación).
4.
Integrar visualización 3D con CesiumJS o deck.gl.
6.1. Librerías de mapas JavaScript
6.1.1. Leaflet: simplicidad y extensibilidad
6.1.2. MapLibre GL JS: renderizado WebGL, vector tiles
6.1.3. OpenLayers: estándar OGC, versatilidad
6.1.4. CesiumJS: globo 3D y datos masivos
6.1.5. deck.gl: visualización de grandes volúmenes (millones de puntos)
6.2. Funcionalidades interactivas
6.2.1. Navegación: pan, zoom, rotación, inclinación (3D)
6.2.2. Consulta por clic: popups, identificación de features
6.2.3. Medición: distancias, áreas, coordenadas
6.2.4. Filtros espaciales y atributivos dinámicos
6.2.5. Simbología dinámica y mapas coropléticos
6.3. Edición geométrica web
6.3.1. Dibujo de puntos, líneas, polígonos
6.3.2. Edición de vértices y snapping
6.3.3. Validación geométrica en el cliente
6.3.4. Sincronización con el backend (API REST)
6.3.5. Control de concurrencia y versionamiento
6.4. Dashboards territoriales
6.4.1. Integración mapa + gráficos + tablas + KPIs
6.4.2. Frameworks: React, Vue, Svelte + D3.js / Chart.js
6.4.3. Tiempo real: WebSockets, Server-Sent Events
6.4.4. Ejemplo: dashboard de servicios públicos municipales
6.5. Visualización 3D y realidad aumentada
6.5.1. CesiumJS: terreno, edificios 3D, modelos glTF
6.5.2. deck.gl: capas de gran volumen (hexbin, arcos, scatterplot)
6.5.3. Integración con datos BIM/IFC
6.5.4. Realidad aumentada geoespacial (ARCore, ARKit)
🧪 Práctica 6.1
Construir un dashboard territorial completo con React + MapLibre que muestre: (a) mapa de parcelas con filtro por uso de suelo, (b) gráfico de distribución por categoría, (c) KPI de superficie total, (d) edición de una parcela con guardado en la API del Cap. 5.
📊 Estudio de caso
Dashboard de monitoreo urbano para un municipio boliviano: indicadores de servicios, riesgo y crecimiento.
💻 Reto de programación
Agregar al dashboard un módulo de «análisis de proximidad»: el usuario dibuja un punto y el sistema muestra en tiempo real las 5 parcelas más cercanas con distancia.
📝 Resumen
El frontend geoespacial transforma los datos espaciales en experiencias interactivas. Leaflet y MapLibre permiten construir mapas web modernos; los dashboards integran indicadores con geografía; la edición web cierra el ciclo de actualización participativa. La visualización 3D y la realidad aumentada amplían la frontera de la representación territorial.
❓ Autoevaluación
1.
¿Qué diferencia hay entre Leaflet y MapLibre GL JS en términos de renderizado?
2.
¿Cómo se implementa la edición geométrica con validación en el cliente?
3.
¿Qué ventajas ofrecen los vector tiles frente a las teselas ráster?
4.
¿Cómo se sincroniza una edición web con la base de datos PostGIS?
5.
Describa la arquitectura de un dashboard territorial en tiempo real.
📋 Resumen de la Unidad II
La Unidad II transforma al estudiante en un desarrollador geoespacial full-stack. Diseña arquitecturas, programa APIs REST con FastAPI/PostGIS, construye frontends interactivos con Leaflet/MapLibre, implementa edición web y crea dashboards territoriales. Al finalizar, ha construido una aplicación geoespacial completa de principio a fin.
⏱️ Distribución horaria Unidad II
UNIDAD III
MODELAMIENTO ESPACIAL AVANZADO Y GEOESTADÍSTICA
Carga horaria de la Unidad: 18 horas (10 teóricas + 8 prácticas)
Semanas: 7 a 9
Competencia de unidad: El estudiante aplica técnicas de geoestadística, interpolación espacial, autocorrelación, regresión geográficamente ponderada y modelamiento espacial avanzado para analizar patrones, predecir superficies y comprender la estructura espacial de los fenómenos territoriales.
¿Qué aprenderán los estudiantes en esta Unidad?
En SIG I el estudiante realizó análisis de superposición, buffers y multicriterio. En esta unidad aprenderá a modelar espacialmente con rigor estadístico: variogramas, kriging, autocorrelación espacial (Moran’s I), regresión geográficamente ponderada (GWR), modelos de idoneidad con machine learning espacial y simulación de escenarios. Pasará de «hacer un buffer» a «modelar la superficie de contaminación del suelo con incertidumbre cuantificada».
CAPÍTULO 7 · Geoestadística e interpolación espacial
Carga horaria: 6 h (3,5 T + 2,5 P) · Semana 7
Objetivos de aprendizaje
1.
Comprender el concepto de variable regionalizada y dependencia espacial.
2.
Calcular e interpretar variogramas experimentales y teóricos.
3.
Aplicar métodos de interpolación: IDW, spline, kriging.
4.
Evaluar la incertidumbre de las superficies interpoladas.
7.1. Fundamentos de geoestadística
7.1.1. Variable regionalizada: definición y ejemplos (contaminación, precipitación, precio del suelo)
7.1.2. Hipótesis de estacionariedad
7.1.3. Primera y segunda ley de la geografía (Tobler)
7.1.4. Autocorrelación espacial positiva y negativa
7.2. Variograma
7.2.1. Variograma experimental: cálculo e interpretación
7.2.2. Modelos teóricos: esférico, exponencial, gaussiano
7.2.3. Parámetros: nugget, sill, range
7.2.4. Anisotropía y variogramas direccionales
7.3. Métodos de interpolación
7.3.1. Determinísticos: IDW (Inverse Distance Weighting), spline, TIN
7.3.2. Geoestadísticos: kriging simple, ordinario, universal, co-kriging
7.3.3. Kriging de indicadores (variables categóricas)
7.3.4. Comparación y criterios de selección
7.4. Validación e incertidumbre
7.4.1. Validación cruzada (cross-validation)
7.4.2. RMSE, ME, MAE
7.4.3. Mapas de varianza de kriging (incertidumbre)
7.4.4. Simulación condicional: múltiples realizaciones
🧪 Práctica 7.1
Interpolar una superficie de concentración de arsénico en aguas subterráneas a partir de 80 puntos de muestreo. Calcular variograma, aplicar kriging ordinario y generar mapa de incertidumbre. Comparar con IDW.
