7 Tendencias Actuales
7.1 Entendiendo las tendencias de la Geoinformática
Las preguntas sobre el futuro de la geoinformática no son fáciles de responder. Mirar al futuro siempre está asociado a la incertidumbre y la especulación. ¿Cuándo ha acertado por última vez el hombre del tiempo? Sin embargo, la previsión y la proyección de tendencias son fundamentales en todos los ámbitos empresariales. Por lo tanto, la industria de la IG, los científicos de la IG y todos los implicados en la geoinformática tienen que mirar al futuro para identificar las tendencias y prever las posibles necesidades de los clientes, así como para especificar las áreas de investigación básicas y establecer una agenda de investigación.
Ya en 2001, Longley et al. (2001) empezaron a hablar de las limitaciones del desarrollo de los SIG. Ofrecieron dos escenarios contrastados sobre el futuro de los SIG.
Uno de los escenarios era pesimista. Se centraron en las principales limitaciones que en aquel momento podrían haber frenado el desarrollo de los SIG. Hace aproximadamente 10 años, aunque los SIG ya se enseñaban en muchas universidades, colegios y escuelas de todo el mundo, seguía habiendo escasez de personal y usuarios bien formados. El coste tanto del software como de los datos seguía siendo elevado, por lo que se restringía el uso de los SIG. Cuestiones legales como la propiedad de los datos, los derechos de autor y las patentes de software, etc., obstaculizaban el crecimiento. Longley et al. (2015) sugirieron que, si las mejoras en el ancho de banda de la red no superaban la demanda, los usuarios dejarían de utilizar los servicios SIG en línea. Además, había teóricos críticos que no valoraban la vinculación con la corriente científica que los SIG proporcionan a la geografía humana. Y, por último, pero no menos importante, a medida que la tecnología de la información geográfica se integraba cada vez más en ámbitos especializados, existía el peligro de que algunos perdieran de vista los valores fundamentales de los SIG.
En su opinión, ¿se mantienen estas limitaciones? Veamos.
La Iniciativa de la ONU Gestión Global de la Información Geoespacial publicó su visión de 5 a 10 años sobre las tendencias futuras en la gestión de la información geoespacial. Puedes conseguir la 3ª edición de 2020 aquí.
Otras lecturas sobre predicciones:
La geoinformática ha recorrido un largo camino desde que se introdujeron los primeros SIG. Hoy en día la geoinformática es un entorno muy dinámico que llega a nuestra vida cotidiana, el uso de las “geotecnologías” afecta a la sociedad en su conjunto.
En esta lección abordaremos los siguientes temas:
- GeoWeb
- Informática espacial para empresas
- Computación ubicua y redes de sensores
- Inteligencia Artificial
- SIG en la nube
- Software de código y datos abiertos
- Modelización y simulación multidimensional
- Perspectivas de futuro
7.2 Web geoespacial
La Web Geoespacial – también conocida como GeoWeb – se refiere a los geoservicios completos en la Web que van más allá de la cartografía clásica basada en la Web y la visualización geoespacial. En 2008, Dangermond la identificó como un desarrollo revolucionario para los próximos 5 años, que “permite compartir ampliamente mapas y datos, y abre el acceso a las aplicaciones SIG a todo el mundo”, …¡tenía razón!
El componente básico de una GeoWeb es un geonavegador, siendo Google Maps, Here Maps, Bing Maps y OpenStreetMap ejemplos destacados.
Los proveedores de geonavegadores han conseguido algo que muchas instituciones gubernamentales y no gubernamentales llevaban años intentando; gracias a una usabilidad extremadamente sencilla y a la disponibilidad de interfaces de programación de aplicaciones (API) han hecho posible el uso extensivo de la información espacial por parte de los profanos en la vida cotidiana.
- Mash-ups: Fusión de elementos o información de varias fuentes en función de su ubicación geográfica. El mapa sirve de plataforma. Para ver ejemplos, véase la manía de los mapas del blog de Google.
- Etiquetado: Recogida y valoración de información basada en la localización, a través de comentarios, fotos, vídeos, etc.
- Cartografía colaborativa: Mapeo y recopilación de información relevante sobre un tema determinado utilizando el mapa como interfaz visual.
- Servicios basados en la localización: La información se entregará a las personas con preferencia particular y en lugares concretos, de forma oportuna y directamente a su teléfono inteligente.
Además de las plataformas comerciales, también se ha establecido un interesante desarrollo social. Se trata de la contribución (más o menos) voluntaria de conjuntos de datos espaciales, o información geográfica voluntaria (VGI). En este caso, el usuario es a la vez: consumidor y productor de información espacial, por lo que a menudo se le denomina “prosumidor”. El ejemplo más destacado en este ámbito de aplicación es el proyecto OpenStreetMap.
