IA conectada a QGIS, la experiencia de Mapas Córdoba 

El equipo de Mapas Córdoba de la IDE provincial trabaja diariamente con Sistemas de Información Geográfica (SIG): elabora cartografías, procesa y consulta datos espaciales. Como buena parte de estas actividades incluyen tareas repetitivas, surgió el interés por explorar qué puede aportar la inteligencia artificial (IA) a estos procesos. 

Hasta hace poco el uso de la IA se concentraba principalmente en resolver consultas, escribir expresiones o generar código. La novedad es que hoy un agente de IA puede conectarse directamente con QGIS y trabajar dentro del propio proyecto: el usuario describe en lenguaje natural lo que necesita y el agente ejecuta las operaciones en el SIG. 

A partir de esta posibilidad, nuestro equipo comenzó a realizar pruebas en distintos procedimientos de su trabajo cotidiano. Más que automatizar tareas, el propósito es simplificar procesos y liberar tiempo de las tareas repetitivas. 

A continuación, se presenta cómo funciona esta tecnología, en qué casos se aplica y cuáles son los principales aprendizajes de la experiencia hasta el momento.  

Cómo funciona 

El agente de IA no reemplaza a QGIS, sino que trabaja dentro de este entorno. Un complemento instalado en el programa permite al agente consultar el proyecto abierto y ejecutar las mismas funciones que utiliza el usuario desde la interfaz: cargar capas, aplicar estilos, editar atributos, correr algoritmos de procesamiento y armar composiciones de impresión. 

La comunicación se apoya en el Protocolo de Contexto de Modelos (MCP), un estándar abierto que conecta agentes de IA con aplicaciones externas. Al tratarse de un protocolo abierto, el mismo complemento puede utilizarse con distintos asistentes de IA, sin depender de uno en particular.  

El procedimiento se desarrolla en cuatro pasos: 

  1. El usuario describe la tarea en lenguaje natural. 
  1. El agente revisa el proyecto: capas, campos y sistema de referencia. 
  1. Ejecuta las operaciones en QGIS. 
  1. El usuario revisa el resultado en el mapa y solicita ajustes, si es necesario. 

Las operaciones se ejecutan sobre los datos y el proyecto de QGIS, y sus resultados pueden verificarse directamente en el entorno de trabajo. Al utilizar asistentes de IA conectados a servicios externos, también es importante revisar qué información se comparte y aplicar los criterios de seguridad y privacidad correspondientes.  

A continuación se muestra un ejemplo con la capa de Establecimientos Educativos de la provincia de Córdoba (Imagen 1). 

Imagen 1. Entorno de trabajo con IA en QGIS. 

Primeras aplicaciones 

Las primeras pruebas se concentraron en tareas frecuentes del equipo: la definición de estilos para los mapas de ciudades, corrección de atributos y conversión de un ráster (GeoTIFF) al formato COG (Cloud Optimized GeoTIFF). 

Estilos para mapas de ciudades. Una de las pruebas consistió en solicitar al agente que ajustara la simbología de espacios verdes, barrios, equipamientos y puntos de interés según los criterios gráficos del equipo.  

El objetivo fue lograr una visualización clara en cada escala: al alejar el mapa, mostrar únicamente los puntos de interés; al acercarlo, incorporar los equipamientos con sus nombres. En QGIS esto se resuelve con reglas por escala, que el agente puede armar a partir de una instrucción y exportar en formato SLD para usarlo en otros programas (Imagen 2). 

Imagen 2. Definición de estilos de mapas. 

Corrección de tablas de atributos. Otra prueba consistió en solicitar al agente que detectara valores inconsistentes, como un mismo nombre escrito de distintas formas, abreviaturas diferentes o celdas vacías. El procedimiento comienza con un listado de los valores únicos de cada campo, que permite al equipo decidir cuáles deben unificarse. Luego, el agente aplica las correcciones indicadas. 

Limpieza y normalización de atributos. También se han explorado procedimientos de normalización de campos de texto, como eliminar códigos incorporados a los nombres de los objetos geográficos o unificar formatos de escritura. Aunque individualmente son operaciones sencillas, cuando se aplican sobre capas con numerosos registros pueden demandar tiempo y generar errores si se realizan manualmente. La asistencia de IA permite construir las expresiones necesarias y facilita la posibilidad de incorporar estas tareas a procedimientos de limpieza más amplios. 

Conversión de un GeoTIFF a COG. Otra de las pruebas consistió en preparar una imagen raster para publicarla en la web. Un GeoTIFF común guarda los píxeles en filas continuas, de modo que para mostrar una zona un visor tiene que leer buena parte del archivo.  

Un COG  sigue siendo un GeoTIFF, pero incorpora dos cambios en su estructura: los píxeles se organizan en teselas y se incorporan vistas reducidas, es decir, versiones de la imagen a menor resolución. Con esa organización, un visor o un servicio lee primero el encabezado y descarga solo las teselas que corresponden a la zona y al nivel de zoom, sin necesidad de un servidor de mapas intermedio. 

Para realizar la prueba, se solicitó al agente que convirtiera el archivo a este formato, indicando el origen y el destino. La IA consultó la capa en el proyecto, definió los parámetros (compresión, tamaño de teselas y niveles de vista reducida) y ejecutó el procesamiento con GDAL.  

Finalmente, el equipo de Mapas Córdoba verificó que el resultado conservará el sistema de referencia y los valores originales, y mantuviera la misma apariencia visual que el archivo original (Imagen 3). 

Imagen 3. Proceso de conversión de un GeoTIFF a COG. 

Aprendizajes y cuidados 

La experiencia muestra que la IA rinde más cuando acompaña el criterio técnico, no cuando lo sustituye. A partir de las pruebas realizadas, se identifica una serie de aspectos importantes para su implementación: 

  • El conocimiento SIG sigue siendo necesario. Tanto para formular las instrucciones de las tareas como para evaluar los resultados obtenidos. 
  • Revisión de cada operación. El equipo verifica cada resultado en QGIS antes de darlo por resuelto. 
  • Puntos de restauración antes de editar. Antes de modificar datos se guarda una copia del estado del proyecto, para poder volver atrás si algo sale mal. 
  • Instrucciones precisas. Nombrar la capa, el campo y el criterio evita interpretaciones ambiguas. 
  • Cuidado con los datos. Es importante definir previamente qué información se trabaja con estas herramientas, en especial si incluye datos personales o sensibles. 
  • Documentación de los procedimientos. Los estilos, instrucciones y procedimientos que dan buen resultado se guardan para reutilizarlos. 

Próximos pasos 

El equipo de la IDE pretende expandir estas pruebas a otros flujos de trabajo y a procesos con datos vectoriales y raster, elaborar un repertorio común de pautas y recursos, y medir cuánto tiempo se ahorra.  

El objetivo es mejorar los procesos de trabajo mediante la incorporación de agentes de IA como asistente para las tareas mecánicas y repetitivas, mientras el equipo se concentra en la supervisión de datos, la composición cartográfica y la consistencia de la Infraestructura de Datos Espaciales (IDE). 

Para conocer más sobre esta experiencia contactanos a [email protected]. ¡Informate sobre las novedades de IDECOR! Suscribite para recibir nuestro boletín y seguinos en Instagram y Linkedin 

Colaboración:
Lic. Geóg. Antonella Carena,
Lic. Geóg.  Helena Sangroniz,
Ing. Agrim. Micaela Gómez,
Imagen de perfil:
Prof. Guillermo Gómez Gigena,
IDECOR