📊 Estudio de caso
Modelamiento de la contaminación de suelos en el área periurbana de Santa Cruz de la Sierra mediante kriging.
💻 Reto de programación
Implementar en Python (PyKrige, GSTools) un script que: cargue puntos, calcule variograma automático, seleccione el mejor modelo, genere el ráster interpolado y el mapa de varianza.
📝 Resumen
La geoestadística permite transformar muestras puntuales en superficies continuas con incertidumbre cuantificada. El variograma captura la estructura de dependencia espacial; el kriging proporciona la mejor estimación lineal no sesgada. La validación cruzada y los mapas de varianza son indispensables para comunicar la confianza del modelo.
❓ Autoevaluación
1.
¿Qué es una variable regionalizada? Dé dos ejemplos.
2.
¿Qué representan nugget, sill y range en un variograma?
3.
¿Por qué el kriging es superior al IDW cuando existe autocorrelación espacial?
4.
¿Qué información aporta el mapa de varianza de kriging?
5.
¿Cuándo es apropiado usar co-kriging en lugar de kriging simple?
CAPÍTULO 8 · Autocorrelación espacial y regresión geográficamente ponderada
Carga horaria: 6 h (3,5 T + 2,5 P) · Semana 8
Objetivos de aprendizaje
1.
Calcular e interpretar índices de autocorrelación espacial global y local.
2.
Identificar clusters espaciales y outliers geográficos.
3.
Aplicar regresión geográficamente ponderada (GWR).
4.
Detectar no-estacionariedad espacial en las relaciones entre variables.
8.1. Autocorrelación espacial global
8.1.1. Índice de Moran’s I: formulación e interpretación
8.1.2. Geary’s C
8.1.3. Test de permutación y significancia
8.1.4. Diagrama de dispersión de Moran (Moran scatterplot)
8.2. Autocorrelación espacial local (LISA)
8.2.1. Local Moran’s I (LISA)
8.2.2. Getis-Ord Gi* (hot spots y cold spots)
8.2.3. Mapas de clusters: HH, LL, HL, LH
8.2.4. Interpretación territorial: ¿dónde se concentran los fenómenos?
8.3. Regresión espacial
8.3.1. Regresión lineal clásica y violación de independencia espacial
8.3.2. Modelos de rezago espacial (SAR) y error espacial (SEM)
8.3.3. Regresión Geográficamente Ponderada (GWR): coeficientes locales
8.3.4. Multiscale GWR (MGWR)
8.3.5. Interpretación: relaciones que cambian en el espacio
8.4. Aplicaciones territoriales
8.4.1. Análisis de precios del suelo
8.4.2. Epidemiología espacial: clusters de enfermedad
8.4.3. Criminalidad y seguridad ciudadana
8.4.4. Productividad agrícola y factores edafoclimáticos
🧪 Práctica 8.1
Calcular Moran’s I y LISA sobre indicadores de pobreza municipal en Bolivia. Identificar clusters HH (pobreza alta rodeada de pobreza alta). Aplicar GWR para modelar la relación entre acceso a agua y rendimiento agrícola.
📊 Estudio de caso
Hot spots de deforestación en el departamento de Santa Cruz: análisis LISA multitemporal 2015-2025.
💻 Reto de programación
Implementar en Python (PySAL, mgwr) un análisis completo: Moran global → LISA → GWR → mapa de coeficientes locales. Generar un informe con visualizaciones.
📝 Resumen
La autocorrelación espacial revela que «todo está relacionado con todo, pero las cosas cercanas están más relacionadas» (Tobler). Moran’s I y LISA detectan patrones y clusters; GWR permite que las relaciones entre variables cambien en el espacio. Ignorar la dependencia espacial conduce a modelos estadísticos inválidos.
❓ Autoevaluación
1.
¿Qué indica un Moran’s I de +0,72 con p < 0,01?
2.
¿Qué diferencia hay entre un cluster HH y un outlier HL?
3.
¿Por qué la regresión OLS clásica falla con datos espaciales autocorrelacionados?
4.
¿Qué ventaja ofrece GWR frente a una regresión global?
5.
Interprete un mapa de coeficientes GWR para la variable «distancia a carretera» sobre precio del suelo.
CAPÍTULO 9 · Modelamiento espacial avanzado y simulación de escenarios
Carga horaria: 6 h (3 T + 3 P) · Semana 9
Objetivos de aprendizaje
1.
Diseñar modelos espaciales integrados multicapa.
2.
Aplicar autómatas celulares y modelos basados en agentes para simulación territorial.
3.
Implementar modelos de idoneidad con machine learning espacial.
4.
Simular escenarios de cambio de uso de suelo y expansión urbana.
9.1. Modelos espaciales integrados
9.1.1. Álgebra de mapas avanzada
9.1.2. Modelos de idoneidad con múltiples restricciones
9.1.3. Modelos de flujo: cuencas, escorrentía, transporte
9.1.4. Sensibilidad y análisis de incertidumbre
9.2. Autómatas celulares (CA) y cambio de uso de suelo
9.2.1. Concepto: celdas, estados, vecindad, reglas de transición
9.2.2. Modelos CA-Markov: SLEUTH, MOLUSCE, TerrSet
9.2.3. Calibración y validación con datos históricos
9.2.4. Proyección de expansión urbana 2030-2050
9.3. Modelos basados en agentes (ABM)
9.3.1. Agentes, entorno y reglas de comportamiento
9.3.2. Simulación de decisiones de uso de suelo por agricultores
9.3.3. Integración con SIG: Mesa (Python), NetLogo, GAMA
9.3.4. Escenarios: políticas, incentivos, restricciones
9.4. Machine learning espacial para idoneidad
9.4.1. Random Forest, Gradient Boosting para clasificación espacial
9.4.2. Variables predictoras: distancia, pendiente, clima, acceso
9.4.3. Validación espacial (no aleatoria): k-fold espacial
9.4.4. Interpretabilidad: SHAP values espaciales
🧪 Práctica 9.1
Simular la expansión urbana de un municipio boliviano al año 2040 usando CA-Markov (MOLUSCE en QGIS o Python). Calibrar con imágenes 2010-2020 y proyectar. Evaluar con métricas de acierto.
📊 Estudio de caso
Proyección de la mancha urbana de Warnes al 2040: tres escenarios (tendencial, planificado, restrictivo).
💻 Reto de programación
Construir un modelo Random Forest de idoneidad para cultivo de soya en el norte integrado usando 12 variables predictoras. Validar con k-fold espacial y generar mapa de idoneidad con incertidumbre.