OpenStreetMap (OSM) se fundó en 2004 y su objetivo es crear un mapa del mundo abierto y gratuito. La Figura 7.2 muestra una porción de la ciudad de Bogotá, en Colombia, y de la zona que rodea la ciudad. Los miembros de la comunidad OSM utilizan dispositivos GPS o digitalizan datos espaciales a partir de imágenes aéreas de libre acceso para recoger y verificar los datos. Los datos del proyecto OSM se pueden utilizar libremente; no se requieren licencias ni tasas de procesamiento. Mientras tanto, OpenStreetMap es mucho más que un mapa. Algunas partes de los conjuntos de datos de OSM son de una calidad mucho mayor y más detalladas que las disponibles a través de instituciones gubernamentales o empresariales. En consecuencia, hay un número cada vez mayor de proyectos y aplicaciones basados en OpenStreetMap: por ejemplo, en lo que respecta a la accesibilidad, existe OSM para los ciegos o los que utilizan sillas de ruedas (wheelchair routing).
El éxito de la GeoWeb radica en los modelos de negocio subyacentes de las empresas implicadas: los enormes costes de compra e integración de datos espaciales están asociados a los geonavegadores como Google Maps. El modelo de negocio clásico de la industria de la IG se basa en la preparación y venta de productos de IG. En cambio, GeoWeb utiliza enfoques basados en la publicidad/promoción y el marketing: facilita el desarrollo de aplicaciones para los consumidores a través de geonavegadores y API de libre acceso y, por tanto, de uso generalizado.
Si una aplicación tiene éxito, crea una audiencia y gana atención. Los proveedores de estas aplicaciones pueden vender la atención de sus clientes como un producto en un mercado de promoción y así generar ingresos. Al mismo tiempo, los proveedores recopilan información personal y referenciada espacialmente sobre el comportamiento de los usuarios mediante el registro de sus hábitos. De este modo, los proveedores de estas aplicaciones pueden caracterizar el comportamiento del usuario con bastante precisión y aumentar así el valor de la aplicación en el mercado. Así, el usuario no paga en dinero por usar la aplicación, pero su atención e información privada relacionada con el espacio se monetiza. Sin embargo, los grandes actores de este negocio han empezado a cobrar a los proveedores por el uso de los servicios cartográficos subyacentes y las aplicaciones relacionadas de forma tradicional.
Algunos ejemplos:
Además de los innumerables mash-ups, surge una nueva tendencia. Mapas inteligentes, incluyen la posibilidad de realizar una visualización ajustada, así como un análisis (básico). ESRI está impulsando su Geo-Web-Platform ArcGIS Online presentando varias formas de uso.
7.3 Tecnologías de la información espacial para empresas
Al igual que la difusión de los datos espaciales en nuestra vida privada, las empresas también empiezan a utilizar los componentes espaciales de sus datos. Basándonos en un artículo de Steven Benner, de ESRI, analizaremos la evolución del uso de los SIG en las empresas.
Las empresas han empezado a utilizar la parte espacial de sus datos comerciales (por ejemplo, las direcciones de los clientes, la ubicación de las tiendas o las cadenas de suministro) para mejorar la eficacia y facilitar los procesos de colaboración y decisión. Quieren utilizar los datos espaciales dentro de su entorno de software existente, lo que lleva a las empresas de software a crear “sistemas híbridos”, como hicieron SAP (HANA) y Oracle. Por otro lado, las empresas de software GEO, como ESRI o Caliper, ofrecen paquetes a medida para clientes individuales.
Veamos los factores clave de las tecnologías de la información espacial empresarial:
Visualización espacial. El primer paso es hacer visibles los datos en un mapa, darles un contexto geográfico. Los mapas pueden mostrar varias capas de información a la vez, lo que puede dar lugar a nuevos conocimientos o a nuevas preguntas.
Acceso a los datos. La ubicación puede ser la clave para extraer datos de la estructura de datos de cualquier empresa. Un edificio o una tienda sólo tiene una ubicación, pero se puede utilizar esta ubicación para encontrar la información relacionada dentro de todos los sistemas diferentes. Por ejemplo, los sistemas de gestión de información de edificios (BIM) utilizan la ubicación para combinar datos de diferentes niveles jerárquicos y fuentes como la contabilidad, la técnica, la infraestructura y los contactos con los clientes. En cierto modo, el mapa es la interfaz de usuario para acceder a todos los datos.
Actuar. El siguiente paso es no sólo ver y analizar los datos, sino actuar directamente en el mapa. Planificar una cita o una ruta de transporte desde un proveedor o hasta un cliente está a un solo clic. Y al ver la ubicación en el mapa -posiblemente en una imagen de satélite- también se realiza una comprobación visual, que muy probablemente ahorrará dinero y evitará costosos errores.
Análisis espacial. Cada vez más sistemas empresariales integran alguna forma de análisis espacial en su cartera. El análisis espacial suele utilizarse para optimizar los procesos de gestión de infraestructuras, marketing o logística (Figura 7.3).