📝 Resumen
El modelamiento espacial avanzado permite pasar de la descripción del territorio a la simulación de futuros posibles. Los autómatas celulares proyectan la expansión urbana; los modelos basados en agentes simulan decisiones individuales; el machine learning espacial identifica patrones de idoneidad. La validación espacial rigurosa es indispensable para que los resultados sean confiables.
❓ Autoevaluación
1.
¿Qué componentes definen un autómata celular aplicado al territorio?
2.
¿Por qué la validación aleatoria es inapropiada para datos espaciales?
3.
¿Qué ventaja ofrece un modelo CA-Markov frente a una simple regresión?
4.
¿Cómo se interpretan los SHAP values en un modelo de idoneidad espacial?
5.
Compare un modelo basado en agentes con un autómata celular para simular deforestación.
📋 Resumen de la Unidad III
La Unidad III dota al estudiante de herramientas de modelamiento espacial riguroso: geoestadística para interpolar superficies con incertidumbre, autocorrelación para detectar patrones y clusters, GWR para relaciones no estacionarias, y simulación (CA, ABM, ML) para proyectar escenarios. El estudiante pasa del análisis descriptivo al modelamiento predictivo y prescriptivo.
⏱️ Distribución horaria Unidad III
UNIDAD IV
TELEDETECCIÓN AVANZADA, LiDAR Y PROCESAMIENTO DE IMÁGENES
Carga horaria de la Unidad: 20 horas (8 teóricas + 12 prácticas)
Semanas: 10 a 12
Competencia de unidad: El estudiante procesa, clasifica y analiza imágenes satelitales y datos LiDAR con técnicas avanzadas, genera productos geoespaciales derivados (índices espectrales, modelos digitales, clasificaciones de cobertura) y los integra en flujos de análisis territorial automatizados.
¿Qué aprenderán los estudiantes en esta Unidad?
En SIG I el estudiante conoció la teledetección como fuente de datos. En SIG II aprenderá a procesar imágenes desde cero: corrección atmosférica, cálculo de índices, clasificación supervisada con machine learning, detección de cambios multitemporal, procesamiento de nubes de puntos LiDAR y generación de modelos digitales de elevación y superficie. Al finalizar, podrá construir un producto de monitoreo territorial continuo.
CAPÍTULO 10 · Procesamiento avanzado de imágenes satelitales
Carga horaria: 8 h (3 T + 5 P) · Semana 10
Objetivos de aprendizaje
1.
Aplicar correcciones radiométricas y atmosféricas a imágenes multiespectrales.
2.
Calcular índices espectrales avanzados (NDVI, NDWI, NDBI, SAVI, EVI).
3.
Implementar clasificación supervisada con machine learning.
4.
Evaluar la precisión de una clasificación con matriz de confusión.
10.1. Preprocesamiento de imágenes
10.1.1. Corrección radiométrica: niveles digitales → radiancia → reflectancia
10.1.2. Corrección atmosférica: DOS, FLAASH, Sen2Cor, ACOLITE
10.1.3. Corrección geométrica: ortorectificación
10.1.4. Enmascaramiento de nubes y sombras
10.2. Índices espectrales
10.2.1. Vegetación: NDVI, EVI, SAVI, NDRE
10.2.2. Agua: NDWI, MNDWI
10.2.3. Suelo urbano: NDBI, UI
10.2.4. Índices de estrés hídrico y salud vegetal
10.2.5. Series temporales de índices: fenología, alertas
10.3. Clasificación supervisada
10.3.1. Selección de áreas de entrenamiento (ROI)
10.3.2. Algoritmos: Random Forest, SVM, Maximum Likelihood, k-NN
10.3.3. Clasificación orientada a objetos (OBIA): segmentación + clasificación
10.3.4. Clasificación con deep learning (U-Net, DeepLabV3+)
10.4. Evaluación de precisión
10.4.1. Matriz de confusión: accuracy global, kappa, F1-score
10.4.2. Validación independiente (no con datos de entrenamiento)
10.4.3. Muestreo estratificado para validación
10.4.4. Reporte de calidad del producto
🧪 Práctica 10.1
Procesar una imagen Sentinel-2 de la zona agrícola de Santa Cruz: corrección Sen2Cor → cálculo de NDVI, NDWI, NDBI → clasificación Random Forest con 6 clases → evaluación con matriz de confusión. Generar mapa de cobertura 2025.
📊 Estudio de caso
Clasificación de cobertura vegetal en el Chaco boliviano: comparación entre Random Forest y SVM con Sentinel-2.
💻 Reto de programación
Automatizar en Python (rasterio, scikit-learn) un pipeline que procese 12 imágenes mensuales Sentinel-2, calcule NDVI y genere una animación de la serie temporal.
📝 Resumen
El procesamiento avanzado de imágenes transforma datos crudos en información territorial accionable. La corrección atmosférica garantiza valores físicos comparables; los índices espectrales extraen información temática; la clasificación supervisada con ML automatiza la cartografía de cobertura. La evaluación rigurosa de precisión es condición indispensable para cualquier producto derivado.
❓ Autoevaluación
1.
¿Por qué es necesaria la corrección atmosférica antes de comparar imágenes de distintas fechas?
2.
¿Qué diferencia hay entre NDVI y EVI?
3.
¿Qué ventajas ofrece la clasificación orientada a objetos (OBIA) frente a la pixel-based?
4.
¿Por qué la validación debe ser independiente de los datos de entrenamiento?
5.
Interprete un kappa de 0,78 en una clasificación de 6 clases.
CAPÍTULO 11 · Detección de cambios multitemporal y series temporales
Carga horaria: 6 h (2,5 T + 3,5 P) · Semana 11
Objetivos de aprendizaje
1.
Diseñar metodologías de detección de cambios entre dos o más fechas.
2.
Aplicar técnicas post-clasificación, álgebra de bandas y métodos directos.
3.
Analizar series temporales densas para alertas tempranas.
4.
Cuantificar tasas de cambio: deforestación, expansión urbana, pérdida agrícola.
11.1. Métodos de detección de cambios
11.1.1. Post-clasificación: comparar mapas de cobertura de dos fechas
11.1.2. Álgebra de imágenes: diferencia, ratio, regresión
11.1.3. Métodos directos: clasificación multitemporal conjunta
11.1.4. Change Vector Analysis (CVA)
11.2. Series temporales densas
11.2.1. Plataformas: Sentinel-2 (5 días), Landsat (16 días), Planet (diario)
11.2.2. Composición de mosaicos libres de nubes
11.2.3. Análisis de tendencias y rupturas (BFAST, LandTrendr)
11.2.4. Alertas tempranas: deforestación, inundación, sequía
11.3. Cuantificación y reporte
11.3.1. Matrices de transición: de cobertura A a cobertura B
11.3.2. Tasas anuales de cambio (%)
11.3.3. Mapas de ganancia/pérdida
11.3.4. Reportes para política pública y auditoría territorial
11.4. Integración con SIG y plataformas
11.4.1. Resultados como capas raster/vectoriales en PostGIS
11.4.2. Dashboards de monitoreo en tiempo cuasi-real
11.4.3. Google Earth Engine como plataforma de procesamiento a escala
11.4.4. APIs de alertas: Global Forest Watch, DETER, MapBiomas
🧪 Práctica 11.1
Detectar deforestación entre 2020 y 2025 en una zona del norte de La Paz usando Sentinel-2. Generar matriz de transición, calcular tasa anual y crear un mapa de ganancia/pérdida de bosque.
📊 Estudio de caso
Monitoreo de la frontera agrícola en el municipio de San Julián (Santa Cruz): 2015-2025 con Landsat y Sentinel-2.
💻 Reto de programación
Construir en Google Earth Engine un script que calcule la tasa de deforestación mensual para un polígono de interés y exporte los resultados como serie temporal CSV.
📝 Resumen
La detección de cambios multitemporal permite cuantificar la transformación del territorio y generar alertas tempranas. Las series temporales densas (Sentinel-2, Planet) han revolucionado el monitoreo continuo. La integración con SIG y dashboards convierte los resultados en herramientas de gestión y política pública.
❓ Autoevaluación
1.
¿Qué diferencia hay entre detección de cambios post-clasificación y álgebra de imágenes?
2.
¿Por qué es importante el mosaico libre de nubes en series temporales?
3.
¿Qué información aporta una matriz de transición?
4.
¿Cómo se calcula la tasa anual de deforestación?
5.
Describa un flujo completo de alerta temprana de deforestación.
CAPÍTULO 12 · LiDAR, nubes de puntos y modelos digitales 3D
Carga horaria: 6 h (2,5 T + 3,5 P) · Semana 12
Objetivos de aprendizaje
1.
Comprender los fundamentos del escaneo LiDAR aéreo, terrestre y con dron.
2.
Procesar nubes de puntos: filtrado, clasificación, generación de MDE/MDS.
3.
Extraer información derivada: alturas de vegetación, volúmenes, perfiles.
4.
Integrar LiDAR con SIG para modelamiento 3D del territorio.
12.1. Fundamentos LiDAR
12.1.1. Principio de funcionamiento: tiempo de vuelo, intensidad, retornos múltiples
12.1.2. Plataformas: aerotransportado (ALS), terrestre (TLS), dron (UAV-LiDAR), satelital (GEDI, ICESat-2)
12.1.3. Densidad de puntos, precisión vertical y horizontal
12.1.4. Formatos: LAS, LAZ, E57, PLY
12.2. Procesamiento de nubes de puntos
12.2.1. Software: PDAL, LAStools, CloudCompare, lidR (R)
12.2.2. Filtrado de ruido y clasificación: suelo, vegetación, edificios, agua
12.2.3. Generación de Modelo Digital de Elevación (MDE/DTM)
12.2.4. Generación de Modelo Digital de Superficie (MDS/DSM)
12.2.5. Modelo de altura de vegetación (CHM = DSM – DTM)
12.3. Extracción de información
12.3.1. Inventario forestal: altura, densidad, biomasa
12.3.2. Modelamiento urbano: volúmenes edificatorios, sombras
12.3.3. Infraestructura: perfiles viales, líneas eléctricas
12.3.4. Geomorfología: pendientes, curvaturas, cuencas
12.4. Integración con SIG y 3D
12.4.1. Rasterización y vectorización de productos LiDAR
12.4.2. Visualización en CesiumJS, Potree, QGIS 3D
12.4.3. Integración con BIM para modelamiento de infraestructura
12.4.4. Almacenamiento de nubes de puntos en PostGIS (pc extension)
🧪 Práctica 12.1
Procesar una nube de puntos LiDAR de dron (formato LAS): clasificar suelo/vegetación/edificios con PDAL → generar MDE y MDS → calcular CHM → visualizar en QGIS 3D y Potree.
📊 Estudio de caso
Levantamiento LiDAR con dron para modelamiento 3D del centro histórico de un municipio boliviano: precisión y aplicaciones.
💻 Reto de programación
Escribir un script Python (PDAL + rasterio) que procese automáticamente una nube de puntos: clasificar, generar MDE a 0,5 m, calcular volumen de un talud y exportar el resultado como GeoTIFF y reporte PDF.
📝 Resumen
El LiDAR proporciona la tercera dimensión del territorio con precisión centimétrica. El procesamiento de nubes de puntos permite generar MDE, MDS, modelos de vegetación y volúmenes. Su integración con SIG, BIM y plataformas 3D habilita el modelamiento territorial completo, desde el subsuelo hasta las copas de los árboles.
❓ Autoevaluación
1.
¿Qué diferencia hay entre MDE y MDS?
2.
¿Qué son los retornos múltiples en LiDAR y por qué son útiles?
3.
¿Cómo se calcula el modelo de altura de vegetación (CHM)?
4.
¿Qué ventajas ofrece UAV-LiDAR frente a LiDAR aerotransportado?
5.
Describa el flujo completo desde la captura LiDAR hasta un modelo 3D urbano.
📋 Resumen de la Unidad IV
La Unidad IV profundiza en la adquisición y procesamiento avanzado de datos de sensores remotos. El estudiante domina el procesamiento de imágenes satelitales (corrección, índices, clasificación ML), la detección de cambios multitemporal y el procesamiento de nubes de puntos LiDAR. Al finalizar, puede construir productos de monitoreo territorial continuo con rigor metodológico.
⏱️ Distribución horaria Unidad IV
UNIDAD V
GEOAI APLICADA: DEEP LEARNING GEOESPACIAL Y AUTOMATIZACIÓN INTELIGENTE
Carga horaria de la Unidad: 18 horas (8 teóricas + 10 prácticas)
Semanas: 13 a 14
Competencia de unidad: El estudiante implementa modelos de deep learning aplicados a datos geoespaciales (segmentación semántica, detección de objetos, predicción espacial), diseña flujos de MLOps geoespacial y construye sistemas de agentes inteligentes para monitoreo territorial automatizado.
¿Qué aprenderán los estudiantes en esta Unidad?