7.4 Computación ubicua y redes de sensores
Lo que a principios de los años 1990 era todavía una visión para el siglo XXI (formulada por Weiser (1991)), es ahora una realidad en muchos aspectos: el vínculo digital inteligente entre personas, dispositivos y sensores en una red se llama hoy computación ubicua. A diferencia de la realidad virtual, en la que se intenta replicar fielmente la realidad, en la informática ubicua los ordenadores virtuales, las computadoras y los sensores forman parte de la realidad. En este contexto, solemos referirnos a una red digital de cosas reales como la Internet de las cosas (Figura 7.4). El intercambio de información dentro de esta red requiere una conexión entre todos los dispositivos y personas participantes en Internet y la definición de interfaces y protocolos estandarizados para permitir la comunicación.
Uno de los mayores retos sin resolver es el de la percepción del contexto de todos los dispositivos y sensores. Al igual que la percepción humana del espacio, cada herramienta/cosa necesita saber dónde se encuentra y cuál es su relación espacial con los demás objetos de la red. Aquí es donde cobra importancia el enorme potencial de las herramientas y métodos de la geoinformática. Mediante el GPS, la Identificación por Radio-Frecuencia (RFID, siglas en inglés) o la telefonía móvil es posible identificar y localizar los objetos y situarlos en un contexto espacial.
Interpretar significativamente las enormes cantidades de datos, extraer la información y comunicarla en el momento oportuno no es sólo un gran reto tecnológico, sino también conceptual. Independientemente de las numerosas y graves implicaciones sociales y éticas que tiene este campo dentro de la Geoinformática, se espera que siga ganando importancia debido a las numerosas aplicaciones positivas que puede tener.
Una red de sensores ambientales está formada por un conjunto de nodos sensores y un sistema de comunicaciones que permite que sus datos lleguen a un servidor. Los nodos sensores recogen datos de forma autónoma y se suele utilizar una red de datos para transmitirlos a una o varias estaciones base, que los reenvían a un servidor de red de sensores (SNS). Algunos sistemas envían comandos a los nodos para obtener los datos, mientras que otros permiten que los nodos envíen los datos de forma autónoma.
Las redes de geosensores se refieren a la adquisición y (pre)procesamiento de datos con sensores distribuidos en el espacio; los datos registrados se transfieren a un servidor en tiempo real y se almacenan allí. Este sistema es especialmente apto para controlar las propiedades del entorno, como la temperatura de la superficie (Blaschke y Strobl, 2010). Los geosensores son una combinación de microsensores (químicos/biológicos), dispositivos de localización (GPS) y comunicación (inalámbrica). Cada geosensor registra la ubicación, la hora y el valor del sensor. Los métodos espaciotemporales son ideales para los datos recogidos por las redes de geosensores.
Un ejemplo de red de geosensores es el Sistema de Alerta Temprana de Deslizamientos basado en sensores (SLEWS, siglas en inglés), que es un sistema flexible, rentable y fiable que emite avisos sobre posibles deslizamientos de tierra. En este caso, el uso de una red de sensores inalámbrica ad-hoc y multi-salto, combinada con microsensores precisos y de bajo coste, dio lugar a una forma económica y sencilla de establecer un sistema de vigilancia inteligente para la recopilación de datos espaciales en grandes áreas (Fernandez-Steeger et al. 2009). La aplicación se basa en las directrices del Open Geospatial Consortium (OGC) para la monitorización en tiempo real.
El Open Geospatial Consortium (OGC) es un consorcio internacional de más de 530 empresas, agencias gubernamentales, organizaciones de investigación y universidades impulsadas para hacer que la información y los servicios geoespaciales (de localización) sean FAIR – siglas en inglés de Encontrables, Accessibles, Interoperables, y Reusables (OGC 2013)
Aparte de los datos de los sensores pasivos, existe una tendencia a la adquisición activa de datos a través de vehículos aéreos no tripulados (UAV), también conocidos como drones (Figura 7.5). Los drones pueden utilizarse para la teledetección rentable, desde las imágenes aéreas hasta el escaneo láser.
Para obtener una visión general de cómo crear un modelo 3D de una casa utilizando un UAV vea el vídeo (8min) sobre el modelado 3D.
La localización es una de las claves del IoT (Internet de las cosas). El GNSS era la forma de acceder al posicionamiento, pero se están incorporando nuevas tecnologías para mejorar la precisión. Además del WiFi, se utilizan principalmente Bluetooth y RFID para complementar los datos del GNSS. Especialmente para la navegación en interiores, estos sensores cobran importancia, ya que los edificios son los “últimos lugares no cartografiados de la Tierra”.
Los datos espaciales desempeñan un papel importante en muchas aplicaciones que -hace algunos años- sonaban a ciencia ficción:
- Ciudades inteligentes. Infraestructuras urbanas digitales para aumentar la eficiencia del consumo energético, la gestión del tráfico o las infraestructuras de suministro (Figura 7.6)
- Casas inteligentes. Los aparatos domésticos (por ejemplo, el frigorífico, la calefacción, el suministro de energía) están conectados entre sí y con el exterior para comunicarse con el propietario de la vivienda y, además, con la ciudad inteligente para optimizar la infraestructura de suministro (Figura 7.7).
- Vehículos autónomos. Los vehículos están cada vez más integrados en redes ubicuas para las que se necesitan sensores y datos de posicionamiento de gran precisión.
Más información:
7.5 En tiempo real
El tiempo real en este contexto es sólo una aproximación: debido a los límites de capacidad en la transmisión y el procesamiento de datos, siempre hay algún tipo de retraso más o menos largo. Por tanto, hablamos de tiempo casi real. Aprovechando las posibilidades técnicas y el entorno de la informática ubicua, las aplicaciones espaciales en tiempo real son cada vez más importantes.
Técnicamente, un SIG en tiempo real consta de los siguientes componentes
- Determinación de la ubicación actual mediante tecnología móvil, Sistema Global de Navegación por Satélite (GNSS), Identificación por Radiofrecuencia (RFID) o similar
- Datos de medición continuamente actualizados procedentes de redes de sensores.
- Gran ancho de banda para la transmisión de datos
- Alta potencia de cálculo para el procesamiento de datos
- Interfaces definidas para la comunicación entre diferentes unidades
A diferencia de la modelización espacial convencional, que trata de simular situaciones futuras basándose en datos del pasado, en un SIG en tiempo real se procesan, analizan y muestran datos del presente inmediato.
Las aplicaciones en tiempo real pueden utilizarse eficazmente en diversos ámbitos:
- Control del tráfico
- Control de parámetros medioambientales
- Gestión de catástrofes y grandes eventos
- Sistemas de alerta temprana
- Comercialización basada en la localización
En estas aplicaciones, las fuentes de datos pueden ser unidades de medición especializadas (por ejemplo, dispositivo de medición de NOx, dispositivo de recuento de tráfico) y/o sensores indirectos (por ejemplo, dispositivos móviles activos). A pesar de la continua reafirmación de que estos dispositivos de medición y sensores sólo generan datos anónimos y agregados, se producen frecuentes debates sobre la invasión de la privacidad y la protección de datos, a menudo con importantes diferencias culturales. Una rápida búsqueda en Google con palabras clave como “spatial data privacy europe usa” permitirá obtener rápidamente más material de lectura sobre este debate mundial.
Los beneficios de las aplicaciones en tiempo real son evidentes: con la disponibilidad de imágenes precisas que representan la realidad se pueden tomar mejores decisiones en menos tiempo para una situación concreta. Piénsese en aplicaciones tan consolidadas como el control de la contaminación y/o la detección de la carga de tráfico, la limitación automática de la velocidad en las autopistas o la visualización del tiempo restante hasta la llegada de un vehículo de servicio público.
El desafortunado ejemplo de la catástrofe del Love Parade en Duisberg pone de relieve la importancia de conocer la magnitud de cualquier situación que implique a un gran número de personas (Helbing y Mukerji 2012). Las aplicaciones SIG en tiempo real pueden proporcionar seguridad en este tipo de eventos y también ayudar en la gestión de los visitantes.
Un ejemplo de información en tiempo real lo ofrece la ciudad de Singapur con ‘Live Singapore!’.
7.6 Inteligencia Artificial
El término Inteligencia Artificial fue utilizado por primera vez por John McCarthy en el Dartmouth College en 1955. Su objetivo era modelar los procesos abstractos de los procesos de decisión y aprendizaje de los seres humanos, con el fin de construir máquinas que puedan procesarlos. Los impulsores del desarrollo de la IA en la actualidad son las instituciones de investigación, las grandes compañías del sector militar y de seguridad y las empresas como IBM, Microsoft, Amazon, Google o Facebook, principalmente los dominios que necesitan procesar grandes cantidades de datos.
¿Qué es realmente la Inteligencia Artificial? La Figura 7.8 muestra el diagrama de flujo que Karen Hao (2018) creó para un artículo de la revista MIT Technology Review, y que lo resume en su totalidad.
La mayoría de las cosas llamadas IA hoy en día son en realidad Machine Learning y las más sofisticadas son Deep Learning. Esto incluye algoritmos de Amazon, Netflix o Alexa, así como aplicaciones para el reconocimiento biométrico, usos médicos, reconocimiento de patrones temporales, o robótica. Básicamente la IA consiste en reconocer dependencias, patrones y regularidades. Ejemplo: Los humanos “sabemos” cómo es una cara – está en la parte frontal de la cabeza, incluye 2 ojos, 1 nariz, 1 boca… – por lo tanto, no es necesario aprender todas las caras de memoria para reconocer que una persona desconocida tiene una cara.