En SIG I el estudiante conoció los fundamentos conceptuales de GeoAI. En SIG II aprenderá a implementar modelos de deep learning geoespacial: arquitecturas U-Net y DeepLabV3+ para segmentación de imágenes, YOLO y Faster R-CNN para detección de objetos, redes recurrentes y transformers para series temporales espaciales. Además, diseñará pipelines MLOps geoespaciales y construirá un sistema de agentes inteligentes para monitoreo territorial.
CAPÍTULO 13 · Deep Learning para imágenes geoespaciales
Carga horaria: 8 h (3,5 T + 4,5 P) · Semana 13
Objetivos de aprendizaje
1.
Implementar segmentación semántica de imágenes satelitales con U-Net y DeepLabV3+.
2.
Aplicar detección de objetos (edificios, vehículos, cultivos) con YOLO/Faster R-CNN.
3.
Preparar datasets geoespaciales de entrenamiento y validación.
4.
Evaluar métricas específicas: IoU, mIoU, F1, mAP.
13.1. Fundamentos de DL geoespacial
13.1.1. De la clasificación pixel-based a la segmentación profunda
13.1.2. Arquitecturas convolucionales (CNN) aplicadas a imágenes multiespectrales
13.1.3. Transfer learning y modelos preentrenados
13.1.4. Datos multiespectrales vs. RGB: canales adicionales (NIR, SWIR)
13.2. Segmentación semántica
13.2.1. U-Net: arquitectura encoder-decoder con skip connections
13.2.2. DeepLabV3+: atrous convolution y ASPP
13.2.3. Segmenter, Mask2Former: arquitecturas transformer
13.2.4. Datasets de referencia: SpaceNet, Inria, Sentinel-2 segmentation
13.2.5. Métricas: IoU, mIoU, Dice, F1 por clase
13.3. Detección de objetos
13.3.1. YOLOv8/v9, Faster R-CNN, DETR
13.3.2. Detección de edificios, vehículos, árboles, cuerpos de agua
13.3.3. Datasets: xView, DOTA, SpaceNet Detection
13.3.4. Métricas: mAP, precision, recall
13.4. Preparación de datos y aumento
13.4.1. Tiling de imágenes grandes (256×256, 512×512)
13.4.2. Data augmentation: rotación, flip, color jitter, mixup
13.4.3. Anotación: LabelMe, CVAT, SAM (Segment Anything Model)
13.4.4. Balanceo de clases y manejo de desbalance espacial
🧪 Práctica 13.1
Entrenar un modelo U-Net para segmentación de cobertura (urbano, agrícola, bosque, agua) sobre imágenes Sentinel-2 de Santa Cruz. Evaluar con mIoU y generar mapa de predicción.
📊 Estudio de caso
Segmentación automática de edificaciones en Warnes con imágenes de dron y U-Net: precisión vs. digitalización manual.
💻 Reto de programación
Entrenar un modelo YOLOv8 para detectar silos y galpones agroindustriales en imágenes aéreas del norte integrado. Evaluar mAP y generar un mapa de detecciones georreferenciadas.
📝 Resumen
El deep learning geoespacial automatiza tareas que antes requerían miles de horas de digitalización manual. U-Net y DeepLabV3+ segmentan cobertura con precisión pixel a pixel; YOLO detecta objetos individuales. La calidad del dataset de entrenamiento condiciona el resultado. El estudiante ahora puede construir modelos de segmentación y detección desde cero.
❓ Autoevaluación
1.
¿Qué ventaja ofrece U-Net sobre una CNN estándar para segmentación?
2.
¿Qué es el IoU y cómo se interpreta un valor de 0,82?
3.
¿Por qué el data augmentation es crítico en DL geoespacial?
4.
¿Qué diferencia hay entre segmentación semántica y detección de objetos?
5.
Describa el flujo completo desde la imagen cruda hasta el mapa de cobertura con DL.
CAPÍTULO 14 · GeoAI predictiva, series temporales y MLOps geoespacial
Carga horaria: 6 h (2,5 T + 3,5 P) · Semana 14
Objetivos de aprendizaje
1.
Implementar modelos predictivos espaciales con ML/DL (expansión urbana, riesgo, productividad).
2.
Procesar series temporales geoespaciales con LSTM y Transformers.
3.
Diseñar pipelines MLOps geoespaciales: versionamiento, entrenamiento, despliegue, monitoreo.
4.
Evaluar el ciclo de vida de un modelo GeoAI en producción.
14.1. Modelos predictivos espaciales
14.1.1. Predicción de expansión urbana: CA + ML
14.1.2. Modelos de riesgo: inundación, deslizamiento, incendio
14.1.3. Predicción de productividad agrícola: clima + suelo + NDVI
14.1.4. Estimación de demanda de servicios urbanos
14.2. Series temporales geoespaciales con DL
14.2.1. LSTM y GRU para secuencias de NDVI
14.2.2. Transformers temporales (Temporal Fusion Transformer)
14.2.3. Predicción de rendimiento de cultivos con series Sentinel-2
14.2.4. Detección de anomalías temporales
14.3. MLOps geoespacial
14.3.1. Versionamiento de datos y modelos: DVC, MLflow
14.3.2. Entrenamiento reproducible: Docker, GPU, cloud
14.3.3. Despliegue: modelos como servicios (REST API, TorchServe, TensorFlow Serving)
14.3.4. Monitoreo de drift: cambio de distribución espacial/temporal
14.3.5. Retrain automatizado
14.4. Ética y sesgo en GeoAI
14.4.1. Sesgo en datos de entrenamiento (subrepresentación rural)
14.4.2. Interpretabilidad: ¿por qué el modelo predice esto?
14.4.3. Impacto territorial de predicciones erróneas
14.4.4. Responsabilidad en la toma de decisiones asistida por IA
🧪 Práctica 14.1
Construir un modelo LSTM que prediga el NDVI (proxy de productividad) a 3 meses para una zona agrícola usando series Sentinel-2. Implementar el pipeline con MLflow para versionamiento.
📊 Estudio de caso
Predicción de riesgo de inundación en la cuenca del Río Grande (Santa Cruz) con Random Forest y variables topográficas, climáticas e hidrológicas.
💻 Reto de programación
Desplegar el modelo de segmentación del Cap. 13 como una API REST (FastAPI + TorchServe) que reciba una imagen y devuelva un GeoTIFF con la clasificación.