Si tiene interés en profundizar en el tema de la IA, vea el vídeo de Eduardo Sáenz Cucalón (en español) o el vídeo de Karen Hao (en inglés).
En general, existen 3 tipos de aprendizaje automático
- Supervisado: Como si fuese un perro rastreador, el algoritmo aprende y busca dentro de un conjunto de datos etiquetados
- No supervisado: El algoritmo intenta extraer patrones y regularidades dentro de un conjunto de datos sin etiquetar
- Reforzado: Al igual que un videojuego, el algoritmo aprende por ensayo y error y recibe recompensas por predecir el mejor paso siguiente.
Para más detalles sobre los algoritmos en el aprendizaje automático, lea este artículo del blog.
Hoy en día, uno de los principales objetivos del uso de la IA es la reducción del ruido no especificado y la extracción de la información relevante. Las estructuras espaciales pueden proporcionar posibilidades adicionales de alineación/ordenación, como se muestra en la Figura 7.9
Básicamente, las dos imágenes de la Figura 9 muestran los mismos objetos: camas de sol, sombrillas, agua, cielo, metro grisáceo y palmeras. Sólo con una breve mirada, el ser humano puede distinguir entre el paisaje construido (izquierda) y el natural (derecha). ¿Por qué? El contexto espacial se define por características geométricas como el tamaño, la forma y las relaciones de posición. Simplifica la identificación de objetos individuales y de grupos de objetos. El software de IG puede formalizar estas relaciones y características, así como añadir otras capas para aumentar la eficacia del análisis.
Para más información
- E-Book de Esri “La ciencia del dónde”
- Blog de GeoAI
- Artículo “The Rise of Machine Learning: Cómo utilizar la IA en los SIG”
Los siguientes 4 apartados de esta lección son ejemplos de aplicaciones de la IA en la geoinformática y muestran su creciente importancia en este campo.
7.6.1 Adquisición de datos
Para muchas aplicaciones se necesita una reproducción muy precisa de la realidad. Gracias a la mejora constante de la tecnología de sensores, es posible crear datos de alta resolución. La IA se utiliza para procesar esta gran cantidad de datos de alta calidad, así como para extraer la información relevante y eliminar el ruido. La Figura 7.10 muestra un extracto del vídeo de Here Technologies (2018), sobre el uso de aprendizaje profundo y LiDAR para construir mapas en áreas difíciles.
Para más información:
7.6.2 Análisis de Imágenes
Hoy en día, los satélites miden el mundo con gran detalle, creando datos de gran precisión. Las redes neuronales y el aprendizaje profundo son ya las herramientas para procesar estos datos de teledetección. En el vídeo de AI for good 2018 se ofrece información sobre el uso de la IA en el análisis de imágenes de satélite. Como se muestra en la Figura 7.11, la Inteligencia Artificial (IA) hace un gran trabajo en la clasificación del uso del suelo.
Si desea obtener información detallada sobre la Figura 7.11, lea este artículo blog.
Para más información sobre análisis de imágenes:
7.6.3 Conducción autónoma y tráfico
Las situaciones de tráfico son muy complejas y no pueden ser cubiertas en su totalidad por las normas. Por eso los drones, el reconocimiento de imágenes y la inteligencia artificial desempeñan un papel importante en la creación del futuro de la conducción. Analizando datos de diferentes fuentes se pueden predecir las trayectorias de los distintos participantes en el tráfico (Figura 7.12).
La inteligencia artificial es esencial para la futura conducción totalmente autónoma. Hoy en día ya está implementada en muchos coches, por ejemplo, en el reconocimiento de voz o en la conducción asistida. Los coches autónomos están equipados con sensores, cámaras y sistemas de comunicación que crean constantemente grandes cantidades de datos; sin la IA, procesar esta información en “tiempo real” sería imposible.
Para más información:
- Vista de pájaro de la IA: Aprovechar los drones para mejorar el flujo del tráfico
- Data from the sky ofrece soluciones de IA para el sector del tráfico
- Ejemplo 1 y ejemplo 2 de IA en vehículos autónomos
- Datos de movimiento y SIG
7.6.4 Agricultura de precisión
La necesidad de una agricultura cada vez más eficiente está impulsada por el aumento de la demanda de alimentos y las restricciones en el suministro de tierra y agua. Una investigación patrocinada por Microsoft recopiló datos de sensores en las explotaciones agrícolas con el fin de modelar predicciones precisas y dar recomendaciones a los agricultores. Durante su charla TedX en la Universidad de Rochester, Ranveer Chandra explica cómo lograron reducir los costos de adquisición de datos usando combinaciones de campo con UAVs (Figura 7.14).
7.7 SIG en la nube
La externalización de infraestructuras informáticas, plataformas y software en Internet, denominada colectivamente computación en nube es una tendencia que existe desde hace varios años y se utiliza en muchas aplicaciones a diario, como los servicios de correo electrónico o las plataformas de fotografía y vídeo (Figura 7.15).
A pesar de la ya extensa aplicación de la computación en nube, aún no se ha alcanzado (o ni siquiera se ha pensado) todo su potencial en el desarrollo de más aplicaciones.
Aunque la tecnología de la computación en nube no es nueva, la enorme potencia de cálculo y la disponibilidad de un ancho de banda adecuado para la transmisión de datos han dado lugar a un nuevo modelo de negocio: uno en el que todo, desde una simple aplicación hasta una infraestructura informática completa, puede ser ofrecido por proveedores de servicios en la nube (por ejemplo, Amazon) o subcontratado a ellos. Sólo se paga por el rendimiento (pay-as-you-go). Aplicaciones conocidas que implementan la computación en nube son Google Docs, Microsoft Office Online, Flickr, Dropbox, entre varios otros servicios web.
Tradicionalmente, en los SIG se utiliza la arquitectura de escritorio y cliente-servidor. Sin embargo, la implementación de la computación en la nube en los SIG ha sustituido prácticamente esos modelos y los ha dejado obsoletos. Mientras que la arquitectura cliente-servidor requiere que cada unidad organizativa opere y mantenga su propia infraestructura de servidores y software, la computación en la nube establece y proporciona un enfoque más personalizado, en el que la funcionalidad puede ser delegada a diferentes servidores en la nube.
La mayoría de los usuarios de SIG pueden notar claramente la disponibilidad de muchas aplicaciones SIG en línea (por ejemplo, ArcGIS online utiliza un navegador web). Esto significa que un programa informático no necesita estar disponible localmente para almacenar, analizar y visualizar datos espaciales. En su lugar, todo lo que se necesita es un navegador web y un ancho de banda suficiente. La computación en nube permite a los proveedores externalizar sus datos espaciales y aplicaciones a través de servicios web en la nube. Esto les permite ahorrar costes fijos y evitar cuellos de botella en la capacidad de la red. Por ejemplo, el visor de datos espaciales suizo map.geo.admin está externalizado en la nube de Amazon. Gracias a la escalabilidad de la infraestructura, los servicios se ofrecen sin demora incluso con mucho tráfico (véase la Figura 7.16).
El SIG en la nube ofrece un sinfín de posibilidades y tiene un enorme potencial. Sin embargo, también plantea algunos problemas que aún están por resolver.
La privacidad, la localización y la disponibilidad de los datos en la nube son problemas importantes. Además, la transferencia de datos a un proveedor alternativo de la nube conlleva algunos riesgos (como el riesgo de bloqueo). Por ello, las autoridades suelen dudar en confiar completamente en los servicios a través del SIG en la nube.
Los costes de licencia e infraestructura de los sistemas SIG suelen ser elevados. Los servicios SIG ofrecidos en la nube son opciones económicamente viables, ya que sólo hay que pagar por el rendimiento del servicio. Esto es especialmente útil para las pequeñas empresas que sólo utilizan el SIG de forma ocasional y con funcionalidad, por lo que sólo tienen que pagar por el uso real.
Los proveedores de SIG que prestan servicios de uso intensivo de recursos con grandes fluctuaciones de uso podrían elegir extensiones flexibles de SIG en la nube, sin tener que ampliar su propia infraestructura informática.
Para más información:
Para una presentación más técnica, pero aun así informativa, sobre ArcGIS y sus capacidades para compartir en una organización, puede ver el vídeo de la conferencia de Jack Dangermond en Esri UC: ArcGIS–GIS and Mapping & Location Platform, Esri UC 2018.
7.8 Software de código abierto y datos abiertos
El término “software de código abierto” (Open source en inglés) resume una gran variedad de opciones de licencia. Todas estas opciones tienen en común la divulgación del código fuente y la posibilidad de seguir desarrollándolo.
El software de código abierto y la libertad de datos en sí no son nada nuevo. Lo que sí es nuevo es que cada vez más empresas y organismos gubernamentales construyen toda su infraestructura de IG con software de código abierto y/o proporcionan gratuitamente en Internet cualquier dato recogido oficialmente.
Desde la licencia del sistema operativo abierto Linux, hace más de 25 años, el software de código abierto ha madurado hasta convertirse en una alternativa seria a los productos comerciales. En las aplicaciones SIG, este desarrollo se produjo primero en el servidor (de mapas) y en la infraestructura de bases de datos. A partir de ahí, el software SIG de escritorio ha madurado hasta tal punto que ahora es adecuado para el uso cotidiano debido, por ejemplo, a su facilidad de uso, estabilidad o funcionalidad.