📝 Resumen
La GeoAI predictiva permite anticipar escenarios territoriales; las series temporales con LSTM/Transformers capturan dinámicas estacionales y tendencias. MLOps geoespacial garantiza que los modelos sean reproducibles, desplegables y monitoreables en producción. La ética y la interpretabilidad son condiciones indispensables para la confianza en las decisiones asistidas por IA.
❓ Autoevaluación
1.
¿Qué ventaja ofrece un LSTM sobre un Random Forest para series temporales de NDVI?
2.
¿Qué es el «drift» en un modelo GeoAI y cómo se detecta?
3.
¿Por qué es importante el versionamiento de datos en MLOps geoespacial?
4.
¿Qué riesgo ético implica un modelo de riesgo de inundación con sesgo?
5.
Describa el ciclo de vida completo de un modelo GeoAI desde el entrenamiento hasta la producción.
CAPÍTULO 15 · Sistemas de agentes inteligentes y orquestación GeoAI
Carga horaria: 4 h (2 T + 2 P) · Semana 14
Objetivos de aprendizaje
1.
Diseñar la arquitectura de un sistema multiagente geoespacial.
2.
Implementar agentes especializados con reglas de detección y alerta.
3.
Construir un orquestador que coordine agentes y consolide resultados.
4.
Integrar agentes con fuentes de datos en tiempo cuasi-real.
15.1. Arquitectura de agentes geoespaciales
15.1.1. Percepción: ingesta de datos (imágenes, sensores, APIs)
15.1.2. Razonamiento: reglas, modelos ML, umbrales
15.1.3. Acción: alertas, reportes, actualización de BD, activación de workflows
15.1.4. Comunicación: mensajería entre agentes (MQTT, RabbitMQ, Kafka)
15.2. Implementación de agentes especializados
15.2.1. Agente Catastro: detección de cambios parcelarios con imágenes
15.2.2. Agente Ambiental: alertas de deforestación con NDVI
15.2.3. Agente Urbano: expansión de mancha urbana
15.2.4. Agente de Riesgos: umbrales de precipitación + pendiente
15.2.5. Agente Agrícola: fenología y estrés hídrico
15.3. Orquestador GeoAI
15.3.1. Coordinación: secuencia, paralelismo, prioridades
15.3.2. Fusión de resultados de múltiples agentes
15.3.3. Generación de reportes integrados
15.3.4. Panel de control y dashboard de agentes
15.4. Integración con plataformas existentes
15.4.1. Conexión con PostGIS, GeoServer, APIs municipales
15.4.2. Disparadores: cron, webhooks, eventos de sensores
15.4.3. Escalabilidad: contenedores, Kubernetes
15.4.4. Frameworks: LangChain/LangGraph (agentes LLM), CrewAI, AutoGen
🧪 Práctica 15.1
Implementar en Python un sistema de 3 agentes (catastro, ambiental, vial) que se ejecuten sobre una base PostGIS, detecten cambios y envíen alertas a un dashboard. El orquestador coordina la ejecución y genera un reporte consolidado.
📊 Estudio de caso
Sistema de alerta temprana de deforestación para un municipio amazónico boliviano: agente ambiental + imágenes Planet + notificación municipal.
💻 Reto de programación
Agregar un «Agente Auditor» que cruce información catastral con registros de inversión pública y detecte inconsistencias espaciales (proyectos registrados fuera del municipio, duplicaciones).
📝 Resumen
Los sistemas multiagente geoespaciales distribuyen la inteligencia territorial en módulos especializados, autónomos y coordinados. Cada agente percibe, razona y actúa sobre su dominio. El orquestador GeoAI consolida resultados y genera una visión integrada. Esta arquitectura permite el monitoreo territorial continuo y automatizado a escala municipal, departamental o nacional.
❓ Autoevaluación
1.
¿Qué tres funciones básicas cumple un agente geoespacial?
2.
¿Cómo se comunican los agentes entre sí?
3.
¿Qué ventaja ofrece una arquitectura multiagente frente a un monolito de análisis?
4.
¿Cómo se integra un agente con imágenes Planet en tiempo cuasi-real?
5.
Describa el flujo del Agente Catastro desde la imagen hasta la alerta.
📋 Resumen de la Unidad V
La Unidad V lleva al estudiante a la implementación real de inteligencia geoespacial: segmentación con U-Net, detección con YOLO, predicción con LSTM/Transformers, MLOps para producción y sistemas multiagente para monitoreo automatizado. El estudiante deja de «conocer» la GeoAI para construirla y operarla.
⏱️ Distribución horaria Unidad V
UNIDAD VI
IMPLEMENTACIÓN TERRITORIAL, GEMELO DIGITAL Y PROYECTO INTEGRADOR
Carga horaria de la Unidad: 18 horas (8 teóricas + 10 prácticas)
Semanas: 15 a 16
Competencia de unidad: El estudiante integra todos los conocimientos de SIG II para diseñar, implementar y defender un proyecto geoespacial completo orientado a un problema territorial real, incorporando gemelos digitales, gestión de proyectos y comunicación profesional.
¿Qué aprenderán los estudiantes en esta Unidad?
La Unidad VI es la unidad de culminación profesional. El estudiante integrará bases de datos espaciales, APIs, análisis avanzado, teledetección, GeoAI y sistemas de agentes en un proyecto implementable para un territorio real. Aprenderá a diseñar gemelos digitales territoriales, gestionar proyectos geoespaciales con metodologías ágiles y comunicar resultados a tomadores de decisiones. Al finalizar, defenderá un proyecto integrador ante un tribunal.
CAPÍTULO 16 · Gemelos digitales territoriales: diseño e implementación
Carga horaria: 6 h (2,5 T + 3,5 P) · Semana 15
Objetivos de aprendizaje
1.
Diseñar la arquitectura técnica de un gemelo digital territorial.
2.
Integrar SIG 3D, BIM, IoT, datos en tiempo real y simulación.
3.
Implementar un prototipo funcional con CesiumJS/Unreal Engine.
4.
Formular y ejecutar escenarios de simulación territorial.