Cada vez más organismos y empresas del sector privado esperan que mediante el uso de software SIG de código abierto aumente el potencial de ahorro e innovación.
Las ventajas del uso de productos de software abiertos son evidentes:
- Ciclos de innovación más cortos gracias al desarrollo continuo mientras el propio producto de software de código abierto sigue disponible.
- Comunicación directa con los desarrolladores y usuarios a través de los foros de Internet y las reuniones de la comunidad.
- Costes de desarrollo distribuidos.
- Sin costes de licencia.
- Escalabilidad y flexibilidad proporcionadas por el código abierto; los productos pueden adaptarse exactamente a sus necesidades (si tiene o puede permitirse los conocimientos necesarios para ello).
- Independencia de la plataforma. El software de código abierto suele estar diseñado para cualquier sistema operativo.
Las deficiencias actuales del uso generalizado de los programas informáticos de SIG del sistema operativo son las siguientes
- Los costes de migración en los que se incurre al pasar de una plataforma de software a otra
- Incertidumbre sobre el soporte y la estabilidad
- Obligaciones contractuales a largo plazo
- Confianza comparativamente mayor en los proveedores de software establecidos
Las reticencias más culturales sobre el software de código abierto se atribuyen a veces a la auto comprensión del proveedor o proveedores: los vendedores comerciales venden un producto acabado, mientras que el uso de software de código abierto suele implicar la participación en un proyecto en curso.
En la actualidad, son principalmente las grandes empresas o autoridades, y las empresas unipersonales las que utilizan software SIG libres por diferentes motivos. Con aplicaciones aceptablemente estables, esta tendencia continuará en el futuro y se abrirá paso en una amplia variedad de aplicaciones SIG. Para utilizar con éxito el software de SIG de código abierto, es necesaria una apertura fundamental a la idea de código abierto y a la programación y/o los SIG básicos.
El término “datos abiertos” se refiere a la disponibilidad de datos transparentes y sin costes, lo que está estrechamente relacionado con la idea del software de código abierto.
Lo que hace tiempo era una práctica común en Estados Unidos, ahora parece funcionar bien en Europa. En este sentido, Gran Bretaña se ha convertido en el motor de la apertura de los datos gubernamentales. Este compromiso se ve acentuado por el apoyo político a nivel ministerial, una condición que parece esencial para la aplicación efectiva de la idea de los Datos Abiertos.
Los beneficios económicos del aumento de la actividad económica en el sector de los SIG a través de la provisión de datos geoespaciales gratuitos son mayores debido al aumento del reflujo de los impuestos que los recaudados a través de, en parte, importantes tasas de licencia y uso. Estas tasas suelen ser tan elevadas que hacen inasequibles las aplicaciones. Además, se plantean cuestiones sociopolíticas como el aumento de la transparencia y la accesibilidad, que deberían conducir a una mayor democracia y participación ciudadana.
Algunos estados, ciudades y autoridades ya han conseguido llevar a la práctica la idea de los datos abiertos (Open Data), lo que ha dado lugar a un gran número de aplicaciones innovadoras, como por ejemplo el presupuesto abierto de Alemania o la ubicación de los trenes del metro de Londres.
El sitio web World Map of Open Government Data Initiatives – OGD (Mapa Mundial de Iniciativas de Datos Gubernamentales Abiertos) hace un seguimiento de las iniciativas de datos gubernamentales abiertos en todo el mundo; véase Figura 7.17.
La Fundación Geoespacial de Código Abierto (OSGeo) junto a otras iniciativas públicas y privadas, dan soporte a proyectos de desarrollo de software de código abierto. En el siguiente listado usted podrá ver ejemplos de software de escritorio de código abierto soportados por OSGeo:
Además, en el sitio web de la distribución GNU Linux OSGeoLive puede consultar un listado más completo de software de código abierto orientado a distintos usos.
Para más información:
7.9 Modelización y simulación multidimensional
Aunque existen muchas investigaciones y desarrollos en el campo de la modelización tridimensional y espaciotemporal, la mayoría de los conceptos de los SIG aplicados eficazmente sólo consideran dos dimensiones espaciales. La analogía con el mapa bidimensional sigue teniendo un impacto muy fuerte en la modelización digital y espacial.
Aunque las geometrías tridimensionales reales, como las minas, las cuevas, los interiores, etc., en los SIG se pueden modelar y cartografiar adecuadamente, la funcionalidad analítica en 3D es un bien escaso. Las razones para ello siguen siendo las ambigüedades conceptuales (por ejemplo, cómo aplicar una función clásica de SIG de una superposición en un modelo tridimensional) y las limitaciones con respecto a la disponibilidad de datos y la potencia de cálculo.
La integración del tiempo como dimensión adicional, para la mayoría de los sistemas de IG es otro reto. Muchos aspectos, a menudo básicos, relacionados con la modelización espaciotemporal siguen sin aclararse, siendo una de ellas la representación digital adecuada de la relación entre espacio y tiempo.
El uso de los SIG, los modelos de simulación (por ejemplo, la Figura 7.18) y la visualización tridimensional en la investigación y los proyectos no es nuevo. La integración de estas tres tecnologías en una sola aplicación da como resultado una potente herramienta para la toma de decisiones y la planificación.
A pesar de los retos conceptuales que aún existen, especialmente en el ámbito de la visualización y la simulación, así como en el análisis, se tienen en cuenta la tercera dimensión espacial y el tiempo. Esto, a su vez, aumenta la claridad. Mientras que hasta hace poco la dimensión espacial y la temporal se consideraban por separado para la modelización y el análisis, ahora se observa con frecuencia una combinación de las cuatro dimensiones tanto en la simulación como en el ámbito de los SIG. Un ejemplo es la simulación de una avalancha de nieve húmeda que se muestra en la Figura 7.19.
Las herramientas de simulación de gran alcance, como PowerSim, apenas tocaban el contexto espacial, mientras que GISystems consideraba el tiempo como una propiedad estática de una geometría, a lo sumo. Ambos mundos, sin embargo, han ido mostrando algún cambio.
Lo que comenzó con simples “paseos en 3D” y sobrevuelos se ha convertido en herramientas para el diseño urbano y paisajístico innovador (Figura 7.20). Se trata, por ejemplo, de la simulación de catástrofes, como inundaciones o corrimientos de tierra, la propagación de contaminantes o el impacto de la construcción en el paisaje. Las visualizaciones tridimensionales son adecuadas tanto para problemas analíticos (potencial solar y análisis de visibilidad) como para comunicar eficazmente proyectos complejos. En este sentido, es importante señalar que no sólo la visualización está en primer plano, sino que también se tiene en cuenta más a menudo en la recogida de datos, la modelización y el análisis de la tercera dimensión espacial. Por ejemplo, la última representación tridimensional de las ciudades por parte de Google Street View resultó ser una plataforma ideal para el turismo y la publicidad.
Estrechamente relacionado con la modelización y simulación multidimensional está el establecimiento de aplicaciones de realidad aumentada. En tiempo real, el espacio tridimensional se enriquece con información digital. Gracias a esta mezcla del espacio físico y el virtual, se pueden desarrollar fácilmente aplicaciones altamente informativas. “¿La próxima gran cosa?” es la pregunta de un artículo de 2017 que analiza las posibilidades de las aplicaciones SIG con Realidad aumentada y Realidad virtual.
Para más información:
7.10 El futuro de los SIG
El cuestionamiento de la necesidad de desarrolladores y usuarios especializados en SIG, dado el uso generalizado de aplicaciones web sencillas, como Google Maps, es de gran interés al inicio de sus estudios en UNIGIS
La pregunta: “¿Puedo dar un valor a todo lo que he aprendido?” puede responderse actualmente en cualquier caso “Sí”.
Hay varias razones:
La industria de la IG es una industria de futuro: El Departamento de Trabajo de EE. UU. considera la “Tecnología Geoespacial”, junto con la biotecnología, la industria aeroespacial y la medicina, como las industrias con mayor potencial de innovación y crecimiento, y concluye que tiene una creciente demanda de expertos.
Los SIG son un mercado en crecimiento: Independientemente de los datos que se utilicen para estudiar el potencial económico de la industria de los SIG, las tasas de crecimiento previstas a largo plazo están muy por encima del crecimiento económico medio. Para 2017-2023, la previsión de crecimiento del sector de la IG se estimó en torno al 10%.
Cuanto mayor sea la escala de la tecnología IG, mayor será la necesidad de expertos: La creciente demanda de profesionales de los SIG en los servicios públicos y parapúblicos continuará en el futuro. Por un lado, esto muestra las mejoras en la eficiencia, que se pueden remontar/anotar en el uso de la tecnología. Por otro lado, cada vez más empresas privadas descubren el valor añadido de los SIG, ya sea como herramienta para su propia área de especialización o como base para nuevos e innovadores modelos de negocio.
Parece difícil educar a los especialistas para la riqueza de los campos de aplicación de los SIG y el amplio uso de la tecnología básica de la IG en casi todos los ámbitos de la actividad humana. Hace unos años, para un usuario de SIG era suficiente con crear un mapa digital. Hoy en día, se les exigen conocimientos bastante complejos y altamente especializados. Sin embargo, adquirir y aplicar cualquier especialización sólo tiene sentido cuando se han interiorizado los conceptos fundamentales de los SIG. En los próximos módulos se tratarán exactamente esos conceptos para construir una base sólida para una mayor especialización personal.
Jack Dangermond, de ESRI, escribió una visión del futuro de los expertos en SIG en 2011 “Geosimulación: El futuro parece brillante para los pensadores espaciales”.