16.1. Arquitectura del gemelo digital territorial
16.1.1. Capa física: sensores IoT, GNSS, estaciones meteorológicas, cámaras
16.1.2. Capa de datos: SIG 3D, BIM, nubes de puntos, series temporales
16.1.3. Capa de modelos: simulación hidráulica, tráfico, crecimiento, energía
16.1.4. Capa de inteligencia: GeoAI, agentes, predicción
16.1.5. Capa de visualización: 3D inmersivo, realidad aumentada, dashboards
16.1.6. Capa de decisión: escenarios, recomendaciones, monitoreo
16.2. Integración SIG–BIM–IoT
16.2.1. Modelos BIM (IFC) en contexto territorial (CityGML)
16.2.2. Sensores IoT: flujo de datos en tiempo real (MQTT → API → dashboard)
16.2.3. Nubes de puntos LiDAR como base geométrica 3D
16.2.4. Sincronización entre mundo físico y representación virtual
16.3. Simulación de escenarios
16.3.1. Escenarios de infraestructura: nueva carretera, puente, red de agua
16.3.2. Escenarios climáticos: inundación, isla de calor
16.3.3. Escenarios de crecimiento: expansión urbana, demanda de servicios
16.3.4. Evaluación multicriterio de alternativas
16.4. Tecnologías habilitadoras
16.4.1. CesiumJS: globo 3D web, 3D Tiles
16.4.2. Unreal Engine / Unity: visualización inmersiva
16.4.3. NVIDIA Omniverse: simulación física
16.4.4. Plataformas IoT: ThingsBoard, Node-RED, Azure Digital Twins
🧪 Práctica 16.1
Construir un prototipo de gemelo digital de una zona urbana: MDE + edificios 3D (OSM extruidos) + red vial + sensores IoT simulados → visualizar en CesiumJS. Simular un escenario de inundación con datos de elevación.
📊 Estudio de caso
Gemelo digital del centro de Santa Cruz de la Sierra: integración BIM-SIG para gestión del patrimonio y planificación de infraestructura.
💻 Reto de programación
Agregar al prototipo un módulo de simulación: el usuario selecciona «construir nuevo puente» y el sistema recalcula tiempos de viaje y áreas de servicio.
📝 Resumen
El gemelo digital territorial es la culminación de la evolución del SIG: una réplica virtual del territorio alimentada por datos en tiempo real, modelos de simulación e inteligencia artificial. Permite experimentar antes de construir, evaluar escenarios y optimizar la inversión pública. Su implementación requiere integrar SIG, BIM, IoT, IA y visualización 3D en una arquitectura coherente.
❓ Autoevaluación
1.
¿Qué seis capas componen la arquitectura de un gemelo digital territorial?
2.
¿Cómo se integra un modelo BIM (IFC) con un SIG territorial (CityGML)?
3.
¿Qué papel cumplen los sensores IoT en un gemelo digital?
4.
Describa un escenario de simulación para una nueva línea de transporte público.
5.
¿Qué tecnologías usaría para un gemelo digital municipal con presupuesto limitado?
CAPÍTULO 17 · Gestión de proyectos geoespaciales y comunicación profesional
Carga horaria: 4 h (2,5 T + 1,5 P) · Semana 15
Objetivos de aprendizaje
1.
Planificar y gestionar proyectos geoespaciales con metodologías ágiles.
2.
Estimar costos, plazos y recursos de un proyecto SIG.
3.
Elaborar informes técnicos y presentaciones para tomadores de decisiones.
4.
Aplicar principios de ética, transparencia y sostenibilidad en proyectos territoriales.
17.1. Gestión de proyectos geoespaciales
17.1.1. Ciclo de vida: diagnóstico → diseño → implementación → capacitación → operación → actualización
17.1.2. Metodologías ágiles: Scrum, Kanban aplicados a proyectos SIG
17.1.3. Estimación de costos: datos, software, hardware, personal, capacitación
17.1.4. Gestión de riesgos técnicos e institucionales
17.1.5. Indicadores de éxito y sostenibilidad
17.2. Comunicación de resultados
17.2.1. Cartografía efectiva: semiología, diseño, claridad
17.2.2. Informes técnicos: estructura, lenguaje, evidencias
17.2.3. Presentaciones ejecutivas: dashboards, mapas, indicadores
17.2.4. Comunicación a públicos no técnicos: autoridades, comunidad
17.2.5. Publicación científica y divulgación
17.3. Ética y responsabilidad profesional
17.3.1. Privacidad y datos personales georreferenciados
17.3.2. Sesgos en datos y modelos
17.3.3. Transparencia algorítmica en decisiones territoriales
17.3.4. Propiedad intelectual y licenciamiento de datos
17.3.5. Impacto social de las decisiones basadas en SIG
🧪 Práctica 17.1
Elaborar un plan de proyecto para implementar un SIG municipal integral: cronograma Gantt, presupuesto, equipo, riesgos y estrategia de capacitación. Redactar un informe ejecutivo de 2 páginas para el alcalde.
📊 Estudio de caso
Lecciones aprendidas en la implementación del SIG del Gobierno Autónomo Municipal de Santa Cruz de la Sierra: aciertos, errores y factores de sostenibilidad.
📝 Resumen
Un proyecto geoespacial exitoso no depende solo de la tecnología: requiere planificación, gestión de recursos, comunicación efectiva y compromiso ético. El profesional geoespacial debe ser capaz de traducir resultados técnicos en decisiones comprensibles para autoridades y ciudadanos. La sostenibilidad del sistema depende de la capacitación institucional y la actualización continua.
❓ Autoevaluación
1.
¿Cuáles son las fases del ciclo de vida de un proyecto SIG municipal?
2.
¿Por qué las metodologías ágiles son apropiadas para proyectos geoespaciales?
3.
¿Cómo se comunica un resultado de GeoAI a un concejal sin formación técnica?
4.
¿Qué riesgos éticos implica publicar datos catastrales georreferenciados?
5.
Describa tres indicadores de éxito para un proyecto de SIG municipal.
CAPÍTULO 18 · Proyecto integrador final: diseño, implementación y defensa
Carga horaria: 8 h (3 T + 5 P) · Semana 16
Objetivos de aprendizaje
1.
Integrar todas las competencias de SIG II en un proyecto territorial real.
2.
Diseñar la arquitectura completa: datos, BD, API, análisis, GeoAI, visualización.
3.
Implementar un prototipo funcional con datos reales.
4.
Defender el proyecto ante un tribunal con argumentación técnica y territorial.
18.1. Formulación del proyecto
18.1.1. Selección de problema territorial real (municipio, región, sector productivo)
18.1.2. Diagnóstico: ¿qué información existe? ¿qué falta? ¿quién la necesita?
18.1.3. Objetivos, alcance, beneficiarios
18.1.4. Arquitectura técnica propuesta
18.2. Componentes obligatorios del proyecto
18.2.1. Base de datos espacial diseñada e implementada (PostGIS)
18.2.2. Pipeline ETL automatizado (al menos una fuente)
18.2.3. API REST geoespacial funcional (al menos 5 endpoints)
18.2.4. Análisis espacial avanzado (geoestadística, modelamiento o multicriterio)
18.2.5. Componente de teledetección o LiDAR (clasificación, detección de cambios o MDE)
18.2.6. Componente GeoAI (segmentación, predicción o agente inteligente)
18.2.7. Visualización: dashboard o geoportal web funcional
18.2.8. Documentación técnica y manual de usuario
18.3. Implementación y desarrollo
18.3.1. Trabajo en equipos de 3-4 estudiantes
18.3.2. Sprints semanales con entregables
18.3.3. Repositorio Git con código, datos y documentación
18.3.4. Tutorías y revisiones intermedias
18.4. Defensa y evaluación
18.4.1. Presentación oral (30 min) ante tribunal
18.4.2. Demostración en vivo del sistema funcional
18.4.3. Preguntas del tribunal: arquitectura, decisiones, limitaciones, ética
18.4.4. Informe final escrito (máx. 40 páginas)
18.4.5. Rúbrica de evaluación (ver Apéndice D)
18.5. Temas sugeridos para proyectos
18.5.1. Sistema de información territorial integral para un municipio boliviano
18.5.2. Plataforma de monitoreo agrícola con GeoAI para el norte integrado
18.5.3. Gemelo digital de una cuenca hidrográfica para gestión de riesgos
18.5.4. Observatorio de transparencia territorial con agentes auditores
18.5.5. Sistema de alerta temprana de expansión urbana descontrolada
18.5.6. Dashboard logístico agroindustrial con optimización de rutas
18.5.7. Catastro 3D con LiDAR y BIM para gestión de infraestructura municipal
18.5.8. Plataforma de epidemiología espacial con predicción de brotes
🧪 Práctica 18.1
Implementación del proyecto integrador en sprints. Semana 16: integración final, pruebas, documentación y defensa.
📊 Estudio de caso
Los proyectos integradores como semillero de soluciones territoriales: casos exitosos de vinculación con gobiernos municipales y empresas agroindustriales.
📝 Resumen
El proyecto integrador es la síntesis de todo el aprendizaje de SIG II. El estudiante demuestra que puede diseñar, construir, operar y comunicar un sistema geoespacial completo orientado a un problema territorial real. No es un ejercicio académico abstracto: es una solución implementable que puede ser adoptada por un municipio, una empresa o una institución pública.
❓ Autoevaluación
1.
¿Cuáles son los ocho componentes obligatorios del proyecto integrador?
2.
¿Cómo se garantiza la sostenibilidad del sistema una vez entregado?
3.
¿Qué papel cumple la ética en el diseño de un sistema de vigilancia territorial?
4.
¿Cómo se evalúa la calidad de un proyecto integrador?
5.
Describa cómo un proyecto integrador puede convertirse en una política pública municipal.
📋 Resumen de la Unidad VI
La Unidad VI cierra el libro con la implementación real y la profesionalización. El gemelo digital territorial representa la frontera tecnológica; la gestión de proyectos y la comunicación preparan para el ejercicio profesional; el proyecto integrador demuestra la competencia plena. El estudiante egresa como un profesional capaz de liderar proyectos de inteligencia geoespacial territorial.
⏱️ Distribución horaria Unidad VI
CUADRO CONSOLIDADO DE CARGA HORARIA – SIG II
CUADRO COMPARATIVO SIG I vs. SIG II
ESTRUCTURA DE CADA CAPÍTULO SIG II (plantilla estándar)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
CAPÍTULO N · Título
├── 🎯 Objetivos de aprendizaje (3-5)
├── N.1. Sección principal
│ ├── N.1.1. Subsección
│ ├── N.1.2. Subsección
│ └── N.1.3. Subsección
├── N.2. Sección principal
│ ├── N.2.1. Subsección
│ └── N.2.2. Subsección
├── N.3. Sección principal
├── N.4. Sección principal (si aplica)
├── 🧪 Práctica / Laboratorio guiado (con entregable)
├── 📊 Estudio de caso contextualizado
├── 💻 Reto de programación / modelamiento
Ver todo
ÍNDICE GENERAL – SIG II
1
2
3
4
5
6
7
8
9
10
11
12
13
14
PRÓLOGO: De la comprensión a la construcción
INTRODUCCIÓN GENERAL
· Relación con SIG I: qué se asume y qué se profundiza
· El perfil del egresado: de analista a arquitecto geoespacial
· Estructura del libro y progresión competencial
· Entorno tecnológico: Python, PostGIS, FastAPI, Leaflet, PyTorch, PDAL
· Cómo usar este libro

UNIDAD I · INGENIERÍA DE DATOS GEOESPACIALES Y BASES DE DATOS AVANZADAS
Capítulo 1 · Diseño y administración avanzada de bases de datos espaciales
Capítulo 2 · Pipelines ETL geoespaciales y automatización de datos
Capítulo 3 · Infraestructura de datos espaciales (IDE) e interoperabilidad

UNIDAD II · DESARROLLO FULL-STACK GEOESPACIAL: SIG WEB, APIs Y APLICACIONES
Ver todo
ELEMENTOS INNOVADORES DIFERENCIALES DE SIG II
TRAYECTORIA FORMATIVA COMPLETA: SIG I + SIG II
1
2
3
4
5
6
7
8
9
10
11
12
13
SEMESTRE 1 SEMESTRE 2
SIG I – Geomática Inteligente I → SIG II – Geomática Inteligente II
───────────────────────────── ─────────────────────────────────────
96 h · 20 capítulos · 6 unidades 112 h · 18 capítulos · 6 unidades
Teoría 62% / Práctica 38% Teoría 45% / Práctica 55%

Operador → Técnico → Analista → Desarrollador → Modelador → Arquitecto
→ Científico GeoAI → Director territorial

Evaluación: prácticas + examen Evaluación: proyecto integrador + defensa

Resultado: comprende el SIG Resultado: construye, opera y lidera
y realiza análisis sistemas geoespaciales completos
Nota final. SIG II – Geomática Inteligente II no es una repetición ampliada de SIG I. Es un libro de construcción: mientras SIG I enseñó al estudiante qué es un SIG y cómo analizar el territorio, SIG II le enseña a programar, modelar, automatizar, implementar y liderar sistemas de inteligencia geoespacial completos. El egresado de ambos volúmenes no es un operador de software: es un profesional capaz de diseñar la infraestructura de datos territoriales de un municipio, desarrollar sus plataformas, entrenar modelos de inteligencia artificial y presentar soluciones ante autoridades y comunidades.